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.

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.

Визуализация с matplotlib. Расширенная визуализация с Matplotlib. Визуализация с Pandas. Интерактивная визуализация с Plotly. Определение вероятности. Случайная величина. Показатели центра распределения. Нормальное распределение.

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.

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.

Завтраки в Москве и других городах. Онлайн-нетворкинг для знакомства.

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

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.

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

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.

Две встречи с AI-предпринимателями. Митап с ребятами из ODS. Data-завтраки. Созвоны с группой

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.

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.

Работа над проектами в совместном режиме. Финализация интерфейса прототипа. Подготовка проекта к релизу, тестирование.

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.

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.

Подготовка к маркетингу продукта. Позиционирование, подготовка к релизу. Отслеживание воронки до этапа активации и после. Подготовка медиаплана для старта.

Встречи с руководителями AI-продуктов в крупных компаниях. Взгляд на развитие продукта с большими данными. Онлайн-созвоны и Data-завтраки.

Разбор большого кейса в Amplitude — анализ данных пользователей. Продуктовый анализ. Ретеншн. Когортный анализ пользователей. Расчеты конверсий. Эксперименты. Анализ состояния метрик продукта. Выводы.

Непараметрические, многопараметрические тесты. Байесова автоматизация. Roll-out тесты. Многорукие бандиты. Разбор кейса экспериментальной платформы.

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.

Общение с инвесторами и менторами. Обмен обратной связью внутри группы.

Офлайн-защита проектов перед инвесторами для первой части группы

Офлайн-защита проектов перед инвесторами для второй части группы. Закрытие. Afterparty.

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.

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.

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.

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.

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.

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.

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.

Спасибо Айре за проведенное занятие! Впечатлила общая логика работы с данными и построения модели. Рекомендую курсы Айры для диджитал-специалистов.