Visão Geral

O Curso Inteligência Artificial para Gerentes de Produto fornecerá aos gerentes de produto uma compreensão funcional da Inteligência Artificial (AI). Os alunos explorarão através de workshops práticos como definir uma meta e um caso de negócios para a IA, quanto tempo leva para construir esse sistema e como projetar o plano do projeto e muito mais.

Este curso começa explorando o ecossistema de IA e as diferenças entre IA, Machine Learning (ML), Deep Learning e Natural Language Processing (NLP). Em seguida, os alunos aprenderão como a IA funciona com dados, incluindo terminologias e fluxos de trabalho. O curso termina com uma discussão sobre o que os cientistas de dados fazem, o que é engenharia de recursos e o que torna um cientista de dados 'matador'. 

Objetivo

Após este Curso Inteligência Artificial para Gerentes de Produto, você será capaz de:

• Descreva um produto de programa de IA em potencial
• Identifique como a IA usa os dados
• Avalie o ROI de um aplicativo de IA

Materiais

Conteúdo Programatico

What is AI? 

1. Overview of AI ecosystem
2. AI vs. ML vs. Deep Learning vs. NLP vs. Time Series vs. …

Why Now? 

1. Why AI is applicable today?

Data and AI 

1. Data requirements for AI/ML
2. Quality, quantity and application
3. What data are useful for AI and what data are not
4. Labeling the data
5. Test and Train splits

Data Science Terminologies 

1. A summary of all keywords and what they mean

Data Science Workflow 

1. What does a data scientist do?
2. AI/ML is a repetitive process
3. Feature engineering
4. What is time consuming in building an AI system
5. What makes a data scientist a killer data scientist?

BlackBox vs. GlassBox 

1. Explainable AI vs. Unexplainable AI
2. Is a Blackbox approach useful?

Accuracy and Performance Metrics 

1. Evaluating AI algorithms performance can be tricky
2. Is accuracy enough? Can it mislead us?
3. What other metrics to look at?

ROI Evaluation for an AI Application 

1. It is dependent on the business case
2. New insights
3. Accuracy improvements
4. Manual time savings
5. AI Algorithms (Concepts) – Supervised vs. Unsupervised Learning 

Decision trees

1. Bayesian methods
2. regression
3. KNN
4. Neural networks and deep learning
5. Etc.

AI Applications 

1. Forecasting Algorithms + use cases
2. Recommendation Engines + use cases
3. Classification vs. Clustering + use cases
4. Chatbots and Virtual Agents + use cases
5. Deep Learning + use cases
6. Image and Video Processing + use cases
7. Time series + use cases

AI in Real World 

1. Maintenance and updating AI models
2. How to get better over time?

Can AI Be Biased? 

1. The consequences of bias
2. How to discover the biases
3. How can we prevent them

Project Management of an AI Project 

1. What is actually time-consuming for data scientists
2. Time estimates for each step of AI/ML process
3. A/B testing of AI/ML models
4. Production considerations
5. What can go wrong in a project plan

AI product Strategy and Communication 

1. There is more than one way to build an AI product
2. How the design can affect the ROI
3. How to Communicate with Stakeholders
4. What is hype and what is really deliverable