Научись видеть ML-задачи в своем продукте и подходить к их решению структурно, чтобы разговаривать с data scientist-ами на одном языке, эффективнее развивать продукт и повышать личную ценность на IT-рынке.
Основы ML
для продакта
Симулятор
Знания ML не нужны
50+ задач, 5+ кейсов
Авторы: PM Booking.com
Студентам нравится
практиковаться с нами
практиковаться с нами
3000+
34%
4.7/5
студентов с 2020 года
приходят по рекомендации коллег
средняя оценка симуляторов
18000+
продактов в комьюнити
"Да, стало понятнее многое: какие задачи решаются с помощью ML, какие параметры нужно учитывать при построении модели и другое. Спасибо!"
"Курс дает базовое понимание как работает ML в продуктах, за что ему и спасибо. Главное, что я вынес для себя - он помогает понять когда и при каких задачах его можно эффективно применять. Спасибо!»
"Отличные примеры и как всегда есть коварные уловки! Хотелось бы ещё заданий, где нужно покопаться в данных"
"Отличный курс, дает очень хорошее базовое представление о ML, оценке и использовании! Чистосердечное 5!"
"Спасибо, очень полезный курс, понравилось закрепление теории обязательной практикой, примеры приближенные к жизни, начинаешь по-другому смотреть на продукты, которыми пользуешься ежедневно."
"Было интересно и познавательно.Сам курс мне понравился. Курс решил пройти, чтобы лучше быть готовым к курсу "ML для продактов".
Почему будущее за ML продактами?
Инициативы в области искусственного интеллекта внедряются повсюду. С помощью ML алгоритмов предупреждают о сердечных заболеваниях и обнаруживают аномалии, прогнозируют погоду, распознают лица. Машинное обучение активно используется в рекомендательных системах, чат-ботах, в беспилотных автомобилях, чтобы «видеть» дорогу.
Недавний опрос мировых бизнес-лидеров показал, что 70% запустили инициативы в области AI. Чем больше компаний изучают и внедряют машинное обучение, тем сильнее растет спрос на ML продактов.
Недавний опрос мировых бизнес-лидеров показал, что 70% запустили инициативы в области AI. Чем больше компаний изучают и внедряют машинное обучение, тем сильнее растет спрос на ML продактов.
Курс для тебя, если ты
Хочешь понимать основы ML
Вокруг ML много хайпа, но за ним скрывается полезный инструмент. ML-задачи встречаются продактам, проджектам и даже маркетологам.
Хочешь увеличить свою зарплату
Продакты с ML компетенциями сейчас востребованы как никогда раньше. AI PM в среднем зарабатывают на ~20% больше, чем PM общего профиля.
Хочешь работать в IT-гигантах
Apple, Amazon, Google и другие компании активно внедряют ML в свои продукты, а значит, ищут продактов, которые способны работать с ML.
Чему учит курс
PM без ML знаний
PM с основами ML
Знаю классы задач, эффективно решаемые ML, и вижу их в продукте
Вижу структуру подхода и последовательность шагов
Примерно представляю, с каких фичей начать
Не понимаю, когда ML полезен, а когда нет
Не понимаю, как подступиться к задаче
Непонятно, как управлять Data Scientist’ами
Четко понимаю, какой вклад в решение задачи я могу внести как продакт
Не понимаю, какие данные нужны
Не совсем понимаю, что именно продакт (а не Data Scientist) должен знать про ML
Знаю главные понятия, могу общаться на их языке
Авторы симулятора
- Владимир КалмыковLead Product Manager, Tech platform solutions
Booking.com AmsterdamВедет продуктовый департамент, развивает Trips продукты, использует ML на практике как не-ML продакт.
