Инженер данных

Динамическое ценообразование (курс Hard ML)
Недавно завершил обучение по блоку «Динамическое ценообразование» и в целом я, конечно, доволен. Утвердительно могу сказать, что материал понятен и оформлен в доступном виде. Считаю, что для учебы система блока организована оптимально. Поддержка работает оперативно. С уверенностью могу рекомендовать данный блок для тех, кому данная тема крайне необходима.

Отличный курс для погружения в высокоуровневую архитектуру.
Шел упорядочить знания и 31узнать что-то новое. Не с «нуля».
Подача материала и задания были интересными. Требовали инвестиций времени, но как и любое другое обучение. В среднем уходило по 8-10 часов в неделю. Это для более-менее подготовленного специалиста. Если идти прям без особых технических знаний — то надо быть готовым инвестировать больше времени, более детально погружаться в основы проектирования инфо систем сначала.
Формат обучения, платформа — удобные. Никаких нареканий не вызвали. Почти все проверки автоматизированы — получаешь моментальную обратную связь. Часть задач (более творческих) — проходят ручную проверку экспертами.
Другие продукты от команды Karpov. COURSES Пока не пробовал. Но планирую.
Могу рекомендовать данную платформу и данный курс к обучению.

Start ML — курс для тех, кто действительно пришел учиться
Я проходила курс Start ML.

Я работаю аналитиком данных и хотела изучить методы машинного обучения, для того, чтоб применять их в работе и дальше развиваться уже в этом направлении.

Курс Карпова я выбрала, так как давно о нем знаю, проходила его бесплатный курс на степике по статистике. Тогда он мне понравился понятным и структурированным объяснением.

Я давно смотрела на разные курсы на платформе, и наконец приняла решение пройти курс.

Сам Карпов в этом курсе не ведет никакие блоки, но лекторы здесь мне тоже понравились.

Еще очень понравились кураторы курса, которые всегда старались пойти на встречу. У меня не возникало много проблем, чтоб оценить их помощь со всех сторон, но с теми вопросами, которые у меня возникали, они помогали быстро.

Мне понравилась быстрая адаптация под реалии — заблокировали ютуб, потом дискорд, решение находилось бытро, ничего не мешало учиться.

Курс понятный — ты смотришь лекцию, есть конспект этой лекции в текстовом виде, потом проходишь тесты/задания. Советую не разбивать сильно просмотр лекции и выполнение задания по времени, так как потом тяжело включиться в контекст. Задания в основном понятные, но есть так же небольшие дополнительные подсказки к решению. Так же можно задавать вопросы в чатах — эксперты либо однокурсники смогут ответить. И на сайте есть ИИ Ева, к которой тоже можно обратиться:)

Нужно закладывать много времени на прохождение курса, так как информации очень много, быстро просмотреть и прощелкать тест точно не получится. Тем более если хотите вынести полезные знания из обучения.

В целом курс я рекомендую тем, кто действительно пришел учиться, и готов тратить достаточно для этого времени.

Мой моз кричал «спасите», а теперь уверенно обрабатывает данные
Я успешно завершила курс «Инженер данных с нуля», и это было моё первое серьёзное обучение в IT-сфере. Честно говоря, я сомневалась, что дойду хотя бы до середины. Начинала я с полного нуля, без какого-либо бэкграунда в этой области (по образованию — физик). Да, временами было действительно сложно: на некоторые домашние задания уходило море времени и сил. Но я осталась в полном восторге от обучения!

Что мне особенно понравилось — это огромное количество практики. Каждая тема включала видеоурок, конспект, теоретический квиз и нетривиальные домашние задания, которые заставляли действительно вникать в материал и закреплять новые знания. Отдельно хочу отметить удобную обучающую платформу: материалы курса изложены понятно и логично, в любой момент можно вернуться к нужной теме. Также у нас был отдельный чат с кураторами и экспертами: каждую тему обсуждали в соответствующих ветках, что делало процесс общения более структурированным и удобным. В любой момент можно было задать вопрос и получить помощь. Конечно, задания за нас никто не решал, но в нужное русло направляли — и мы разбирались:) В общем, атмосфера на потоке была доброжелательной.

Возможно, кому-то не понравится система дедлайнов (две недели на каждую тему без потери баллов), если он предпочитает обучаться в своём темпе. Меня же такой подход устроил — совмещать с работой получилось.

Минусов не нашла, правда. Если есть желание и усердие — всё получится!

Этот курс стал для меня отличным стартом в мире данных. Теперь я задумываюсь о том, чтобы продолжить обучение и приобрести ещё один курс — но уже для более продвинутых аналитиков. Очень надеюсь, что у меня получится сменить профессию.

Аналитика Данных — курс-огонь!
С ноября 2024 по май 2025 учился на курсу Аналитик данных. Успешно его закончил.
Очень динимичная и обширная программа. А именно: Python базовый, Python для аналитики (Pandas, Seaborn, Matplotlib и др.), PYTHON Для статистики, SQL, GIT, DataLense, Airflow, продуктовая аналитика, статистика. Дружественная атмосфера с поддержкой от экспертов. Дружное комьюнити студентов.
Замечательные лекторы, особенно Анатолий Карпов, простым языком, ясно и понятно.
Пришел на курс по реккомендации товарища, теперь сам могу смело реккомендовать!

Курс «Аналитик данных»
Очень достойный курс. Дает общую базу, которую вполне хватит для уровня джуна. При этом объясняет не только прикладные моменты, но и формирует целостное понимание по каждому модулю, что особенно важно, например, для модуля Статистики.

Информации даётся много. Местами приходилось даже что-то пропускать, чтобы успеть в дедлайны. Но доступ к курсу будет открыт навсегда, поэтому всегда есть возможность вернуться и повторить.

Поддержка кураторов однозначно была. Причем многие вопросы задаются в отдельный чат урока, который видят все, из-за чего можно найти ответы на свои вопросы, которые кто-то уже задавал ранее, что повышает оперативность работы.

Также очень сильно пригодился неограниченный доступ к нейросети, предоставляемый площадкой на время обучения. Это оказалось крайне полезным, потому что нейросеть могла быстро дать развернутый ответ по многим нюансам. В то время как с кураторами этот же вопрос разбирался бы дольше.

Почему в любом возрасте стоит учиться аналитике данных на Karpov. Courses
Поступил на курс «Аналитик данных» (он же StartDA) 14 ноября 2024 года и за 5,5 месяцев успешно его закончил. Я гуманитарий и опасения, что не справлюсь, были, но подача материала, большое количество практики, поддержка самой платформы, ИИ-чата платформы, сообщества студентов и экспертов курса в мессенджере «Пачка» очень помогли не опустить руки и успешно завершить курс.

Мне 53 года и я хочу сменить профессию, затем и пошел учиться. Несмотря на то, что рынок аналитики большой и специалисты требуются, на свежих выпускников курсов не смотрят как на реальных кандидатов, обязательно нужен опыт даже для самых стартовых позиций, а в моем возрасте и на стажировку не берут, их идеальные претенденты — студенты и выпускники вузов. Я не сдаюсь, рассылаю резюме и готовлюсь делать пет-проекты.

Тем не менее ожидания от учебы оправдались полностью, на 10. Матерала много, подается легко и если учишься, то всё усвоишь. А учиться нужно много, я тратил от 3 до 8 часов каждый день, да-да и в выходные, без исключения. Сначала кажется, что полный хаос, но потом в голове выстраивается система. Все инструменты в доступе — Jupyter для Python, Redash для SQL, GITLab для проектов. Через месяц после окончания от инструментов отключают, но на платформу доступ пожизненный, лекции и конспекты с вами навсегда, к тому же конспекты можно скачать.

Одним словом — рекомендую всем, кто хочет узнать, что такое аналитика и получить теорию и практику от профессионалов своего дела, а школа специализируется на анализе данных и машинном обучении.

