Интенсив по ML-
прототипрованию

новые потоки — с 29 ноября
Для кого
Вы — разработчик, предприниматель, основатель стартапа, менеджер продукта или проекта, венчурный инвестор. У вас есть идея продукта с искусственным интеллектом, но не хватает знаний и навыков.
Кто
Мы — практики и предприниматели, построившие карьеру в разработке и управлении продуктов с машинным обучением в Яндекс, Mail.Ru Group, Alfabank, Ozon, МВидео, Aitarget с опытом преподавания в ВШЭ, МФТИ, YData.
Результат курса — MVP, готовый к инвестициям

/


На интенсиве вы разработаете собственный ML-проект для стартапа, компании или портфолио

//


Вы пообщаетесь с единомышленниками и менторами на завтраках и митапах

///


Вас проконсультируют десятки профессионалов из сферы машинного обучения

Преподаватели
Преподаватели
Давид Дале
Преподаватель машинного обучения и прототипирования
///
NLP-исследователь в Skoltech,
ex-Data Scientist в Yandex,
ex-Data Scientist в Alfabank
Айра Монгуш
Преподаватель управления продуктом и маркетинга
///
Айра делает AI-проекты для B2B, менторит технологические стартапы, организует курсы в ML.
ex-Product Owner в Mail.Ru Group
ex-Head of AI Labs в aitarget.com
Алена Трескова
Преподаватель анализа данных
///
Старший аналитик в Ozon
Ex-Data Scientist М.Видео-Эльдорадо
Ex-Data Scientist Tele2
Роман Григоров
Преподаватель по программированию в Python
///
Независимый web-разработчик. Начинал 20 лет назад в компании Parallels, но переключился на создание и поддержку своих и совместных проектов.
Выступления преподавателей
Выступления преподавателей
Мы обучаем
Мы обучаем
Что вы получите
Что вы получите
/ Валидация идей и запуск прототипов

/ Анализ данных, формулирование целей и запуск экспериментов

/ Оценка технологических аспектов ML-продуктов, инвестирование в успешные проекты и направления
/ Нетворкинг с талантливыми предпринимателями, дата-саентистами и ML-специалистами
/ ML-прототип с настоящими пользователями

/ Подготовка к интеграции прототипа в продукт, масштабированию в ML-продукт и проверке гипотез
Сообщество
Навыки
Результат и план действий
Дополнительно

