IAMPM
ул. Успенская, 44 65000 Одесса, Украина
+38 (091) 481 01 38+7 (495) 128 58 05info@iampm.club

Ok, Data! Ok, Data!

Data Science для нетехнических специалистов

Data Science — уже не просто модный тренд. В какой бы отрасли вы не работали, обработка данных, машинное обучение и AI сделают проект более прибыльным, но чтобы управлять таким проектом, нужно понимать подходы и терминологию. Курс «Ok, Data!» даст знания для управления DS командой или создания MVP для своего собственного Data Science проекта.

10
августа

начало курса

8
вебинаров

с практикой

3
прикладных

домашних задания

3
спикера

персональное менторство

10
августа
начало курса
8
вебинаров
с практикой
3
прикладных
домашних задания
3
спикера
персональное менторство

Чему вы научитесь?

  • Знание основной терминологии Data Science
  • Навык работы с требованиями в Data Science проекте
  • Умение работать с данными и выбирать необходимый подход для решения задачи
  • Понимание, как составить workflow для команды Data Science проекта
  • Опыт применения популярных DS фреймворков (TensorFlow, scikit-learn, Pandas)
  • Умение анализировать метрики и оценку после работы Machine Learning проекта
  • Базовая экспертиза в обработке естественного языка, приложениях машинного обучения и т. д.
  • Умение собрать команду для Data Science проекта

Кому нужен «Ok, Data»?

Data Science — уже не просто модный тренд. В какой бы отрасли вы не работали, обработка данных, машинное обучение и AI сделают проект более прибыльным, но чтобы управлять таким проектом, нужно понимать подходы и терминологию. Курс «Ok, Data!» даст знания для управления DS командой или создания MVP для своего собственного Data Science проекта.

Project Manager

Project Managers

Product Manager

Product Managers

Business Analyst

Business Analysts

owner

Business Owners

Добавьте навыки в резюме:

Добавьте навыки в резюме:

  • Знание основной терминологии Data Science

  • Навык работы с требованиями в Data Science проекте

  • Умение работать с данными и выбирать необходимый подход для решения задачи

  • Понимание, как составить workflow для команды Data Science проекта

  • Опыт применения популярных DS фреймворков (TensorFlow, scikit-learn, Pandas)

  • Умение анализировать метрики и оценку после работы Machine Learning проекта

  • Базовая экспертиза в обработке естественного языка, приложениях машинного обучения и т. д.

  • Умение собрать команду для Data Science проекта

Чему вы научитесь?

Программа

Вводная лекция. Работа с данными

Рассмотрим, какими навыками должен обладать менеджер в Data Science проекте. Разберемся, какие практические примеры Data Science существуют, а также, что такое данные и почему они так важны. Сравним позиции Data Engineer и Data Analyst и узнаем их основные отличия. Разберемся, в каких областях уже применяется DS на практике.

Выбор правильного подхода в DS

Научимся «транслировать» задачу от клиента команде. Узнаем различные методы построения модели для внедрения Data Science в собственный проект. Разберемся, как работать с рекомендательными системами, и как они помогут сократить расходы на support.

Построение модели

Построим модель своими руками, чтобы понять, как создать MVP вашего Data Science проекта. Научимся оценивать результат работы модели. Разберемся, какие критерии качества модели существуют и на что должен смотреть менеджер, чтобы проверить итоги работы Machine Learning команды.

Data Science для расчета LTV

Обсудим понятие статистической значимости, и сделаем прогноз LTV (estimation life-time value of customers) с помощью статистических методов.
Разберем, когда этого недостаточно и сделаем аналогичный прогноз с помощью Data Science методов. Проанализируем нюансы предсказания оттока клиентов (churn) и научимся принимать решения на основе прогнозов с помощью churn моделей. На примерах объясним, как сегментирование клиентов вместе с предсказанием LTV и оттока клиентов может помочь в оптимизации бизнеса.

NLP для оптимизации Support команды

Обсудим, как при помощи NLP методов и active learning оптимизировать работу отдела поддержки клиентов. Разберемся, как внедрить их у себя в проекте. Применим несколько NLP алгоритмов, которые помогут в определении тем и обработки комментариев. Рассмотрим, когда лучше использовать алгоритмы unsupervised learning.

Построение Machine Learning команды внутри компании

Узнаем, как построить Machine Learning команду и кого надо нанимать для создание MVP вашего проекта. Разберемся с зонами ответственности на этапе MVP и при полном цикле разработки. Пошагово определим, как внедрять Data Science в вашем проекте или продукте. Обсудим дальнейшее развитие Data Science, чтобы оставаться на волне предстоящих трендов.

Внедрение NLP в компанию

Рассмотрим стандартный NLP pipeline, затем поставленную бизнес задачу и процесс внедрения конкретного решения, включая выбор компонентов, разметку данных для тренинга, тренинг DNN, использованные метрики, интеграцию решения технической с инфраструктурой бизнеса. Разберем кейс на конкретном примере.