- PhD, 9 лет в продакт-менеджменте
- Запускал платформы контента, платежей, путешествий
- Преподавал в Laba, ProductStar, Geek Brains, Epic Growth
- Андрей МендеДействующий Senior Machine Learning PM
Booking.com AmsterdamПрименяет методы машинного обучения, чтобы улучшать рекомендательные системы в Booking.com.- 11+ лет в продакт менеджменте
- Запускал продукты в Яндексе (вертикаль поиска)
- Обучил 1,000+ продактов на различных платформах
- Master of Business Administration (MBA)
Чем курсы ProductDo отличаются от других?
От лидеров ждут результатов, а не теоретических идей. Поэтому цель любого курса - превратить знания в навык, решая много задач и проблем.
А еще студенты отмечают:
А еще студенты отмечают:
- структурный подход обучения (от простого к сложному)
- конкретные инструменты
- полезные дополнительные материалы
- незаезженные статьи разного уровня сложности
Ключевая ценность - иммерсивные задания, которые неотличимы от работы с реальным продуктом. Решая их, ты попробуешь прожить 10+ лет опыта в концентрированной истории.
Что отметили ученики:
Что отметили ученики:
- сценарная игра и погружение в увлекательные кейсы
- персонажи из реальной компании: CEO, CTO, Enginering Manager, коллеги-продакты
- формат диалога с разбором ошибок, подробный фидбэк
- самостоятельное прохождение в любое время
Продукты созданы для продактов, которые хотят расти: студенты решают такие же практические задачи, с которыми ежедневно сталкиваются опытные PM-ы в международных компаниях. Основная цель при выборе кейсов - показать, что продукты и проекты бывают очень разными. Это сложно понять, если работаешь 5 лет над одним продуктом и проходишь курсы, которые повторяют уже существующие знания.
Что крутого:
Что крутого:
- курсы учат применять навыки на работе
- курсы расскажут, как четко структурировать знания в голове
- в любое время можно освежить знания по чек-листу
- если техника не подведет, то доступ к материалам будет неограничен
В курсы вложен опыт, применяемый каждый день: 7+ лет построения продуктов в боевых условиях в таких компаниях как Booking.com, Wolt, Flo.
Что это дает студенту:
Что это дает студенту:
- возможность практиковаться на реальных задачах и факапах международных компаний
- посмотреть опыт глобальных продуктов и позадавать вопросы типа «а как там у них это работает?»
- узнать о возможностях вырасти в карьере и попасть в большую компанию
Программа курса
На протяжении 7 уроков мы рассмотрим все этапы создания ML-модели для 5 кейсов внутри компании по аренде городских велосипедов. Приготовься стать новым продактом стартапа и принять 50+ продуктовых решений вместе с коллегами: CEO, Principal PM, маркетологом, data scientist.
Вокруг ML много хайпа. Урок расскажет, как преодолеть его и сразу построить настоящую модель, полезную для бизнеса, а заодно определить основные понятия ML-задач.
В уроке:
→ О том, что ML-модель можно построить прямо в Excel-ке
→ Основные понятия ML: фичи (feature), целевая функция (target), тренировочный сет (training set), модель (model)
Как это выглядит:
→ Помогаем CEO решить задачу спроса на арендные велосипеды
→ Тренируемся определять на разных кейсах из индустрии что есть фичи, целевая функция, тренировочный сет
В уроке:
→ О том, что ML-модель можно построить прямо в Excel-ке
→ Основные понятия ML: фичи (feature), целевая функция (target), тренировочный сет (training set), модель (model)
Как это выглядит:
→ Помогаем CEO решить задачу спроса на арендные велосипеды
→ Тренируемся определять на разных кейсах из индустрии что есть фичи, целевая функция, тренировочный сет
Хотя продактам и не нужно понимать внутренность алгоритмов, им крайне важно уметь видеть из множества задач те, которые эффективнее решить с помощью ML, а какие - по старинке или вообще обойти стороной.