+ Материалы курса

+ Онлайн-сертификат

+ Скидки на остальные курсы

Приглашенные спикеры
Приглашенные спикеры
Юрий Мельничек
Основатель венчурного фонда Bulba, AI-инвестор, основатель Maps.me, AIMATTER
/
Прототипирование сложных ML-продуктов с успешным экзитом. Инвестиции в AI
Артур Кузин
Рук. платформы компьютерного зрения SberDevices, ex-Head of Computer Vision X5, ex-DS DBrain, Avito
/
Переход от ML-прототипа к ML-продукту
Алексей Моисеенков
Основатель Capture Technologies, создатель Prisma.AI
/
Как создать ML-продукт, которым будут пользоваться десятки тысяч юзеров
Денис Калышкин
Principal at I2BF Global Ventures
Investment committee member at Phystech Leadership Fund
/
Качественные и количественные методы анализа рынка стартапа. AI-рынок
Ольга Ковех
Старший менеджер продукта данных в Amazon, Берлин, Ex PM в Yandex, Scentbird
/
О жизни ML-продакт-менеджера в крупных компаниях
Алина Вербенчук
Менеджер стратегических продуктов в Youtube, Лондон, PM в Google, Лондон
/
О продуктовой стратегии
Программа
Программа
В течение всего курса: работа над проектом
Каждый шаг по созданию проекта, начиная с валидации идеи, поддержан командой курса. Вы получите десятки консультаций и сможете запустить в реальный мир ваш проект. В течение курса вы сможете пообщаться с менторами, инвесторами и профессионалами в среде AI для потенциального развития продукта.
Опционально: интенсив по Python и математике для анализа данных и машинного обучения
Для тех, кто чувствует себя неуверенно перед стартом мы организовали интенсив по Python и математике.
1. Машинное обучение
Вы погрузитесь в машинное обучение, узнаете глубже про возможности работы с данными, алгоритмы, и сможете обучить алгоритмы, которые станут основой модели и прототипа. Часть включает в себя разбор и практику как классического машинного обучения, так и глубокого обучения.
2. Релиз продукта
Вы сможете за короткий срок подготовить релиз продукта в мир с помощью готовых технологий и впустить в свой продукт реальных пользователей. Кроме того, мы погрузимся в аналитику реального продукта, маркетинг и экономические расчеты и оценки для понимания достижения продуктом Product-Market Fit.
3. Анализ данных и экспериментальное управление продуктом
Вы будете готовы работать с прототипом после запуска, работая профессионально над ростом его метрик, отслеживая поведение пользователей, а также погрузитесь в анализ больших данных, экспериментальное управление продуктом и будущее большого стартапа.
В течение всего курса: нетворкинг
Вы сможете посетить десяток организованных нами встреч, созвонов, митапов с AI-предпринимателями, дата-саентистами для вас и других представителей AI-среди для обмена опытом, поиска единомышленников и сокомандников.
/ Занятие 1
Интенсив по Python для анализа данных и машинного обучения
Кратко про Python, версии, установку и виртуальное окружение. Базовые типы данных, операции с ними. Вывод текста на экран, форматирование. Переменные. Встроенные функции. Структуры данных. Подключение библиотек. Установка пакетов. Условия, циклы. Функции. Генераторы списков.
/ Занятие 2
Интенсив по Python для анализа данных и машинного обучения
Векторы и матрицы. Определитель матрицы. Операции с матрицами. Собственные числа матриц. Знакомство с библиотекой Numpy. Знакомство с библиотекой Scipy.
Знакомство с библиотекой Pandas. Объект pandas.Series. Объект pandas.DataFrame. Группировка данных. Работа с несколькими таблицами. Преобразование признаков.
/ Занятие 3
Интенсив по Python для анализа данных и машинного обучения
Визуализация с matplotlib. Расширенная визуализация с Matplotlib. Визуализация с Pandas. Интерактивная визуализация с Plotly. Определение вероятности. Случайная величина. Показатели центра распределения. Нормальное распределение.
/ Занятие 4
Интенсив по математике для анализа данных и машинного обучения
Центральная предельная теорема. Зависимость между случайными величинами. Распределение Стьюдента. Статистика в scipy. Доверительный интервал. Проверка гипотез и распределение Стьюдента. Более сложные вариации распределений и примеры данных для них.
// Проект
Работа над проектом недели 1 и 2
Занятие по технической и экономической валидации идеи. Предварительная оценка рынка. Расчет Unit Economy. Личные консультации. Тюнинг идеи. Заполнение Business Model Canvas. Подготовка Elevator Pitch. Формулировка Т З к проекту.
// Нетворкинг
Нетворкинг недели 1 и 2
Завтраки в Москве и других городах. Онлайн-нетворкинг для знакомства.
/ Занятие 5
Введение в ML-прототипирование
Работа на примере над проектом в машинном обучении. Постановка задачи на языке бизнеса, решение попробовать DL/ML. Обзор существующих решений — бейзлайнов (baselines). Выбор метрик. Составление тестовой выборки — «золотого стандарта». Разработка бенчмарка. Оценка качества бейзлайнов на нашем золотом стандарте, анализ ошибок. Сбор обучающих данных. Разработка пайплайна для экспериментов. Исследования: строим модели, оцениваем качество, сравниваем. Подготовка отчета на языке бизнеса, оценка на более высоком уровне

/ Занятие 6
Машинное обучение. Лаборатория
Решаем задачи для лаборатории по темам:

