Data experience
design

Бесплатный офлайн‑курс
по управлению проектами
в Data Science от экспертов
и практиков, основанный
на реальных кейсах

Записаться на курс

Бесплатный офлайн‑курс
по управлению проектами
в Data Science от экспертов
и практиков, основанный
на реальных кейсах

Бесплатный
курс

2 месяца
обучения

Старт
24 апреля

Оплачиваемая
стажировка

Реальные кейсы
Лекторы‑практики

Для кого курс

Project & product
managers

Научим применять опыт из ритейла,
банковской сферы и других отраслей
в Data‑Science‑проектах

Руководители
команд и отделов

Научим лучше понимать свою команду
и использовать новейшие инструменты
управления проектами

IT-специалисты

Расскажем об особенностях проектов в Data Science
и поможем вырасти в руководителя

Узнаете как

01.

Применять Agile,
Scrum, Kanban
в управлении проектами

02.

Структурировать
проекты в области
Data Science

03.

Разбираться
в особенностях
IT‑проекта Data Science

04.

Сделать из исследования
продакшн‑систему

05.

Взаимодействовать
с командой проекта:
от бизнес‑аналитиков
до инженеров по
машинному обучению

06.

Оценивать проекты
различными способами

07.

Успешно вести проект
в области Data Science
с учётом требований
клиента и особенностей
процесса разработки

Программа обучения

01.

Вводное занятие

  • - Зачем вам этот курс?
  • - Что такое DS, и чем DS‑проект отличается от других IT‑проектов?
  • - Data Experience Design: концепция полного цикла работы с данными

02.

Группы задач,
решаемых
с помощью DS

  • - Оптимизационные задачи
  • - Предиктивная аналитика
  • - Обработка естественного языка
  • - Компьютерное зрение

03.

База проектного менеджмента

  • - Планирование работы над продуктом
  • - Roadmap проекта
  • - Приоритезация фич
  • - Треугольник талантов руководителя проектов
  • - Метрики продукта
  • - Проект, программа, портфель проектов и операционная деятельность компании
  • - Проектная документация

04.

Подробнее
о DS‑проектах

  • - Основы машинного обучения
  • - Описательная статистика
  • - Прогнозирование
  • - Эксперименты
  • - Вывод
  • - Развитие и применение двух подходов в бизнесе (Statistics & ML)

05.

Построение
процесса работы
в DS‑проекте

  • - Генерация гипотез
  • - Сбор и подготовка данных
  • - Эксперименты (jupiter-notebooks)
  • - Валидация результатов
  • - Внедрение в продакшн
  • - Корректировка моделей
  • - Документация проекта

06.

Команда DS‑проекта

  • - Чем различаются роли Аналитик, Аналитик по данным, Бизнес‑Аналитик
  • - Роль Архитектор
  • - Роль Бэкэнд
  • - Роли Data Scientist, ML‑инженер, Data Engineer
  • - Роль DS Manager
  • - Взаимодействие между ролями: Product manager, Project manager, Product owner

07.

Инструменты для ведения DS‑проектов

  • - Kanban
  • - Lean
  • - Retro
  • - Adaptive & Extreme Agile
  • - Asana, Jira, Trello, Gitlab

08.

DS и реальность

  • - Целеполагание (+техническое задание ML‑проекта)
  • - Оценка эффекта от проекта (+метрики бизнеса и метрики алгоритма)
  • - Результаты работы
  • - Research ML vs Production ML
  • - Автономность команд
  • - Настройка сквозной аналитики

09.

Инструменты DS
и взаимодействие
с инфраструктурой

  • - Генерация гипотез
  • - Список экспериментов
  • - Аналитика
  • - Система контроля версий
  • - Выходные данные или результат работы DS‑команды
  • - Визуализация
  • - Валидация
  • - Обмен данными по API
  • - Пайплайны анализа, экспериментов, валидации
  • - Разметка данных

10.

Схемы финансирования
DS‑проектов

  • - Модели монетизации
  • - Юнит-экономика
  • - Fixed Price
  • - T&M
  • - Success Fee

11.

Риски и конфликты

  • - Идентифиция рисков
  • - Количественные и качественные оценки рисков
  • - Стоимостные оценки рисков
  • - SWOT-анализ
  • - Управление коммуникациями и конфликт-менеджмент

12.

Структура DS‑проекта
со стороны клиента
и команды разработки

  • - Какой вопрос/проблему бизнеса мы решаем? (описательные/исследовательские/казуальные/статистические?..)
  • - Разведочный анализ данных (достаточно ли у нас данных, чтобы решить задачу?), sketch the solution
  • - Формальное моделирование
  • - Интерпретация результатов (можно ли внедрить решение в бизнес?)
  • - Валидация и обратная связь
  • - Операционная поддержка
  • - Планирование проекта: управление сроками, ресурсами и прочее.

13.

Сбор, хранение
и обработка данных

  • - Data Lake, Data Warehouse
  • - Хранение персональных данных
  • - Обезличивание данных
  • - Инструменты: Python, R, PostgreSQL, MongoDB, Hadoop, Spark, C# и прочие
  • - Cloud Solutions (AWS и др.)
  • - Big Data
  • - Умение видеть потоки данных

14.

Клиенты и процессы

  • - Анализ рынка и конкурентов
  • - Формирование ценностного предложения
  • - Анализ опыта клиентов
  • - Описание пользовательских сценариев
  • - Проектирование интерфейсов
  • - Углубленный Customer Development
  • - Выстраивание эффективных процессов в организации

Показать всеСвернуть

Партнеры курса

Павел Подкорытов

ceo napoleon it

«Наконец-то твоя мама
будет довольна!»

Глеб Радченко

Директор Высшей школы
электроники и компьютерных
наук ЮУрГУ

«Инвестируй в себя»

Дмитрий Ботов

Заведующий лабораторией
машинного обучения
анализа данных Челгу

«Создавать новые продукты
в Data Science может только
профессионал»

Прием заявок
Окончен

Прием заявок до 19 апреляschool@napoleonit.ru+7 950 743-97-38