AI Product Manager

Курс для Product-менеджеров, которые хотят прокачаться до руководителя уровня C и научиться управлять созданием продуктов с применением AI/DS-инструментов, а также коммуницировать с командой разработчиков.

Бизнес-кейсы из практики топовых компаний и 5 проектов для портфолио.

Организатор

Product Live

Преподаватели

Артем Макеенок

CPO Speech&Text AI продуктов ДомКлик, Сбербанк.

Богдан Одарченко

Руководитель акселератора Южного IT-парка, CEO 2UP, эксперт преакселератора ФРИИ.

Александр Хайтин

CEO Mechanica AI. Ex-Исполнительный директор Yandex Data Factory (2014−2017).

Андрей Менде

Product Manager (DS), Booking.com, специализация: data-driven product development, A/B testing (RCT).

Алексей Сидоров

Исследователь, лаборатория Facebook AI Research.

Александр Фонарёв

Chief Data Scientist и сооснователь SBDA Group (Rubbles).

Уровень

Средний

Длительность

4 месяца

Промокод

PARTNER

Описание промокода

Скидка 45% до 19 января 2021

Документ

Сертификат о прохождении курса

Стоимость

48 000 ₽ 80 000 ₽

80 000 ₽

48 000 ₽

Подробнее

Содержание курса

Программа курса состоит из 4-х подробных разделов:

Введение в профессию менеджера Al-продукта.
Управление продуктом на базе AI/ML разработки.
AI-инструментарий.
Данные и управление Data Science-решениями.

Кому подойдет данный курс

Курс предназначен для:

Продакт-менеджеров — вы сможете вырасти до уровня Senior и стать международным специалистом по управлению проектами на базе AI-технологий.
Аналитиков — вы продвинитесь в карьере и расширите свою специализацию.
Стартаперов/менеджеров — научитесь запускать продукты с применением ML/DS.

Приобретённые навыки

Вы научитесь:

грамотно управлять командой из специалистов по Data Science и ML-инженеров, и эффективно коммуницировать с ними;
внедрять прогнозирующие механизмы в продуктовые решения;
определять, какие бизнес-задачи могут быть решены при помощи AI/ML-инструментов и как бизнесу заработать на этом;
разрабатывать технические задания, определять их эффективность, ставить задачи по разметке данных;
создавать ТЗ к датасетам, определять их эффективность, ставить задачи на labelling данных;
разбираться в методах машинного обучения;
прототипировать, тестировать и улучшать ИИ-продукт;
разрабатывать Data Science-модели;
понимать возможности естественного языка;
выстраивать архитектуру систем машинного обучения;
сравнивать производительность моделей по соответствующим метрикам.