Аналитик Данных в целом хорошо
Всех приветствую меня зовут Рамазан и я с Дагестана. Я учусь в университете на менеджменте. В начале 3 курса я решился влиться в IT так как не видел перствектив обучения в универе. Изначально не знал чем бы заняться, но друг порекомендовал курсы карпова и курсы яндекса, рекомендовал то мне он дата-саентиста или же МЛ-специалиста. Но почему-то с первых дней мой выбор пал именно на аналитика не знаю почему. Почему я выбрал карпова? Выбор давался мне тяжело, но просто факт того что школа специализируется только на этом сегменте IT (по сути все их направления смежные где-то рядом) я выбрал именно их. Скажу сразу о минусах
1. Начальный пайтон базовый. Ну оочень тяжело было это объективно. (Но он длится не долго)
Рекомендую настоятельно пройти курс на степике прежде чем сюда.
2. С самого начала пошли сильные дедлайны. Было сложно и времени казалось не хватает (но я и бездельник тоже нужно учтеть)
В остально же лично у меня проблем вроде не возникало
Плюсы тоже есть:
1. Когда я выбирал курс я часто видел даже в плохих отзывах что лекции самого Анатолия были познавательны. Теперь я убедился в этом сам. Анатолий очень хороший не только специалист, но и преподаватель. Человек действительно умеет объяснять доносить все простым легким понятным языком.
2. Лекции по продуктовой аналитики были весьма интересные и также понятные. Слушать было легко
3. Уроки статистики вел несомненно сам Анатолий Карпов тоже были хорошие, но в какой-то момент лично у меня возникли немного сложности в понимании, но нужно учесть что сам предмет то нелегкий. Но однозачно плюс, но порекомендовал бы также на степике пройтись от того же Анатолия.
4. Визуализация тоже была на уровне, в целом неплохо. Но мне лично яндекс даталенс не нравится я все равно на Power BI (Раньше был у них табло, но видимо изза санкций перешли туда). Но несомненно много чего полезного с лекций получил.
Да и в целом курс был хороший. Однозначно оочень много практики. Интересной практики. Различные проекты и мини проекты. Я хоть и лентяй, но мне было интересно. И не сказал бы что было сверх сложно. Также в курсе есть различные карьерные чаты в которых много интересных историй, советов да и многого
Порекомендовал бы я? Думаю да, я доволен. Я пытался учиться на бухгалтера, сам на менеджменте учусь, но все это не мое и не приносило мне удовольствия. Эта же деятельность мне нравится. Из сложностей лично для меня (это не минус курса это проблема другого характера) то что в моем регионе попросту нет таких вакансий и найти работу удаленно мне без опытному очень тяжело. Но мне посоветовали просто составить отчеты для компаний за бесплатно чтобы в резюме закинуть — постараюсь их применить.

Отыв о курсе System Design
Проходила обучение по курсу «System Design».
Благодаря пройденному курсу обрела новые знания.
Основные плюсы курса:
-Материал хорошо структурирован;
-Курс можно проходить в любое время;
-Есть задания, которые помогают закрепить материал (по ним есть дедлайны);
-Есть финальный проект, который позволяет использовать на практике весь материал курса;
-Кураторы всегда на связи, помогают и делятся материалами.
Спасибо создателям данного проекта!

Инженер данных с нуля
Курс информативный. Очень хорошо упорядочена теория реляционных баз даных, хороши также блоки по linux, gitlab, postgress, spark. Блок по python очень слабый, clickhouse интересен, но почти все практические задачи на момент прохождения не работали, в блоке Airflow как мне показалось очень мало информации по работе именно с внешним интерфейсом Airflow. Задач достаточно. Минус за то что практические задания не были проработаны и протестированы на момент запуска курса. В результате все баги по практическим заданиям устранялись за счет самих студентов первых потоков в процессе прохождения ими этих заданий. Это сильно раздражало. Организация обратной связи намного лучше чем например на яндекс. Практикуме — здесь вы общаетесь с экспертами через мессенджер, а не по почте. Отвечали оперативно. Ответы и разъяснения экспертов не всегда и не сразу были полезными. Это тоже напрягало. Описание финального проекта можно было-бы тоже получше изложить, но это моё субъективное мнение. Курс «инженер данных с нуля» от Карпова мне был очень полезен хотя и нервов пришлось потрепать немало. Основное достоинсво курса с моей точки зрения — отсутствие воды и наличие всех необходимых инструментов в программе обучения на дата-инженера.

Отличный курс по машинному обучению
Проходила курс по машинному обучению. Что получила: глубокое погружение в профессию, при этом, доступное новичку. Боялась, что будут поверхностные знания, но получила отличную базу для входа в профессию. А если читать доп. Материалы, то базу можно расширить спокойно до нужного объема. Лекции понятные и без воды. Самый главный раздел по машинному обучению — топ. Эксперты в чате всегда отвечают на вопросы и дают подсказки «на подумать», что очень круто. Кураторы поддерживают, постоянно спрашивают, как идет обучение. Если быть активным, можно найти бадди, общаться с группой и проходить обучение, постоянно обмениваясь опытом с учениками. В общем, от обучения я в полном восторге, получила больше, чем ожидала.

Курс по MLOps
Проходил курс по MLOps в начале 2025 года. Начал учиться без особого опыта в MLOps, и честно говоря, не знал с чего начать. Однако курс оказался действительно «вкатывающим» — даже с нуля проблем не возникло.
Структура курса продумана до мелочей: 10 уроков и финальный проект, которые открываются последовательно, обеспечивают плавное и последовательное погружение в тему. Каждая лекция разделена на короткие видео, что делает материал легко воспринимаемым. Конспекты, доступные как в самом курсе, так и в Notion, помогли мне лучше усвоить информацию и подготовиться к заданиям.
Задания были сформулированы понятно и логично, что способствовало отработке полученных навыков. Я смог получить обратную связь по всем выполненным заданиям, что было очень полезно. Поддержка команды курса также заслуживает отдельной похвалы — в случае вопросов всегда можно было обратиться за помощью.
Что касается контента, он оказался очень актуальным и разнообразным. Курс дал отличный обзор на существующие методы и подходы в проектировании инфраструктуры для моделей машинного обучения, что, безусловно, помогло мне лучше понимать, в каком направлении двигаться дальше в своем обучении.
Общее впечатление от курса сложилось исключительно положительное. Я научился многому и теперь чувствую себя увереннее в области MLOps.
Рекомендую этот курс всем, кто хочет разобраться в разработке архитектуры ML сервиса и развертывании моделей машинного обучения, независимо от предыдущего опыта!

Симулятор аналитика
В симуляторе всё сделано структурированно, удобно и понятно. Платформа и поддержка работают стабильно хорошо, материал полезный. Всем рекомендую!

Отзыв на курс «Deep Learning Engineer. NLP»
Начиная обучение в ноябре 2024 года, я решил погрузиться в мир глубокого обучения, хотя до этого систематического опыта в этой области у меня не было — лишь обрывочные и несистематизированные знания по нейросетям и несколько тестовых тетрадок с Python скриптами.

Цель, которую я перед особой ставил, была сугудо практической: приобрести навыки, которые помогут успешно пройти собеседование, получить стажировку и уверенно утвердиться на новой работе. Помимо этого, для меня было важно систематизировать все имеющиеся знания, структурировать материал — начиная с основ и двигаясь к более сложным концепциям — чтобы всё было изложено по полочкам.

Ожидания от курса превзошли даже мои самые смелые прогнозы: я оценил полученный опыт на твердую 10 из 10. Материала оказалось значительно больше, чем я ожидал, и он оказался исключительно полезным и практически применимым.

Особо хочу отметить поддержку организаторов и преподавателей. На каждое возникающее у меня техническое затруднение отвечали оперативно, разъясняя природу ошибок и подсказывая возможные подходы к их решению, при этом не давая готовых ответов. В чатах с обсуждением занятий поддерживали разбор технических тонкостей той или иной темы.

Структура курса заслуживает отдельного внимания: материал организован четко и логично. Лекции начинаются с теоретической базы, где даётся глубокое понимание сложных концептов. Под конец серии лекций какого-либо урока — разбор кода, где реализовано всё то, о чём говорилось на лекции. Дополнительные квизы после каждого модуля помогают плавно перейти к решению разнообразных практических задач.

Общее впечатление от курса исключительно положительное. Это ощущение только укрепилось после выполнения финального задания, которое позволило мне окончательно убедиться в практической ценности полученных знаний. Несколько недель спустя после завершения обучения я получил приглашение на стажировку в Ozon Банке, где смог легко общаться с профессионалами, имеющими многолетний опыт в Data Science, DL и ML. Все задачи, проблемы и их решения оказались мне предельно понятными — во многом благодаря этой образовательной программе на karpov. courses.

