Обучение анализу больших данных и работе с хранилищами, 1 курс
На чтение
4 мин.
Просмотров
122
Дата обновления
10.02.2025
В подборке {this.count} – курсы по Big Data: обработка данных, Hadoop, Spark, машинное обучение и работа с распределёнными системами.
| Платформа | Курс | Трудойстройство | Сложность обучения | Тип обучения | Формат обучения |
|---|---|---|---|---|---|
| productstar.ru | Менеджмент AI- и BigData-продуктов | курс | онлайн |
После нажатия на кнопку "Обучение", вас перенаправят на новую страницу, где можно будет выбрать и начать изучение курса. Ссылки в этом материале всегда актуальны, поэтому вы можете смело ими пользоваться. Желаем всем успехов!
Менеджмент AI- и BigData-продуктов
О курсе⁚
Научитесь управлять и создавать продукты с использование искуственного интелекта и больших данных. Освоите с нуля подходы для создания высокотехнологичных продуктов и повысите свою востребованность на рынке. Обучение от практиков AI и ML c практическим заданиями на реальных кейсах.
Основные параметры курса:
- Язык курса⁚ Русский
- Цена⁚ 45 540 ₽
- Длительность обучения⁚ 2 мес.
Программа курса⁚
- Определение бизнесовых точек роста компании, в которых может помочь ML
- AI-продукты и машинное обучение
- Чек-лист внедрения ML-задач в компании и команде
- Лучшие практики работы с BigData/ML-командой
- Работа с датасетами и моделями. Выбор фичей
- Workshop: создание и запуск датасета
- Валидация бизнес-результатов запуска AI/ML функциональности
- Technical Product Manager
- Введение в блок SQL
- Извлечение данных и операторы
- Фильтрация данных и условия
- Знакомство с машинным обучением
- Введение в нейронные сети
- Введение (рекомендательные системы)
- Методологии анализа больших данных и организации команды. CRISP-DM
- Культура сбора и источники данных / Улучшение качества работы с данными
- Основы работы в Hadoop и MapReduce
- Основы архитектуры хранения и обработки больших данных, виды обработки и масштабирования
- Soft skills для продакта
- Защита своего проекта и идей перед командой и руководителями
Чему вы научитесь⁚
- Оценка профита и трудоёмкости AI/ML-функциональности.
Снижение рисков неудачного завершения AI/ML-проектов. Разбор кейсов внедрения и оценки AI-задач. - Работа с командами разработки, аналитики и маркетинга, защита своих идей, работа со смежниками, удержание и мотивация сотрудников
- Нюансы при общении с AI- и ML-командой: Достаточно ли обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных?
- Выбор «фич» в ML, особенности датасетов, сбор и очистка данных, выбор, составление и обучение ML-модели