Искусственный интеллект (Machine Learning) для руководителей

О курсе

Курс даёт системное понимание, как системы искусственного интеллекта для бизнеса могут оптимизировать управленческие и производственные процессы.

В программе рассматриваются основные модели машинного обучения, их применимость к реальным бизнес-задачам, а также методы сбора, очистки и анализа данных.

 Слушатели научатся выбирать ИИ решения под конкретные задачи компании, оценивать эффективность моделей и принимать обоснованные управленческие решения на основе данных. Отдельное внимание уделяется управлению проектами внедрения ИИ в компании — от разработки стратегии до оценки результатов и управления рисками.

Программа ориентирована на обучение практическому применению ИИ для руководителей в повседневной управленческой деятельности и не требует технической подготовки.

Курс содержит примеры из различных отраслей экономики, что позволяет получить готовые сценарии для применения, на практических занятиях можно обсудить с тренерами возможные подходы к решению задач слушателей.  

Для кого этот курс

• Руководители структурных подразделений
• Руководители ИТ проектов

Приобретаемые навыки

После завершения курса слушатели получат навыки, позволяющие им:

• • Понимать основы машинного обучения: основные концепции и методы.
  • Корректно собирать, очищать и анализировать большие объёмы информации, выявлять закономерности и формулировать обоснованные выводы на основе данных.
  • Оценивать эффективность и точность моделей машинного обучения для принятия обоснованных решений на основе данных.
  • Управлять проектами внедрения ИИ в бизнес: разработка стратегий, оценка рисков и управление результатами.
  • Применять различные модели машинного обучения для решения бизнес-задач.

Программа

1. Введение в искусственный интеллект и машинное обучение
2. Виды моделей машинного обучения и категории задач для применения ИИ
3. Разбор кейсов применения ML-моделей в бизнес-задачах
4. Наука о данных и инструменты анализа данных
5. Этапы разработки и применения ML-модели
6. Разбор кейсов поэтапной разработки и внедрения ML-моделей
7. Анализ кейса: где и как применить ML-модель (идентификация задачи)
8. Погружение в этап сбора и обработки данных, оценка достаточности данных
9. Погружение в этап создания модели, классификация и регрессия
10. Практическое задание на обработку данных и выбор модели
11. Управление проектами ИИ. Стратегия внедрения ИИ. Оценка результатов внедрения
12. Разбор кейсов управления проектами ИИ и внедрения ИИ