По шкале от 1 до 10, я бы поставил ему 10. Без сомнения, готов рекомендовать эту программу другим, кто хочет серьёзно погрузиться в глубокое обучение с упором на NLP.

Крайне прикладной курс для быстрого старта в новом проф направлении.
Долго выбирала между разными школами и даже направлениями, в итоге выбрала не то что мне по душе, но ни о чем не жалею)
1. Если вы владеете навыком учиться, ковыряться в материале, анализировать, возвращаться к уже пройденному, читать и вчитываться, хотя бы немного логически рассуждать, то эта учеба будет вам в радость. Курс простой, все доступно объясняется, он интересный, особенно если ваше единственное образование — это давно забытое высшее. Я воспринимала обучение как сложную викторину, был азарт быстрее выполнить задание и перейти к следующему.
2. На середине блока Питон у меня начались проблемы со временем — из-за работы постоянно не успевала, нервничала, что если не сдам урок в срок, то получу сниженный балл. Позже, когда набрала необходимую половину баллов для получения сертификата, расслабилась и выполняла задания в своем режиме без оглядки на максимальный балл. Формат видео и лекций — это удобно, подходит для разных сценариев в жизни. Видео классно посмотреть как фильм, лекции хороши для того, чтобы все было в доступе во время решения задач.
3. Поддержка работает отлично. Если вы сразу ознакомитесь с графиком работы и с тегами, которые надо ставить при разных типах обращений, то у вас никогда не будет проблем. Это тоже про способности вчитываться и возвращаться к прочитанному.
4. В блоках питон и sql нет ничего сложного- если вам реально интересна аналитика, то вы легко это освоите и сразу сможете применить даже в текущей работе.
5. Мой опыт показал, что я наверно выбрала курс, я умею копаться в данных и анализировать их, но я хотела больше работать с людьми, а не с цифрами и кодом, поэтому на середине курса, поняла, что это не мое и учебу не закончила. Финальный проект даже не начала делать, так как в середине обучения получила ту работу, которую по-настоящему хотела.
Желающим подготовиться к старту в аналитике данных — точно рекомендую. Это очень качественный продукт. И поддержка, и материалы, и ИИ-бот (встроенный прямо в сайт) — все работает прекрасно. На все вопросы ребята реагируют быстро.
Когда будет время, планирую углубиться в так и непройденный блок по Продуктовым метрикам, так как моя работа как раз связана с управлением продуктом. Вроде бы материалы и доступ в личный кабинет останутся у меня на год.
По поводу поиска работы — на карьерном курсе, который начнется ближе к концу, вам все расскажут, образцы резюме можно будет подглядеть у одногоуппов в тг-чате, переработанное резюме можно будет отдать на ревью (если подсуетиться).
Всем успехов!

Солидный и эффективный подход к обучению
Очень понравились 3 модуля из 4х, то есть все, кроме Deep Learning (Модуль 3). Очень хорошая последовательная подача материала. Специально искал курс, в котором было бы много практических задач, и мои ожидания полностью оправдались. Хорошая поддержка, довольно быстро отвечает. Хорошая платформа. Дают сервак, на котором можно выполнять задания. Соответственно, показывают обучающимся максимально приближенную к жизни конструкцию — БД, питоновский сервак, тул для работы с БД, airflow. Окружение создаем ручками. Все как на реальной работе. Отлично объяснены основы гита. Раньше создавать ветки в гите было для меня стрессом, сейчас на изи. Проходил похожий курс на платформе яндекс+мфти (когда его еще не закрыли в курсере), там платформы не было по сути вообще. То есть можно было отправлять ответы, но такой удобной системы не предоставлялось, все на файликах.

Что касается 3го модуля, не сказать, что плохо, но кажется, что можно было представить материал получше. Потратить время, добавить анимацию (чтобы не просто проговаривать, а показывать, что там с нейронами происходит). Рассказ лектора путанный местами. Хотелось бы больше задачек на тензоры, чтобы привыкнуть к синтаксису. Довольно сложно было привыкнуть к синтаксису нейронок, хотелось бы более разжевано.

Курс Start ML
Курс был рассчитан на 7 месяцев. Формат лекций был в формате заранее записанных уроков. Прошел 2 блока программы Start ML. 1 Основы Python и блок ML. Обучением удовлетворен на 9 из 10 баллов. Есть некий порог вхождения с точки зрения математики. Во всех остальных аспектов все на высшем уровне. Поддержка, лекции, конспекты, разборы.

Отзыв об обучении по направлению «Аналитик данных». Расширенный тариф
На данный момент прошел 5 модулей обучения, и я где-то на середине курса. Начал учиться в конце ноября/в начале декабря. До этого опыта в аналитике данных не было, я лишь изучал в ВУЗе дисциплины по направлению «Основы машинного и глубокого обучения», и я записался на этот курс, чтобы еще больше расширить свой кругозор, а также развить уже имеющиеся знания и навыки, и также хотел, чтобы помогли с трудоустройством.
Курс оправдал ожидания на 7-8 из 10, потому что дали много структурированной и полезной информации, которая может пригодиться в профессии, и также были практические задачи, но мне казалось, что будет больше практического опыта, но на сайте еще симуляторы различные, например, симулятор SQL, который я еще не проходил, но собираюсь пройти, и возможно это поможет «набить руку».
За помощью к кураторам я не обращался, потому что-либо сам находил решение, либо искал решение проблемы в интернете, либо находил ответы кураторов в мессенджере Пачка, поэтому мне сложно сказать, насколько оперативно отвечают, но могу сказать, что проводил время с пользой, когда находил ответы кураторов на вопросы других студентов, мне самому это помогало во время обучения.
Могу сказать, что я в целом курсом доволен, но честно могу сказать, что смущает большая цена обучения (от 120.000 Со скидкой за Расширенный тариф), а также была в некоторых моментах «выкрученная сложность», например, в конспектах была одна теория про подзапросы в SQL, а задачи по этой теме были в разы сложнее того, что нам дали в теории. К счастью, таких моментов было не очень много. Так что продолжаю обучение с большой заинтересованностью и надеюсь, что смогу трудоустроиться после прохождения курса!

Отличный курс
Хочу перейти в DL. Взяла курс по NLP именно у karpov. courses, Потому что karpov. courses Советовали коллеги по работе. И курс оправдал мои ожидания!

Плюсы:

1. Хорошо изложенная, структурированная теория. После лекции имеются конспекты, чтобы можно было быстро освежить материал. В других онлайн курсах, которые пробовала (не буду называть имена), материал излагался менее точно и более непонятно, «в гоблинском переводе»
2. Практика для закрепления материала. В каждой теме занятий два практических блока. Первый — с выбором ответа, что позволяет закрепить теоретический материал. Второй — практический, где, как правило, дается код с пропущенными строками, которые надо в рамках практики урока заполнять. Проверка кода практического блока осуществляется через встроенную платформу, но также можно обратиться за помощью к экспертам в чате. Эксперты в чате отвечают довольно оперативно, помогают разобраться с возникающими вопросами.

Недостатки: иногда встроенная платформа проверки кода давала сбои, что не позволяло загружать выполненные задачи и проверять их правильность.

В целом, мне понравился курс, рекомендую

Отзыв об обучении на «Инженер машинного обучения», 32 поток.
TL: DR — Курсы хорошие, рекомендовать могу, но есть нюансы.

Проходил курс Start ML («Инженер машинного обучения»), 32 поток. До этого реального опыта не было, только курсы от Yandex по DS, так что сравниваю с ними. Учусь для себя пытаясь разобраться что к чему. Ожидания оправдались на 7 из 10.

Обучение достаточно напряжённое по времени и интенсивное. Теория по понедельникам\средам\пятницам и надо сразу сдавать практику, так как времени раскачиваться нет и если откладывать на выходные, то просто зашьёшься. Но всё равно часто приходится сидеть и в них. Я бы порекомендовал более менее разбираться в Python, Pandas и построении графиков перед началом курса. Так будет сильно проще учиться. У меня уходило 4 часа каждый день на учёбу и в выходные тоже.