Виды машинного обучения. Функционал качества и градиентный спуск. Логистическая регрессия. Применение линейных моделей. Данные и переобучение. Метрики качества. Применение метрик качества. Решающие деревья. Случайный лес. Градиентный бустинг. Применение ансамблевых моделей.
/ Занятие 7
Машинное обучение. Лаборатория
Решаем задачи для лаборатории по темам:

Задача кластеризации, группы методов. Метод K-средних. Практика. Метод K-средних. Иерархическая кластеризация. Агломеративный алгоритм. Практика. Иерархическая кластеризация. DBSCAN. Практическое применение DBSCAN. Оценки качества кластеризации. Метод Главных Компонент (Principal Component Analysis). Сингулярное разложение матрицы и связь с PCA. Применение PCA на данных. Многомерное шкалирование. Рекомендательные системы. Методы коллаборативной фильтрации. Методы с матричными разложениями. Практика. Матрица рейтингов и SVD
/ Занятие 8
Машинное обучение. Лаборатория
Решаем задачи лаборатории по темам:

Обзор нейросетей. Представление нейросети. Вычисление выходного значения нейросети. Векторизация по нескольким примерам. Объяснение того, как реализуется векторизация. Функции активации. Производные функций активации.
Градиентный спуск для нейросетей. Случайная инициализация.
Глубокая нейросеть с L слоями. Прямое распространение в глубокой нейросети. Правильное вычисление размерности матрицы. Зачем использовать глубокое представление? Строительные блоки глубоких нейросетей. Прямое и обратное распространение ошибки. Параметры и гиперпараметры.
// Нетворкинг
Нетворкинг недели 3 и 4
Две встречи с AI-предпринимателями. Митап с ребятами из ODS. Data-завтраки. Созвоны с группой
// Проект
Работа над проектом недели 3 и 4
Обзор существующих решений — бейзлайнов (baselines). Выбор метрик. Составление тестовой выборки — «золотого стандарта». Разработка бенчмарка. Оценка качества бейзлайнов на нашем золотом стандарте, анализ ошибок. Сбор обучающих данных. Проектирование дизайна интерфейса проекта.
/ Занятие 9
Инжиниринг. Лаборатория
Разбор примеров крупных продуктов. Приглашенный преподаватель. Разработка пайплайна для релиза и экспериментов. Исследования: строим модели, оцениваем качество, сравниваем. Как превратить прототип в продукт? Проблемы, акценты, инструменты.
/ Занятие 10
Хакатон
Работа над проектами в совместном режиме. Финализация интерфейса прототипа. Подготовка проекта к релизу, тестирование.
/ Занятие 11
Релиз продукта
Подготовка к маркетингу продукта. Позиционирование, подготовка к релизу. Все шаги к готовности принять первых пользователей. Признаки Product-Market Fit. Unit Economy. Работа с маркетинговой аналитикой.
/ Занятие 12
Анализ и экспериментальное управление продуктом
Стратегия продукта, гипотезы и метрики. Самая рискованная гипотеза. Расчет рисков, приоритизация гипотез. Фреймворки: NSM, Google Heart, AARRR. Эксперименты. Ретеншн. Когортный анализ пользователей. RFM-анализ. Временные ряды.
// Проект
Работа над проектом недели 5 и 6
Подготовка к маркетингу продукта. Позиционирование, подготовка к релизу. Отслеживание воронки до этапа активации и после. Подготовка медиаплана для старта.
// Нетворкинг
Нетворкинг недели 5 и 6
Встречи с руководителями AI-продуктов в крупных компаниях. Взгляд на развитие продукта с большими данными. Онлайн-созвоны и Data-завтраки.
/ Занятие 13
Анализ и экспериментальное управление продуктом. Лаборатория
Разбор большого кейса в Amplitude — анализ данных пользователей. Продуктовый анализ. Ретеншн. Когортный анализ пользователей. Расчеты конверсий. Эксперименты. Анализ состояния метрик продукта. Выводы.
/ Занятие 14
Анализ и экспериментальное управление продуктом. Лаборатория
Непараметрические, многопараметрические тесты. Байесова автоматизация. Roll-out тесты. Многорукие бандиты. Разбор кейса экспериментальной платформы.
// Проект
Работа над проектом недели 7 и 8
Все шаги к готовности принять первых пользователей. Расчет Unit Economy. Работа с маркетинговой аналитикой: настройка и отслеживание конверсий.
Релиз на Product Hunt. Проверка на достижение Product Market Fit. Подготовка к выступлению презентации перед инвесторами. Личные и преподавательские консультации перед защитой.
// Нетворкинг
Нетворкинг недели 7 и 8
Общение с инвесторами и менторами. Обмен обратной связью внутри группы.
/// Финал
Защита проектов I
Офлайн-защита проектов перед инвесторами для первой части группы
/// Финал
Защита проектов II
Офлайн-защита проектов перед инвесторами для второй части группы. Закрытие. Afterparty.
часов обучения и более 40 часов практики
домашних заданий при поддержке преподавателей и команды
лабораторий в формате Codelabs на реальных данных и 10+ case-study
Для бесплатной консультации по программе заполните заявку
Отзывы о занятиях
Отзывы о занятиях
Продакт-менеджер DOBRO 
Однозначно рекомендую курс тем, кто готов приступить к ML-проекту.