Q&A сессия по вашим проектам и вопросам

Разберем основные сложности при работе над MVP Data Science проекта. Исправим ошибки, допущенные при выполнении домашних заданий. Выберем правильный подход для решения, непосредственно, вашей задачи. Потренируемся отвечать на основные вопросы для прохождения собеседования в Data Science проект.

Спикеры

Сергей Брандис С

Сергей Брандис

Co-founder AI startup Aidrome. СTO в hardware компании RDM-Symvol.

Более 8 лет опыта. Любит отслеживать современные тренды и рассказывать о них простым языком.

Более 8 лет опыта. За это время занимался разработкой продуктов по контролю качества производства, а также разработкой AI, который построен на принципах работы человеческого мозга. Сергею приходилось работать с канадскими стартапами с внедрением AI разработок. Любит отслеживать современные тренды и рассказывать о них простым языком.

Кирилл Юрченко К

Кирилл Юрченко

Data Science Architect в GlobalLogic.

За 12 лет опыта разработки data-driven решений побывал на должностях количественного аналитика, риск менеджера и data scientist.

За 12 лет опыта работы над разработкой data-driven решений побывал на должностях количественного аналитика, риск менеджера и data scientist. Получил сертификацию GARP (Global Association of Risk Professional) как менеджер по финансовым рискам. Ранее работал в таких компаниях как Playtika, JustAnswer, Zoral, Alfa Bank и другие. Регулярно участвует в конференциях и проводит воркшопы для Киевской Школы Экономики. Любит играться с данными, чтобы всесторонне их изучить и подготовить действительно эффективное решение для бизнеса в целом и для каждой конкретной задачи отдельно.

Сергей Пинигин С

Сергей Пинигин

Director of Product in Adwiser, Toronto

ML/Data Science Consultant in Research & Innovation Lambton College, Toronto

Более 15 лет опыта в создании и развитии диджитал продуктов в широком спектре отраслей. Фокус на AI/Data проектах последние 5 лет. Ранее работал на позициях Agile Couch и Product Owner. AGI рисерчер, соорганизатор AGI Meetup Toronto.

Что вы получите

Инструменты и опыт

Прикладные навыки

После курса вы сможете сделать прототип проекта, или войти в команду, которая использует Data Science.

Простота изложения

Простота изложения

Преподаватели раскрывают темы, используя яркие образы, примеры из своей работы и практическую демонстрацию.

Управление ожиданиями

Советы 24/7

Спикеры продолжают общаться со студентами после курса и отвечать на вопросы в закрытом чате в телеграм и лично.

Планирование

Практика

Домашние задания позволят «потрогать руками» основные инструменты и проанализировать результаты моделей.

Разбор кейсов

Понимание процессов

После курса вы сможете «перевести» запрос клиента в работу с моделью или самостоятельно протестировать гипотезу.

Навыки работы с требованиями

Преимущество на рынке труда

Data Science — это тренд, но лишь небольшое количество нетехнических специалистов имеет экспертизу для управления таким проектом.

Инструменты и опыт

Прикладные навыки

После курса вы сможете сделать прототип проекта, или войти в команду, которая использует Data Science.

Простота изложения

Простота изложения

Преподаватели раскрывают темы, используя яркие образы, примеры из своей работы и практическую демонстрацию.

Управление ожиданиями

Советы 24/7

Спикеры продолжают общаться со студентами после курса и отвечать на вопросы в закрытом чате в телеграм и лично.

Планирование

Практика

Домашние задания позволят «потрогать руками» основные инструменты и проанализировать результаты моделей.

Разбор кейсов

Понимание процессов

После курса вы сможете «перевести» запрос клиента в работу с моделью или самостоятельно протестировать гипотезу.

Навыки работы с требованиями

Преимущество на рынке труда

Data Science — это тренд, но лишь небольшое количество нетехнических специалистов имеет экспертизу для управления таким проектом.

Стоимость и оплата:

  • Вы регистрируетесь на курс.
  • Менеджер IAMPM связывается с вами и отвечает на все интересующие вопросы.
  • Вы вносите предоплату в размере 1000 ₴ и мы закрепляем за вами место на курсе.
  • Даже после повышения стоимости, цена для вас не меняется.
  • За несколько дней до начала занятий вы вносите остаток оплаты и получаете приветственное письмо с доступами.
uah rub usd
  • Вы регистрируетесь на курс.
  • Менеджер IAMPM связывается с вами и отвечает на все интересующие вопросы.
  • Вы вносите предоплату в размере 1000 ₴ и мы закрепляем за вами место на курсе.
  • Даже после повышения стоимости, цена для вас не меняется.
  • За несколько дней до начала занятий вы вносите остаток оплаты и получаете приветственное письмо с доступами.
Предоплата онлайн
payment
До 31.07 скидка 10%
5280

Частые вопросы

Что я смогу записать в резюме после прохождения курса?

Общие знания:

  • опыт применения фреймворков (TensorFlow, scikit-learn, Pandas)
  • создание MVP Data Science-проекта; 
  • оценка моделей (F-score, Accuracy); 
  • подбор команды для DS-проекта;
  • опыт работы с AI-driven проектом; 
  • понимание работы workflow и умение составить правильный timeline для DS-проекта.