Основная killer feature курсов — это поддержка экспертов. Ты пишешь в чат вопрос и тебе отвечают в течение нескольких часов. Причём не только по заданиям, но если просто совет нужен какой-то для более широкого понимания вопроса. Это было крайне удобно и замечательно.

Однако не очень понравилась подача контента. Мне удобнее читать, чем смотреть. Здесь же весь основной контент — видео. Да, есть конспект, но он, к сожалению, не настолько подробен как хотелось бы.

По контенту — по Python и классическому ML — вопросов нет. Тут всё по делу и хорошо. Трек по DL — это как всегда галопом по Европам и без погружения. Но про трансформеры рассказано достойно, это порадовало. Подчеркну, что данный трек по времени идёт столько же, сколько и карьерный) Трек про A/B тестирование совсем не понравился. Лектор, безусловно, специалист своего дела, но, мне кажется, что навык преподавания надо немного прокачать. Сложно слушать и понимания какие статистики когда использовать не прибавилось.

Карьерный трек — полезный. Понравились советы по резюме, по оформлению портфолио на github и по составлению рекомендательных писем.

На протяжении всего курса ты делаешь один проект. Это система для рекомендаций, которая обращается к БД за информацией по определённым критериям, подтягивает данные, передаёт их в модель и строит рекомендации на основании предсказания модели. Сначала вы напишете backend приложения, потом модель, потом вторую модель (улучшенную через DL) и, наконец, проведёте A/B тестирование для 2-х версий модели, чтобы доказать, что одна модель статистически лучше другой для рекомендаций.

По проекту обратная связь чуть медленнее, но она тоже есть и на достойном уровне. В целом, даже с учётом нюансов — достойное обучение. И вроде как более менее актуальный стек.

HardML — хороший курс
На момент написания отзыва курс HardML пройден на ~80% (5 модулей из 6).

В целом остался доволен, считаю что деньги потратил не зря. Неплохо расширил кругозор.

Курс для специалистов с опытом. При отсутствии опыта в МЛ и минимального знания python не рекомендую, лучше сначала освоить азы.

Состоит курс из шести модулей по шести разным темам, модули друг с другом не связаны, их можно покупать и проходить отдельно, параллельно или перпендикулярно.

При покупке стоит посмотреть на сами темы. Несмотря на то, что целевая аудитория — опытные специалисты, концептуально сами модули начинаются практически с азов, условно с junior уровня. Поэтому если вы 4 года работаете с ранжированием, то в модуле «Ранжирование и матчинг» вряд ли узнаете что-то новое. А вот если вы с ранжированием никогда не работали или работали, но мало, то отлично расширяет кругозор.

Как у любого курса, есть плюсы и минусы. Пишу их со своей точки зрения, т. К. , Например, для меня отсутствие приколоченных гвоздями к таймингу событий (аля дедлайны, живые лекции и пр) скорее плюс, а для кого-то минус.

Плюсы:

— Качественные интересные записанные лекции. Без жевания с «нууу эээ как бы вот так».

— Интересные задания по итогу модуля. Если с темой никогда раньше не работали, то выполнение итогового задания может даже стать челленджем и поводом поглубже разобраться.

— Поэтапное быстрое погружение в тему. Например, если вы никогда не работали с АБ, то с одной стороны в курс дела введут быстро, с другой не будут долго жевать азы и сразу перейдут к насущным проблемам.

— Отсутствие дедлайнов. У меня на модуль уходило по 3-4 недели при трате ~10 часов в неделю. Если есть больше времени, пройдете быстрее. Если меньше, то медленнее. Никто никуда не торопит с одной стороны, и не сдерживает с другой искусственными барьерами. Гигачад может пройти модуль и за неделю.

— Автоматическая проверка заданий. Не надо ждать условного ревьюера. При этом задания могут быть довольно сложными, например полностью построенный пайплайн с CI/CD и автоматическим переобучением моделей тоже проверяется автоматически.

— Поддержка по курсу отвечает довольно оперативно, ждать ответа неделями не придется.

Минусы:

— Автоматическая проверка заданий. Да, это и плюс и минус. Минус в том, что иногда задание выполнено верно, но нужно сделать дополнительные приседания, чтобы автоматический грейдер его принял. Иногда эти приседания дольше, чем собственно выполнение задания.

— Квизы. Ненавижу квизы. Есть некоторые вопросы, на которые можно ответить по-разному в зависимости от обстоятельств. А обстоятельств в вопросе нет. Я подумал про одну ситуацию, составитель курса про другую, в итоге мой ответ «неправильный». Попыток на додуматься, что же имел ввиду составитель курса, не всегда хватает. По итогу набрал не 100%, а чуть меньше в некоторых модулях. Мой внутренний перфекционист сгорел от злости.

— Устаревание. Команда периодически обновляет курс, иногда модули меняет целиком, но сама специфика отрасли такова, что некоторые знания становятся неактуальными за 2-3 года. Команде курса, конечно, виднее, что уже устарело, а что нет, но выполнять некоторые задания на питоне 3.8 С либами, в которые не коммитили уже 3 года, все же немного раздражает. Справедливости ради есть и модули, которые обновили меньше года назад, судя по коммитам.

Краткий отзыв
Плюсы:
Много информации, но лишней нет. Многие вещи, про которые было рассказано и показано в лекциях, появятся в практике
Платформа и все инструменты удобные, легко осваиваются и быстро вливаешься в процесс
Доступ к лекциям и конспектам остается после окончания курса
Интересные задачи
Есть дедлайны, но они не очень жесткие, 2 недели на урок, этого хватает. Мотивирует делать все вовремя
Отдельно прям хочу отметить работу экспертов! Всегда стараются помочь, отвечают достаточно быстро
Свободного времени, скорее всего, будет не очень много (да, это плюс! ) (Я параллельно работал 5/2)
Налоговый вычет
Минусы:
Возникло впечатление того, что курс сыроват в плане технической составляющей (особенно темы PostgreSQL и ClickHouse) , но он вроде бы относительно новый и его проходит меньше людей, чем другие
У двух модулей есть такой формат: сначала куча лекций с закреплением в виде квиза, а потом задачи (причем практика идет одним модулем на обе темы) . В итоге это привело к тому, что мне пришлось заново проходить эти модули, так как к практической части я уже успел почти все забыть
Практики все же маловато, ее хватает ровно настолько, чтобы распробовать тему и понять и что-то запомнить, но недостаточно, чтобы набить руку (проблема решаема, смотреть ниже)
В модуле Python и собеседовании Python одни и те же задачи. В сочетании с предыдущим пунктом огорчило
Что можно было бы улучшить: пересмотреть формат модулей PostgreSQL и ClickHouse, исправить проблемы с технической частью этих модулей (без экспертов некоторые задачи просто нерешаемы, так как ответ в некоторых задачах должен был быть дан в определенном формате или как к такому ответу придти было непонятно даже экспертам) , увеличить количество практики (может быть, добавить необязательные для решения задачи)
В целом я обучением доволен, на момент написания отзыва прохожу финальное задание.
Небольшой совет: если соберетесь проходить данный курс, рекомендую после прохождения тем с большим количеством практики (SQL (особенно SQL, поможет с дальнейшими темами! ), POSTGRESQL, PYTHON И так далее) Ищите практику в виде задач на сторонних платформах (например литкод) , решать по одной-двум задачкам в день много времени не займет, но набьете руку, лучше запомните и разберете проблемы. Я сразу так делать не начал, столкнулся с сложностями в процессе обучения, но после месяца такой практики многие проблемы ушли)

Аналитик данных, поток 57
Спасибо Karpov. COURSES За знания которые ваша команда мне дала!

Начну со старта обучения: Старт был не простой, так как казалось что очень короткие спринты, и когда ты полный ноль в Python, то было трудно, НО справился.

Рекомендация: если вы хотите купить какой-то курс, то сначала обязательно пройдите бесплатные курсы, где будет дана базовая инфа. С ней старт на платном будет куда проще.

Середина обучения: Всё шло как по маслу, всё было понятно, а где не понятно помогали эксперты/кураторы. Помощь от них отличная.

