Формат курса и программа (6 занятий и воршопов): 1) Практика после каждого занятия 2) Помощь и проверка ДЗ от персонального ментора 3) По курсу можно идти со своей скоростью (среднее время прохождения: 1-1,5 месяца) 4) Все материалы будут доступны и после окончания курса 5) В процессе обучения вы защищаете диплом и мы помогаем с трудоустройством
"Определение бизнесовых точек роста компании, в которых может помочь ML. Формирование концепции функциональности, требующей AI/BigData" Спикер: Алексей Авдей (Сбербанк) ● AI-продукты и тренды их внедрения. ● Обзор продуктов, которые используют AI. ● Объясняем, зачем компаниям нужен AI/ML. ● Детальный разбор 1-2 продуктов и необходимости использования ML в них. ● Учимся разбираться, в каких случаях поможет ML, а в каких нет. ● Учимся понимать, какие проблемы проще решить с помощью AI/ML, а какие сложно. ● Постановка чётких целей для AI/BigData-проектов. Что узнаю: в каких бизнес-задачах AI / Big Data поможет, а где нет.
"Чеклист внедрения ML-задач в компании и команде" Спикер: Роман Абрамов (Carprice) ● AI для ваших задач. Построение AI-стратегии. ● Оценка профита от внедрения AI/ML-функциональности. ● Оценка трудоёмкости AI/ML-задач для правильного планирования. ● Как снизить риски неудачного завершения AI/ML-проектов. ● Разбор кейсов внедрения и оценки AI-задач. Что узнаю: научусь делать оценку трудоёмкости AI/BigData-задач.
"Лучшие практики работы с BigData/ML-командой" Спикер: Андрей Менде (Booking.com) ● Разбираем, какие нюансы (новые типы принимаемых решений) приходится принимать менеджеру по продукту при общении с AI/ML-командой. ● Достаточно ли обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных? В чём могу быть проблемы на продакшене? ● Глоссарий основных терминов (learning, unsupervised learning, neural networks). ● Построение правильной культуры в команде. Как тестировать ML-продукты. Что узнаю: научусь работать со спецификой AI/BigData-команды
"Работа с датасетами и моделями. Выбор фичей" Спикер: Ксения Петрова (Skyeng) ● В чём сила и нюансы датасетов. Как происходит сбор и очистка данных и что об этом должен знать менеджер. ● Юридические стороны вопроса. ● Что такое «фичи» в ML и как их правильно выбирать. Выбор и составление модели. Как выбирают и обучают модель. ● Реальный пример с использованием инструмента Google's AutoML. ● Описание стандартных кейсов: обработка видео, эмоции, работа с изображениями, вытаскивание параметров. Что узнаю: научусь эффективнее работать с AI/BigData-инженерами за счёт лучшего понимания специфики их работы
"Workshop: создание и запуск датасета" Спикер: Юрий Буйлов (Carprice) ● Практическая работа с инструментами Яндекс.Толока и Google's AutoML. ● Создаём датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда. Что узнаю: пойму, что в работе AI/BigData-инженеров нет никакой магии :)
"Валидация бизнес-результатов запуска AI/ML-функциональности" Спикер: Михаил Карпов (ex-VK/Яндекс) ● Разбираемся, как измерять профит и принимать решения по собранным моделям. ● В каких случаях не стоит выкатывать в продакшен полученные модели. ● Поддержка внедренных ML- и BigData-решений. Что узнаю: научусь оценивать запуски AI/BigData-функциональности и выстраивать работу по её поддержанию и развитию