В уроке:
→ Основные типы ML-задач (регрессия, классификация, ранжирование и тд) на примерах из индустрии
→ Какие задачи лучше обходить стороной
→ Какие задачи не требуют ML вообще
Как это выглядит
→ Помогаешь коллегам с работы (CFO, Marketer, Jr.PM, CEO) определить класс их задачи
В уроке:
→ Основные типы ML-задач (регрессия, классификация, ранжирование и тд) на примерах из индустрии
→ Какие задачи лучше обходить стороной
→ Какие задачи не требуют ML вообще
Как это выглядит
→ Помогаешь коллегам с работы (CFO, Marketer, Jr.PM, CEO) определить класс их задачи
Когда продакт увидел, что задача относится к одной из известных категорий, крайне важно понять, какие критические данные нам понадобятся, чтобы построить быстрый MVP, и где эти данные достать.
В уроке:
→ Как определять фичи для тренировки первой версии модели
→ Из каких пяти источников можно достать тренировочные данные
Как это выглядит
→ Помогаешь коллегам с работы определить основные фичи для их кейсов
→ Придумываешь, где взять данные для этих фичей
В уроке:
→ Как определять фичи для тренировки первой версии модели
→ Из каких пяти источников можно достать тренировочные данные
Как это выглядит
→ Помогаешь коллегам с работы определить основные фичи для их кейсов
→ Придумываешь, где взять данные для этих фичей
Когда продакт "увидел" полезную бизнесу ML-задачу, выбрал первые фичи и даже раздобыл датасеты тренировочных данных, он передает фронт работ дата сайентистам. Дальше происходит магия, и обсуждение возвращается к продакту, когда приходит время говорить о метриках качества модели (следующий урок). Но какой продакт не хочет тоже немного понимать в магии!
В уроке:
→ Какие шаги делает дата сайентист при построении модели
→ Откуда берутся тренировочный и тестовый сеты
→ Как модель усложняется при необходимости учитывать более сложные зависимости
Как это выглядит
→ Вместе с Data Scientist-ом смотришь на данные и Python код модели спроса на велосипеды
→ Усложняешь модель до нелинейной
→ А потом и до модели с друмя переменными
В уроке:
→ Какие шаги делает дата сайентист при построении модели
→ Откуда берутся тренировочный и тестовый сеты
→ Как модель усложняется при необходимости учитывать более сложные зависимости
Как это выглядит
→ Вместе с Data Scientist-ом смотришь на данные и Python код модели спроса на велосипеды
→ Усложняешь модель до нелинейной
→ А потом и до модели с друмя переменными
Как и с продуктовыми метриками, продакту не нужно быть мастером деталей, но важно понимать результат обученной модели и уметь обсуждать его с командой аналитиков.
В уроке:
→ Что дата саентист выдает не одну модель, а несколько версий
→ Что такое Recall, Precision, F1 score для модели классификации и зачем они нужны
→ Что такое RMSE и MAR для модели регрессии и зачем они нужны
Как это выглядит:
→ Учимся на кейсах считать Recall, Precision, F1 score
→ Выбираем версию модели на основе понимания бизнес-кейсов
В уроке:
→ Что дата саентист выдает не одну модель, а несколько версий
→ Что такое Recall, Precision, F1 score для модели классификации и зачем они нужны
→ Что такое RMSE и MAR для модели регрессии и зачем они нужны
Как это выглядит:
→ Учимся на кейсах считать Recall, Precision, F1 score
→ Выбираем версию модели на основе понимания бизнес-кейсов
Настало время применить все полученные знания к новой задачке от нашего CEO.
В уроке:
→ Как применять полученные знания от начала до конца
Как это выглядит:
→ Решаешь задачу по предсказанию LTV пользователей
В уроке:
→ Как применять полученные знания от начала до конца
Как это выглядит:
→ Решаешь задачу по предсказанию LTV пользователей
Обсудим, как ML-скиллы связаны с остальными продуктовыми навыками: аналитикой, технологиями и A/B-тестированием.