Финальные этапы: Вот тут было интереснее всего, и где-то сложнее, особенно на продуктовом проекте, хоть он и не позиционировался как финальный. Где-то вместе со студентами решали, где-то пользовался нейронками. Вообщем опыт отличный.

Учиться было удобно, но времени на это уходило много.

Курс рекомендую всем! Всё будет супер, главное не бояться новых вызовов.

Karpov. Courses. Start-ML
Я прошел онлайн-курс по машинному обучению, и хочу поделиться своими впечатлениями. Обучение состояло из четырех модулей: программирование на Python, основы машинного обучения, обзор глубокого обучения (DL) и применение A/B-тестирования для выбора ML-моделей.

Мне все очень понравилось! Лекции были насыщенными и местами сложными, но именно это делало их такими интересными. Я получил даже больше, чем ожидал: курс дал не только теоретические знания, но и практические навыки, которые уже могу применять в работе.

Особенно хочу отметить структуру курса — материал подавался логично и последовательно, что помогало постепенно погружаться в тему. Преподаватели и кураторы оперативно отвечали на вопросы, что делало процесс обучения еще комфортнее.

Я готов рекомендовать этот курс всем, кто хочет разобраться в машинном обучении, от основ до более продвинутых тем. Спасибо за качественный и полезный контент!

Deep Learning Engineer. NLP
Ожидания оправдались на 8/10, ни сколько не жалею и очень рада, что решилась наконец пройти обучение в karpov. courses!

Начинала свое обучение, когда за плечами уже был 2х летний коммерческий опыт, правда в классическом ML. Несмотря на это, курс был довольно сложен, поэтому новичкам я бы советовала получить сначала базу, хотя все конечно индивидуально) Домашние задания сильно варьировались по сложности — какие-то были очень непростые, теории не хватало для их решения (в блоке База DL). Какие-то же наоборот слишком простые. Но теория, которую дают преподаватели на курсе — выше всяких похвал. Простыми словами объяснить такие сложные вещи не каждый сможет.

Плюсы:

— начинаешь именно понимать, как работают алгоритмы, а не выполнять бездумно инструкции по обучению

— разобрано огромное количество задач, которые могут встретиться в реальной работе

— информация хорошо структурирована

— в придачу получаете не менее полезный карьерный курс, где вас научат правильно презентовать себя работодателям

Минусы:

— для меня оказалось маловато практических заданий. Но это поправимо при личном усердии)

— в курсе не предоставляют доступ к GPU. Это исправляется путем использования Colab, но там есть ограничения на использования ресурсов. Поэтому периодически приходилось переносить выполнение домашки на другой день

Спасибо создателям курса, я получила огромное удовольствие от прохождения, теперь меня не пугают умные статьи по NLP, и я могу смело развиваться дальше в данной области!

Продвинутый Симулятор A/B-тестов.
Что понравилось:

- В первую очередь понравился курс за счёт чётко структурированного и понятного материала (такое встречается редко, особенно в теме A/B-тестирования).
- За время прохождения курса удалось полностью разобрать полный пайплайн АБ-тестирования, причём не только с технической точки зрения, но и с точки зрения бизнеса (Что меняем? На что повлияет? Как измеряем?).
- После выполнения практических задач к каждому модулю появился набор готовых блоков к платформе АБ-тестирования, которые использую при необходимости в своей рабочей деятельности.

Чего не хватило:

— Хотелось бы, чтобы в курс добавили информацию по методам проведения экспериментов без A/B тестирования (Diff-in-Diff, Casual Impact и другие).

Прохождение курсы start ml
Сложный курс. Курс построен удобно. Для прохождения курса времени требуется довольно много времени и умение пользоваться справочной информацией из общедоступных источников. В курсе необходимо сдавать 4 курсовых проекта они довольно сложные. Но можно переводится на другой поток по несколько раз, поэтому при проблеммах с наличием свободного времени, курс пройти реально (с увеличенным сроком). Для успешного прохождения лучше сразу связаться с одногруппниками из потока, так будет легче сдать курсовые (это важно!)

Start ML. Обучение МО в Питон для начинающих
Когда начали учиться: июнь 2024 года (поток № 29).

Был ли до этого опыт в аналитике данных: Начинала с нуля.

Насколько оправдались ожидания: На 9 из 10. Курс оказался очень насыщенным и сложным, но чрезвычайно полезным. Возможно стоит увеличить время, между делайнами. Информация не всегда успевала уложиться по полочкам в голове, как необходимо было погружаться в новый урок.

О поддержке на курсе: Поддержка на высшем уровне. Кураторы всегда готовы пойти навстречу и помочь в случае непредвиденных обстоятельств. Знаю, что можно перейти на другой поток, если перестанете успевать за темпом обучения.

Понравился ли вам контент: Контент был очень качественным и разнообразным. Учебные материалы хорошо структурированы (видеолекции с практикой + конспекты, иногда доп информацию нужно было искать (есть ссылки на внешние источники) и изучать самостоятельно; практические задания помогали закреплять теорию на практике. Каждое задание проходит проверку на сервере (тест/ответ/код/прикрепленые файлы). Решение лекторов открывается после дедлайна, можно увидеть как те же задачи решает специалист. Также отлично в помощи с обучением отрабатывает ИИ Ева, что намного быстрее и удобнее, чем ждать ответа экспертов.

Общее впечатление от курса: Несмотря на сложность и объемность материала, обучение было комфортным и продуктивным. Главное не соскакивать с темпа, потом можно не нагнать (дедлайн почти каждые 2 дня, внутри курса предусмотрены перерывы ≈ по неделе).

Первые 2 блока (питон и МО) для меня оказались самыми полезными.

Труднее всего дался блок по глубинному обучению, хотя лекции были понятными и местами даже слишком разжеванными, на практике случался ступор.

Блок по статистике и А/В тестированию не вызовет больших проблем, если уже изучали в школе/универе основы тервера и мат. Статистики.

Оценка от 1 до 10: 9

Готовы ли вы порекомендовать наш курс другим? Да, безусловно! Но нужно заранее оценивать свои силы и свободное время (особенно если новичок).

Хорошая теория, достаточно практики
Я шёл на это обучение уже имея определённый бэкграунд и мне хотелось лучше погрузиться в тему, понять все тонкости и упорядочено пройти теорию ML. В целом, курс очень интересный, задачи идут по нарастающей (есть со \* для любителей хардкора) и ты не просто делаешь fit predict, а реально учишься понимать как делать модель, как сделать pipeline, как подготовить данные, как всё это выкатить в прод (в финальном проекте вы делаете сервис, а не просто модельку).

Из слабых моментов: мало нейронок, но это вводный курс поэтому это ожидаемо. Для этого направления есть отдельные курсы, которые направлены на одну из областей в DL.

P. S. Личное пожелание в сторону улучшения курса — добавить в финальный проект aiflow и docker. Они рассмотрены в курсе, но в финальном проекте не участвуют = (

Отличный курс для старта в ML
Обучение в целом понравилось!

Я пришла на курс, не имея опыта работы в it-сфере, но с базовым знанием python и общим пониманием статистики.

Основной блок по машинному обучению отлично структурирован, лекции понятные, материал хорошо усваивается, задания интересные, итоговый проект тоже.

В блоке статистики и аб-тестирования тоже материал довольно неплохо подаётся.

Раздел с нейросетями мне, честно говоря, не понравился, с трудом прошла его до конца именно из-за того, как построены лекции, конспекты и задания. Было ощущение, что эта часть делалась сильно в торопях и «на ходу», поэтому планирую изучить их где-то ещё.

Немного не хватило какого-то индивидуального подхода. Все задания проверяются в автоматическом режиме, а я немного надеялась, что хотя бы в части проекта будет живая проверка с комментариями профессионалов и обратной связью. Но при этом объем и построение практических заданий мне кажется вполне достаточным, чтобы усвоить материал.

Поддержкой я особо не пользовалась, чата gpt мне было достаточно, чтобы найти ответы на возникающие вопросы.

Поскольку курс создан для того, чтобы дать общее представление о профессии и создать необходимую базу, я точно могу его рекомендовать. Очень рада, что прошла его и сохранила желание развиваться дальше. Чувствую, что проделала большой путь и довольна результатом.