Супер-навыки для Project Manager:

  • умение транслировать требования от заказчика к команде;
  • работа с DS-командой — подбор, цели, задачи, контроль;
  • выбор методов и фреймворка под заданную задачу, с имеющимися ресурсами;
  • умение составить workflow работы для всей команды.

Супер-навыки для Product Manager:

  • понимание особенностей Roadmap в DS проектах;
  • оптимизация расчета LTV;
  • оптимизация работы Support-команды продукта;
  • создание MVP собственного DS-проекта.

Как проходят занятия?

  • Занятия проходят в формате полутора часовых онлайн мастер-классов, на которых спикеры делятся опытом, показывают инструменты и отвечают на вопросы.
  • Из теории мы даем именно те знания, которые, в первую очередь, нужны нетехническому специалисту при управлении Data Science проектом или для проверки собственных гипотез. 
  • Мы вывели проработку всех основных навыков в практические занятия на вебинаре, чтобы быть уверенными, что все студенты выйдут с курса с нужными умениями.

Как устроена практика в рамках курса?

Чтобы вам не приходилось вникать в сухую теорию, на вебинаре мы проводим разбор кейсов и демонстрации. Кроме того, на курсе есть домашние задания и отдельная Q&A-сессия.

  • Вы будете подготавливать  данные для модели, чтобы понимать, какие данные подходят и почему.
  • После изучения темы вы будете на практике пробовать создавать «модель» для конкретного кейса. 
  • Научитесь строить визуализацию оценки модели и оценивать ее работу.

А это я будут прямо код писать? А на каком языке? А если нет навыка?

Да вы будете писать код,  на одном из самых распространенных языках в Data Science — Python, но не беспокойтесь мы предоставим подробную инструкцию, что надо и куда заполнить.

Это будут простейшие готовые запросы, которые надо вписывать в удобный интерфейс специальных инструментов (окружение). Наша цель не научить вас программировать, а показать, как получать от модели результат и анализировать его. Это отличный способ познакомиться со всеми этапами разработки DS проекта и понять, чего требовать от вашей команды.

Зачем мне это знать, у меня же будут технические специалисты, которые будут со всем этим разбираться?

Да, но:

  • Не в каждой ML команде у вас будет тимлид или другой специалист, способный все подсказать, объяснить и помочь принять решение. Скорее вам придется управлять самостоятельно Data Analyst, ML Engineer, Data Scientists, ставить им задачи и контролировать результат.
  • Технические специалисты не будут ходить с вами на каждый митинг или продумывать каждую гипотезу.
  • У DS-специалистов огромная куча задач, и у них не всегда будет время объяснять вам каждую мелочь. 
  • Чем более технически подкованы ваши специалисты, тем меньше знаний у них в доменной области проекта. В то же время у вас есть полное понимание, какие данные важны и какой результат вы хотите получить.
  • Если DS команда — часть большой команды, то вам как РМ-у надо будет связывать их наработки с общей работой, и все вопросы по процессу будут задавать вам.

У меня нет сейчас конкретных проектов или задач по Data Science, зачем мне идти на курс?

  • Data Science — это тренд, к которому все стремятся. По версии McKinsey общий доход от AI проектов составит 13- 20 трлн долларов, так что в какой отрасли вы бы не работали, автоматизация и обработка данных сделает процессы более эффетктивными и поможет получить конкурентное преимущество. 
  • Если кто-то из ваших конкурентов начал использовать Data Science практики для работы, то в скором времени вашей компании нужно будет тоже внедрить эти практики, чтобы не отстать.
  • Учитывая этот тренд, компании активно нанимают в команду DS-специалистов, но ими кто-то должен управлять. Как правило, для таких задач выбирают РМ-а с техническим бэкграундом или базовыми знаниями в работе с данными. 
  • Если вы не работаете в DS-проекте, то все равно сможете применить навыки, полученные на курсе и составить MVP своего собственного решения, проверить гипотезу, а потом подобрать команду для масштабирования или просто записать в резюме новый навык для повышения своей стоимости на рынке. 

Почему я должен выбрать именно этот курс?

  • Доступная цена. Если ваша цель — не разрабатывать сложнейшие AI-решения собственными руками, а управлять командами в этой отрасли, то будет вполне достаточно интенсивной программы длиной в один месяц.
  • В интернете есть много открытой информации по DS, но чаще всего, это или базовые теоретические знания, или статьи и видео для узких специалистов. Мы создали курс, дающий навыки, достаточные для практической работы, и объяснили все простым и понятным языком. Вы не будете учить то, что никогда не сможете применить в своей работе.
  • Фидбек от спикеров. В рамках курса вы выполняете домашние задания по учебному кейсу или своему собственному проекту. В процессе обучения мы построим модель работы с данными своими руками. 
  • Есть возможность улучшить процессы в вашей компании. Знания, полученные на курсе, вы сможете использовать самостоятельно или в команде. Кроме того, в течение 3-6 месяцев, в процессе внедрения новых гипотез, вы сможете обращаться за подсказками от спикеров в чат курса и даже лично. 

Хотите проверить, можете ли вы управлять Data Science проектом?

Заполните заявку и протестируйте свои знания