Курс дал отличную базу и мотивацию для того, чтобы продолжать создавать ML-прототипы самостоятельно. Разбираясь во всем многообразии моделей и подходов, которым уделено особое внимание на лекциях, можно осознанно выбрать вектор, в котором интересно развиваться дальше, свободно читать (и главное – понимать) код, написанный другими разработчиками, статьи и книги уже на более продвинутом уровне.

Занятия помогли собрать воедино и систематизировать фрагментарные знания по ИИ, а лабораторные работы позволили преодолеть барьер неуверенности и наконец-то перейти от теории к практике и запустить свои первые модельки.

Полученные знания дают возможность не только разговаривать со специалистами на одном языке и разобраться, как работают проекты, связанные с ИИ, что очень важно для менеджеров, которые ими управляют, но и самому почувствовать себя исследователем, проверяя собственные гипотезы в рабочих и pet-проектах.


Руководитель AI проектов в ПАВЛИН Технологии
3 «да» про курс:
да — школьного курса математики более, чем достаточно;
да — ты сразу начинаешь писать код и применять рабочие модельки для аналитики — создавать свой продукт машинного обучения;
да — продукт заработает для живых пользователей.
Отличный способ для дальнейшего развития прототипа или  более подробной работы над ML-продуктами с дата-саентистами для создания профессиональных продуктов.
Продакт-менеджер Vprok.ru / Перекрёсток
Курс особенно подойдет для тех, кто находится со стороны бизнеса — руководителям продуктов и предпринимателям, но стремится применить машинное обучение и улучшить текущие процессы в своей компании за счет применения алгоритмов ML.