Но тем, кто идёт «с нуля» очень рекомендую сначала изучить python — это сильно облегчит процесс и сократит время на выполнение задач. Поскольку формат курса не предполагает глубокого изучения языка (это просто значительно увеличило бы время прохождения), а писать код нужно будет постоянно, без базового понимания может быть сложновато.

Спасибо авторам и всей команде за хороший курс!

Курс от Karpov Courses по Start ML
Проходила курс по Start ML. Из бэкграунда был только один курс в университете на айтишной спецтальности.

Курс поделен на блоки: Питон, МЛ, ДЛ, статистика и аб-тесты, собеседования и предполагает написание финального проекта (в каждом блоке по одной его части)

Блок Питона интересный, для новичков самое то, однако знакомство с Fast-API очень порадовало

Блок МЛ что-то с чем-то! Харизматичный преподаватель, доступное объснение, глубокий, насколько это возможно, разбор тем. С полного нуля за довольно короткий срок доводят до очень неплохого уровня. Часть с финальным проектом тут тоже была очень существенной. Задача заключалась в том, чтобы написать модель, которая будет пробивать порог определенного качества, что оказалось задачей со звездочкой, над которой пришлось посидеть ночь-другую, было занимательно

Блок ДЛ дался уже тяжелее. Материал сложный, а времени на него выделено всего-ничего, знакомство очень поверхностное, понимания было мало, эту тему придется разбирать самостоятельно

Блок по статистике и аб-тестам очень приятный, но тоже без особо глубокого погружения

Чувствую себя куда увереннее в теме после прохождения курса, не уверена, что с такими знаниями готова выйти на рынок, но зато теперь есть представление, где развиваться, что подучить и как практиковаться. Спасибо команде карпов за хороший старт)

DL. NLP Отзыв
Всем добрый день!

Хочу сказать пару слов про блок DeepLearning. В частности направление NLP. Изначально я не сильно интересовался этим направленим (если честно я даже его немного боялся после курса StartML), но так как по работе мне надо было поднимать навыки DL, то пришлось выбирать его, так как было доверие к KC.

Какое было мое удивление когда я начал проходить этот курс. Сразу скажу — он достаточно сложный. Особенно когда мы говорим про профильный блок NLP. Каждое задание наполнено большим количеством ручного написания кода алгоритмов, довольно-таки много ООП, что априоре делает данный курс не для каждого. Зато после прохождения каждого блока понимаешь какие знания пришли и к концу курса начинает складываться реальное представление о работе этого раздела DL. Я вас уверяю — если вы честно сделаете этот курс, то у вас будет отличное понимание работы алгоритмов и не только.

Курс тяжелый, но очень продуктивный и вы будете реально понимать очень многое в этой области.

По поводу минусов хочется лишь отнести, что имеются определеные проблемы с библиотеками в Финальном проекте. Пришлось переходить от личного компьютера и гугл коллаба к kaggle, но все решилось в итоге.

Karpov. Courses: Start ML
Немного предыстории:

Об Анатолии К.услышал ещё в 2020-м когда проходил аналогичный курс на платформе Яндекс. Практикум будучи студентом (далее будут сравнения местами). Слышал только положительное, рекомендовали ознакомиться с курсами с его участием на stepik. ORG

2022 — Армия. В начале 2023 устроился на работу в в IT, но нужно было подтянуть отдельные моменты. Ознакомившись тем, что имелось на рынке и вспомнив про курсы от Анатолия я обнаружил, что теперь есть отдельная платформа с интересным наполнением.

— — — — — — — — — — — — — — — — —

С предысторией всё, теперь к содержимому курса:

Курс состоял из 4 основных модулей:

1. Прикладная разработка на Python
2. Машинное обучение и приложения
3. Обзор основ Deep Learning
4. Статистика и А/В-тесты

Процесс обучения заключался в ознакомлении с лекционными материалами, оформленными в видеоматериалов, и конспектов к ним (в сжатом формате). Закреплять полученные знания предлагается путём решения практических задач в LMS, для написания программ предоставлялся доступ к Jupyter Hub и другим сервисам (например, к среде для написания SQL запросов, создания планировщика).

Также на протяжении всего процесса обучения реализуется цельный проект, объединяющий все 4 модуля — разработка веб-сервиса на основе модели машинного обучения, осуществляющей предсказания на данных из базы. И над этим всем в конце проводим A/B тесты.

Периодически проводятся «чаепития» в виде видеособраний с лекторами (примерно раз в месяц)

В целом курс понравился. Поставил 4 звезды.

Из плюсов:

- Очень понравилось наглядное объяснение сложных вещей, особенно в первых двух модулях. В третьем модуле с этим было похуже, чем в остальных, на мой взгляд. Возможно это связано с тем, что в каждом модуле свой лектор, и манера подачи материала у них отличается.
- Отзывчивая команда. Кураторы работают чётко, всё по делу, всё вовремя.
- Стабильность работы платформы. Проблем с технической точки зрения не возникало (проверка задач, доступ к хабу).
- Интересный финальный проект. С такими комплексными задачами я до этого не сталкивался на практике, поэтому было очень приятно, когда удалось сделать работоспособное приложение. (В Я. П. Было попроще)
- В обычных заданиях (не этапах фин. Проекта) ответы экспетров были чёткими и полными.
- Хороший доп. Модуль по алгоритмической подготовке, понятно вопросы с собесов разобраны

— Основной источник материалов — видеолекции. За это время я понял, насколько это не мой формат. Субъективно, конечно. Но конспекты лекций по сравнению с видео сильно беднее в плане пояснений. В Я. П были подробные текстовые лекции.

— Тесты. Иной раз очень не хватало пояснений по поводу того, что от тебя хочет тренажёр. Особенно в части финального проекта. В какой-то момент это сильно затормозило процесс решения, пришлось обращаться за помощью к экспертам.

— Исходя из предыдущего пункта исходит ещё один субъективный минус: в части финального проекта эксперты очень осторожничали. Мне нужно было получить ответ на вопрос «Верно ли я интерпретирую задание и нужно действовать {мои мысли и предложенное решение} или {альтернативный путь}? » На работе я обычно в таком случае получаю от более опытных коллег вполне определённый ответ, тут же приходилось сидеть и вчитываться, догадываться, что же имел в виду эксперт.

— В модуле с DL какой-то дисбаланс теории и практики, на мой взгляд. Т. Е. Если посмотрев теорию кажется, что всё более-менее ясно, то при решении практических задач начинаешь задаваться вопросами «А что именно я сейчас посмотрел и что нужно делать? „.

— В сравнении с Я. П мне не хватило полноценных вебинаров. Там групповые созвоны с разбором сложных тем проводились примерно раз в спринт (2 недели) (2020-2021).

— Коммьюнити. Тут минус не столько курсу, но по сравнению с Я. П. Активность студентов в когортах гораздо ниже, практически не было каких-то обсуждений и общения.

Общее впечатление: в целом хороший курс, крепкая 4 от меня. Рекомендую тем, кто любит видеолекции

Достойный курс
Особенно хотелось бы отметить первые два модуля — преподаватели очень хорошо и понятно объясняют основные темы, которые могут встретиться в будущей профессии. Модуль по нейронным очень обзорный, хотелось бы чуть больше и теории, и практики. В модуле по статистике тоже было бы неплохо добавить задач по теории вероятностей и математической статистике порешать, которые могут встретиться на собеседованиях.

В целом курс можно рекомендовать как начинающим разработчикам, так и людям, которые немного знакомы с машинным обучением и data science.

Курс start-ml
Курс кайфовый, оцениваю с точки зрения цены/качества.

Кураторы и эксперты шустрят как могут, чтобы быстро улаживать проблемы и отвечать на вопросы, респект Вам!

Программа очень плотная, прийдется выделить много времени, чтобы поспевать в deadline.

Хочу отметить, что курс уверенно наращивает в голове основу/базу, это касается не только блока ml, но и блоков по Python, А/Б тестам, статистике и даже dl.

Однако не стоит строить воздушных замков, помимо самой программы нужно будет уделять ещё больше времени на изучение доп инфы, так как с каждой новой темой появляются вопросы.

Короче, если верно оценить свои временные возможности и мотивацию, то обучение на курсе пройдёт гладко.

