Основы ML
для продакта

Вокруг ML много хайпа. Преодолеем его и сразу построим настоящую модель, полезную для бизнеса, а заодно определим основные понятия ML-задач.

Что ты узнаешь:
→ 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.

Что ты узнаешь:
→ 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.

Что ты узнаешь:
→ 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!

Что ты узнаешь:
→ 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.

Что ты узнаешь:
→ 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.

Что ты узнаешь:
→  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.

Что ты узнаешь:
→ 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