На мой взгляд, этот курс является хорошей отправной точкой для погружения как в создание ML-продукта, так и в машинное обучение, но больший упор делается всё же на продуктовую и бизнес-составляющие.
Продакт-менеджер Alibaba Group
Я прошёл этот курс, так как думаю, что современный менеджер продукта должен как минимум «на перспективу» знать о машинном обучении, чтобы не отстать от рынка в будущем. Курс позволил мне ещё раз структурировать свои знания об управлении продуктом, понять основы технологий машинного обучения, а также узнать о применимости этих технологий для решения разных задач бизнеса и продукта. Материал хорошо подготовлен и структурирован; чувствуется, что уже проведено несколько итераций подготовки. Преподаватели помогают понять сложные вопросы, дают обратную связь и с готовностью принимают её в ответ.
Член АССА, ex-KPMG
Отметил для себя в курсе полезные инструменты (список курсов в начале, инструмент Google Colab, поскольку реально головная боль устанавливать кучу ПО для занятия). Очень понравился обзор helicopter view on technologies, популярные библиотеки + примеры их использования: связка код + результат. Оценить Churn rate хорошая идея — может быть, стоит подыскать примеры того, какие вещи делают компании, чтобы удержать клиента, чтобы приземлить задачу на практику.
Менеджер продукта в банке Открытие
Рекомендую этот курс, так как понравилось заложенное в программе повторение важных аспектов продакт-менеджмента. Появился впервые опыт написания кода. Сформировалось примерное понимание разных моделей анализа. Лучше понял для себя, в чем заключается работа аналитика данных. Очень круто, что появляется сразу опыт программирования и что в принципе видишь сам код.
Студент МЭО Финансового Университета
Для меня были важны количество пройденных алгоритмов. Понравились разобранные метрики в продакт-менеджменте, предоставленные источники и ресурсы, сложность кода и его глубина. Рекомендую курс для продакт-менеджеров.
Студент ВШЭ
Спасибо Айре за проведенное занятие! Впечатлила общая логика работы с данными и построения модели. Рекомендую курсы Айры для диджитал-специалистов.
Вопрос-ответ
Вопрос-ответ
Для кого этот курс?
Предприниматели, венчурные инвесторы, основатели стартапов, менеджеры технологических продуктов и проектов, стремящие создать продукты с машинным обучением или улучшить текущие продукты с помощью алгоритмов машинного обучения
Зачем покупать этот курс?
Если вы нуждаетесь в следующих навыках:
— обладать достаточной технологической экспертизой для создания руками ML-прототипа или оценки потенциала любого продукта с машинным обучением
— управлять командой инженеров и аналитиков данных
— планировать создание и управлять продуктом с машинным обучением, чтобы масштабировать его в разы

— то скорей всего вы не пожалеете, пройдя курс.
Чем вы отличаетесь от других программ?
Мы одна из первых программ в мире по прототипированию с машинным обучением.

Программа уникальна, в первую очередь благодаря интересному опыту команды: у преподавателя курса, рецензентов и организаторов объединенный опыт разработки и управления продуктами в Mail.Ru Group, Yandex.Alisa, AI Labs Aitarget, скоринговом отделе Alfabank, а также бизнесовый в венчурных инвестициях, консалтинге и образовании.
В программе предусмотрены сессии с вопросами-ответами с менеджерами продуктов с машинным обучением компаний Amazon, Uber и т.д.

В программе предусмотрены несколько встреч с предпринимателями в сфере искусственного интеллекта, с менеджерами продуктов и инженерами данных технологических компаний, таких как Amazon и тд.
Нужно ли знание программирования и статистики для прохождения курса?
Понадобятся знания по Python и математике. Необходимо пройти входной тест и показать свои навыки, чтобы приступить к прототипированию. Почти все лабораторные будут предоставлены в формате Codelab.

Для тех, кто не чувствует себя уверено, мы заложили в начало курса интенсив-подготовку, но важно обратить внимание, что программа вместе с интенсивом получается дороже.
Когда будут проходить занятия и в каком формате?
Занятия будут проходить два раза в неделю в среду и субботу с 19:00 по 22:00 по zoom
Сколько часов обучения включает курс?
56 академических часов и более 40 часов практики, которые включают 8 лабораторий на реальных данных и системах, десятки личных консультаций по созданию своего продукта с машинным обучением. Защита проекта перед инвесторами.
Получу ли я сертификат?
Да, вы получите онлайн-сертификат. Но мы не обладаем образовательной лицензией, предоставляем консультационные услуги.
Оставьте заявку и получите скидку
Группам от двух человек скидка 40%. Действует до 25.08
Оставьте заявку и получите скидку
Группам от двух человек скидка 40%. Действует до 25.08

Нажимая кнопку, вы принимаете условия обработки данных

Пишите ваши вопросы на почту

support@maths-h.com

или пишите в Telegram на @terrainco

с пометкой «Курс по созданию ML-продукта»

Пишите ваши вопросы на почту

support@maths-h.com

или пишите в Telegram на @terrainco

с пометкой «Курс по созданию ML-продукта»