Тяжело, но интересно и эффективно!
Работаю в нефтегазовой отрасли на различных проектах по моделированию месторождений и оценке рисков. Был необходим человек в команде со знаниям python и машинным обучением. Начал изучать самостоятельно. PYTHON Навык увеличивался, так как имеется множество хороших дешевых/бесплатных курсов, а вот с ML все было сложнее и понимал, что дешевого хорошо курса я не смогу найти. Начал изучать онлайн школы и наткнулся на карпов (знал его еще со времен курсов по статистике на степике). Купил курс и начал интенсивно работать. Очень понравился курс (от подачи до заданий). В частности, стоит отметить блок ML. Сильно улучшил навыки и получил повышени на работе. Финальный проект дался не просто, но дал много и пришло понимание некоторых вещей.

Теперь работаю в основном с данными на работе и пишу диссертацию по выбранной тематики. В ближайшее время пойду на курс Deep Learning + NLP от этой же компании, так как полностью устраивает подход и качество.

Если готовы учить и развиваться, то данный курс — то, что может дать вам эту возможность.

Курсом остался очень доволен
Всем привет!

Я работаю в ИТ с 2012 года. Около 10 лет работал как Full-Stack Oracle Developer. 3 Года отработал на позиции DE — занимался миграцией данных из Oracle в Snowflake (~10-20 петабайт).

На курсы я решил пойти, потому что у меня был отличный проект (подработка) по построению хранилища данных в БД Snowflake для крупного инвестиционного фонда, но понимания как строить DWH у меня не было, поэтому проект со мной не продлили. Это и сподвигло меня пойти на курсы DE — получить знания по DWH, более глубоко изучить Airflow, попробовать что такое Machine Learning и обучение моделей, что такое Spark, Hadoop и почему они чаще всего встречаются в вакансиях, визуализация данных с помощью Tableu и прочих инструментов. Ну и конечно же расширить свой кругозор в области DE.

Про Karpov/Courses я видел информацию в интернете + на сайте Linked In в новостной ленте увидел информацию о том, что кто-то закончил эти курсы.

Выбирал между 2 — Яндекс. Практикум и Karpov/Courses.

Выбрал K/C потому что:

1. Срок обучения 6 месяцев против 1.5 Года у Яндекса
2. Понравилась программа обучения (темы и стек) — DWH, MPP, ETL (Airflow), Big Data, Cloud, ML, Model & Data Management
3. На момент оплаты была скидка.

Курсы начались 18 января 2024 года. Так же в начале января 2024 года руководство компании предлагает мне 2 варианта на выбор: релокация на Кипр или увольнение с компенсацией. Тк почти год назад мы пробовали себя на Кипре и нам не понравилось, 2 вариант предполагался сам собой.

Начинается тяжелая пора поиска работы. При этом мне надо передавать дела новому коллеге на проекте, учиться на курсах и проходить собеседования. Искал я работу на должность Data Engineer.

Курс начинается с архитектуры DWH. И самое удивительное, когда начинаются мои собеседования — к тому времени курсы идут уже 2-3 недели — на собеседованиях меня спрашивают именно то, что мы только что изучили — слои данных, схемы построения хранилищ (Кимпбалл, Инмон), SCD. То есть знания приобретенные на курсах уже помогают мне. По итогу работу я нашел спустя 1.5 Месяца.

Очень удобно выдавали доступ к материалу — 3 раза в неделю после 19:00. Видео понятные, разборы материала тоже. К каждому уроку идут видео (теория/практика), которые можно всегда повторно посмотреть либо для освежения информации можно открыть лекцию в Notion / PDF. Я делал задания через 1-2 дня после того, как выдавали доступ к нему и на выходных.

Обучение проходило легко первую половину курса. Потом стало немного сложнее — началась работа — времени свободного поубавилось. Я старался делать все задания по блокам, но на некоторые и забил — не было желания делать и я их просто пропустил.

Из всех блоков меня зацепили следующие: проектирование DWH, реляционные и MPP СУБД, Big Data (частично) — я так и не заценил Hadoop (и всю его экосистему), но очень понравился Spark, облачное хранилище — это просто улет, Big ML, Управление моделями и управление данными.

Не зашёл модуль Визаулизация данных. Я понял значимость графического отображения данных, но у меня и с Front-разработкой всегда были проблемы — а визуализация данных для меня как Front-end разработка — не пошло как-то.

Но зато с утроенной силой прошло обучение по другим модулям — Big ML, Управление моделями и данными.

Бывали проблемы при выполнении практик — но был создан канал в дискорде и иногда было достаточно заглянуть в поток по теме как решение уже было доступно. Либо можно задать вопрос по заданию — поддержка оперативно отвечает и подсказывает решение.

Подводя итог обучения — я набрал 400 баллов из 480. Это 83%. Результатом я доволен. Мог бы наверное набрать 440/460 — если бы сдал задания, которые я пропустил. Но уже как есть.

Мои ожидания от курса полностью оправдались. Готов советовать курсы K/C своим знакомым или людям, которые хотят подучиться на DE.

Симулятор DS
Проходил Симулятор DS, в целом понравился. Много практики, различных рабочих инсайдов и best practices из мира ML и DA. Дают подробную информацию по решению той или иной задачи, которая может встретиться в работе + теория по работе алгоритмов машинного обучения, и разумеется есть задачи на реализацию того или иного алгоритма руками.

Из недостатков:

— не всегда понятно, что от тебя хочет грейдейр (система, принимающая задания), то есть выскакивает ошибка, но не понятно, что именно ее вызвало; для таких ситуаций есть помощник Ада, но она далеко не всегда дает дельные советы; лично я прям каких-то серьзных затруднений с этим не испытывал, но людям, только вкатывающимся в тему, в некоторых задачах придется туго

— поддержка работает довольно медленно, иногда ответ может занимать по несколько дней

В целом мне понравилось.
Пользовался симулятором ML на Karpov courses. В целом неплохой набор практических заданий. Задачи достаточно разнообразные. Решать интересно. Единственный минус — неинформативный грейдер. Очень часто бывало непонятно почему-то или иное решение не проходит валидацию, поэтому приходилось дергать саппорт.

Я проходил курс Karpov. Courses «Аналитик данных», который длился 6 месяцев.
Данный отзыв я хочу разделить на три части с плюсами, минусами и общим впечатлением.

Плюсы:

Ведущие:

Понравилась часть, в которой преподавал сам Анатолий Карпов. Анатолий является отличным преподавателем, который объясняет все доступным языком, демонстрирует иллюстрации и делает материал понятным. От такого преподавателя заряжаешься энергией. Темы, которые преподавал Анатолий заслуживают оценку — 10/10.

Также мне понравился преподаватель Беслан Курашов. Хотя у него нет такой же энергии, как у Анатолия, материал после его уроков был хорошо усвоен. У него получилось вызвать интерес к своей теме — 8/10.

Формат обучения:

Общий формат обучения также понравился: лекция (видеоурок), конспект (подробное описание темы и дополнительный материал), задания (хорошо структурированы), и минипроект (проект, в котором можно применить свои знания, полученные с урока, на приближенных к реальным задачам). Времени на выполнение домашних заданий было достаточно (если вы не работаете или не учитесь где-либо еще).

Оценка формата обучения в целом будет в разделе минусов.

Обратная связь:

Многие эксперты старались отвечать быстро и информативно. Хочу выделить Vladislav S, Olesya O, Pavel D и Alexander M. Куратор также предоставлял хорошие и оперативные ответы (Ангелина З.).

Минусы:

Ведущие:

Почти все блоки визуализации, которые вел Роман Б., заключались в демонстрации его экрана, в котором он просто показывал работу программы, параллельно вставлял свои комментарии. Приходилось просто смотреть, как работает Роман, он мог где-то ошибиться, из-за чего ему приходилось возвращаться обратно, из-за этого урок казался плохо подготовленным. По итогу этот формат обучения показался мне не самым удачным. Главный плюс Романа — позитивный настрой на его уроках. Оценка за его уроки — 5/10.

На мой взгляд, наименее увлекательными оказались лекции Жанны А.. Ее монотонный голос и повторение информации, которая и так написана на слайде, делали уроки утомительными. Казалось, проще просто прочитать конспект, чем слушать подобные уроки. Ее лекции были наименее интересными, оценка — 3/10.