В уроке:
→ Как ML связан с API/сервисами, A/B-тестированием, аналитикой
→ Куда расти в теме ML дальше - профессия PM AI
Как это выглядит:
→ Получаешь суммирующий чек-лист и ссылки для дальнейшего изучения
→ Получаешь именной сертификат
В уроке:
→ Как ML связан с API/сервисами, A/B-тестированием, аналитикой
→ Куда расти в теме ML дальше - профессия PM AI
Как это выглядит:
→ Получаешь суммирующий чек-лист и ссылки для дальнейшего изучения
→ Получаешь именной сертификат
Стоимость
Беспроцентная рассрочка от СберБанка
Платеж можно разделить на 6, 9 или 12 месяцев. Первый платёж через месяц. Для оформления нужна дебетовая карта СберБанка, паспорт РФ, доступ в СберБанк онлайн. Решение банка придет в течение 2 минут.
Как оплатить
Нажми "Купить в рассрочку" → заполни email-форму → на странице оплаты выбери способ "Рассрочка от СберБанка".
Симулятор
13'000 ₽
• 50+ практических задач
• Шаблоны для использования в работе
• ∞ доступ к материалам
• Оплата со счета компании
• Документы для бухгалтерии
Чем наши курсы отличаются от других?
От лидеров ждут результатов, а не теоретических идей. Поэтому цель любого курса - превратить знания в навык, решая много задач и проблем.
А еще студенты отмечают:
А еще студенты отмечают:
- структурный подход обучения (от простого к сложному)
- конкретные инструменты
- полезные дополнительные материалы
- незаезженные статьи разного уровня сложности
Ключевая ценность - иммерсивные задания, которые неотличимы от работы с реальным продуктом. Решая их, ты попробуешь прожить 10+ лет опыта в концентрированной истории.
Что отметили ученики:
Что отметили ученики:
- сценарная игра и погружение в увлекательные кейсы
- персонажи из реальной компании: CEO, CTO, Enginering Manager, коллеги-продакты
- формат диалога с разбором ошибок, подробный фидбэк
- самостоятельное прохождение в любое время
Продукты созданы для продактов, которые хотят расти: студенты решают такие же практические задачи, с которыми ежедневно сталкиваются опытные PM-ы в международных компаниях. Основная цель при выборе кейсов - показать, что продукты и проекты бывают очень разными. Это сложно понять, если работаешь 5 лет над одним продуктом и проходишь курсы, которые повторяют уже существующие знания.
Что крутого:
Что крутого:
- курсы учат применять навыки на работе
- курсы расскажут, как четко структурировать знания в голове
- в любое время можно освежить знания по чек-листу
- если техника не подведет, то доступ к материалам будет неограничен
В курсы вложен опыт, применяемый каждый день: 7+ лет построения продуктов в боевых условиях в таких компаниях как Booking.com, Wolt, Flo.
Что это дает студенту:
Что это дает студенту:
- возможность практиковаться на реальных задачах и факапах международных компаний
- посмотреть опыт глобальных продуктов и позадавать вопросы типа «а как там у них это работает?»
- узнать о возможностях вырасти в карьере и попасть в большую компанию
В ProductDo учатся
Все еще сомневаешься?
Пройди бесплатный урок симулятора
Получи в telegram-боте записи вебинаров на разные темы:
- аналитика и метрики,
- продуктовое интервью,
- технический кейс,
- карта скиллов,
- A/B тестирование.
30 минут практики, более 20 реальных задач, которые дают представление о буднях продакта в международной компании. Также это простой и быстрый способ понять, как обучает симулятор ProductDo.
- Анна, преподаватель ProductDoУх, вроде все расписали... Остались вопросы?
Справа ссылка на чатик, пиши.
Попробуй себя продактом
Получи 30 минут практики в симуляторе продакт-менеджера: предложи гипотезы, рассчитай юнит-экономику, построй отчет в Mixpanel, напиши SQL запрос, вызови API.