Преподаватель Алексей Б. также не вызвал особого восторга. Его монотонный стиль рассказа хоть и комбинировался с примерами, но он так и не смог преподнести интерес к своей теме. Оценка — 4.5/10.

Формат обучения:

Информация, что с материалом можно ознакомиться за пару часов, а также разделить его прохождение на 2-3 дня, уделяя ему 30-40 минут ежедневно. На деле на это все уходит прилично больше времени, если вы первый раз сталкиваетесь с программированием и хотите подробно ознакомиться с темой. Лично у меня уходило примерно 4-8 часов в день на учебу.

Обратная связь:

Не все эксперты были достаточно активны в обратной связи и реагировали неохотно особенно к окончанию курса. Хотелось бы видеть систему рейтинга для экспертов, чтобы выделить лучших и поощрить их труд. Общий балл 8/10.

Общее впечатление:

Рекомендую курс, но советую уделить внимание тому, кто именно будет вести лекции и делать упор на то, чтобы большинство лекций вел именно Анатолий Карпов, тогда от курса будет намного больше пользы.

Лично по моим ощущениям, я бы поставил курсу 7/10 баллов.

Курс StartML
Хороший вводный курс в базовые концепции ML, его стоит рассматривать как стартовую точку для дальнейшего погружения в данную область. Из всех основных блоков (а их 4) — часть по ML разобрана максимально подробно.
Вводный блок хотя и содержит информацию про основы работы в python и базовый SQL всё же будет сложноват для тех, кто вообще не знаком с этим. В начале всё максимально подробно, но применяемые принципы ООП в блоке ML потребуют определённых знаний по написанию классов, собственных методов. Основные концепции желательно уже знать.
Блок по ML разобран настолько, насколько это возможно в рамках выделенного на него времени. Разобрана подкапотная жизнь основных алгоритмов, понимание на какой математической базе они построены будет.
Блок по DL очень-очень вводный, к нему не стоит предъявлять завышенные требования. Такого глубокого и детального разбора как в ML не будет. Все же достаточно подробно рассмотрены такие базовые вещи как тензоры и операции над ними. Понимание как выстраивать архитектуру точно будет. Дальше уже копать в глубину самим.
Блок по статистике и a/b тестам знакомит с основными статистическими критериями, вероятностью и их применением в a/b тестах. Здесь тоже без глубокого погружения в математику.
Поддержка осуществляется через Discord, живого общения здесь нет. Можно ходить на вебинары, но прям задачи курса там детально не разбираются. Вот эту часть хотелось бы добавить — хотя бы 1–2 раза за курс живое общение с экспертом.

Не фонтан, но брызги есть
Цель моего прохождения курса — освежить знания о базовых концепциях ML и их применении. В конечном счете цель была достигнута, но расскажу чуть подробнее про сам процесс.
Платформа, на которой проходят занятия, и прилагающиеся инструменты показались мне достаточно удобными и юзер-френдли, чтобы без проблем находить то, что мне нужно (именно с точки зрения навигации). Курс делится на 4 модуля, три из которых на мой взгляд довольно неплохи, чего не скажешь про четвертый.
Сначала о приятном: модули «Прикладная разработка на Python», «Машинное обучение и приложения», «Статистика и А/В-тесты» для начинающего ML-щика / дата-аналитика сделаны весьма сносно, хотя фундаментальные основания часто заметались под ковер. Мне, как человеку с базовым мат. Образованием, иногда это резало слух, но думаю среднему человеку, проходящему курс, так даже лучше. Порадовало, что присутствовал блок со статистикой и практическими примерами, а также была «пробежка» по airflow, git и прочим вещам, которые лично у меня в работе случаются всегда редко, но метко) Были замечены 5-10 опечаток/ошибок по ходу курса, но я списываю это на замыленность глаза создателя. В целом после каждого модуля начинающий может начать (неуверенно, но все же) писать какой-то программный код на Python, работать с БД, строить простейшие модельки (без глубокого на мой взгляд понимания ситуации изнутри), сравнивать их качество и определять значимые улучшения, и даже выкатывать свой сервис с простейшими запросами и ответами.
Блок «обзор основ deep learning», на мой взгляд, лучше было не добавлять совсем. Совершенно непроработанная программа, для новичка это 100% будет сравнимо с абракадаброй. У меня конкретно опыт с deep learning (опять же, с фунд. Математикой) имелся, и как человек с опытом, делюсь мнением, что так преподносить информацию не стоит. Преподаватель старался, это было видно, и первые 4 урока даже шли довольно бодро, но воткнуть с 5-го по 10-й уроки кучу разных шаблонных сетей — не лучшее решение. Не запоминается ничего. К тому же, задания из этого блока нужно было выполнять на kaggle, где есть некоторые проблемы с регистрацией (у меня она отняла минимум неделю). Своих инструментов для работы в этом модуле платформа не предоставляет. Мне попадались негативные отзывы в чате «студентов» курса именно об этом блоке, так что думаю, что я не исключение)
Отдельно расскажу про систему автооценивания — она хороша, но не совершенна. Иногда текст ошибки ограничен словом «неверно» и трудно представить, где искать промах. Мне понравилось, что сертификат получить непросто. Нужно выполнить первые две части фин проекта на максимальный балл и в целом за курс набрать хотя бы половину баллов. Это не просто.
Расстроило, что в эталонных (!) Ответах, открывающихся преподавателями студентам после дедлайнов, есть ошибки, и просто запустить код из ipynb не получится, нужно потрудиться и исправить промахи. Составители курса — такого точно допускать нельзя!
А в целом выражаю благодарность авторам, рассказчикам и всем, кто трудился! Вышло на твердую 4 из 5. Спасибо!

Курс StartML
Хочу поделиться своими впечатлениями от прохождения курса StartML.
Обучение проводится на платформе Karpov Courses. Лекции размещены в виде записанных уроков, которые открываются по расписанию, задания проверяются системой автоматически, а взаимодействие с командой КС осуществляется в Discord.
Обращаю внимание тех, для кого важное «живое» общение с преподавателем и обратная связь — здесь их количество сведено к минимуму. Существует возможность задавать вопросы на проводимом раз в месяц вебинаре, а при возникновении сложностей во время решения заданий, следует обращаться за помощью к экспертам в Discord. К работе команды экспертов нареканий нет: отвечают быстро, вежливо и действительно стараются помочь разобраться. Также после дедлайна по заданию открывается урок с его разбором, где свое решение можно сравнить с эталонным.
Я об этой особенности знала и лично меня такой формат устроил, но все же полное отсутствие код-ревью на начальных этапах можно отнести к минусам.
Касательно самого обучения:
Перед началом посоветовала бы познакомится с синтаксисом Питона и вспомнить основы математики (у KC есть бесплатные курсы).
Охватывается огромный массив информации, и самостоятельно его изучение и структуризация заняли бы огромное количество времени, именно поэтому я выбрала курс вместо самостоятельного изучения.
Особенного хотелось бы отметить первые два блока — Алексей и Никита просто преподаватели от Бога! Сложные темы объясняются очень просто, интересно и доходчиво. За блок классического машинного обучение вообще жирный плюс.
В блоке по Deep Learning немного «утонула», но он позиционировался как ознакомительный, и задания в нем были очень схожи с разобранными на лекции.
От блока по статистике тоже осталось много пробелов, но он наложился на другие трудности, не связанные с курсом, поэтому его мне сложно как-то комментировать.
В последнем блоке ведется разбор наиболее часто встречающихся вопросов на собеседованиях. Полезно как с точки зрения трудоустройства, так и просто вспомнить пройденное.
Главный недостаток курса на мой взгляд — это темп. Совмещать с работой в офисе 5/2 ОЧЕНЬ тяжело. На учебу уходило все свободное время, и даже его не хватило, чтобы как следует вникнуть в материал. В общем-то, в основном за это и снимаю звезду, так как курс придется пересматривать повторно, уже в своем темпе и вникая в то, что в спешке оставила на «потом разберусь». С оставшимися пробелами, если честно, уверенности в своих силах пока недостаточно, и такой продолжительный срок даже морально тяжело находится в режиме автрала.
В качестве пожелания для команды: рассмотреть возможность либо покупки отдельных блоков, как на HardML, либо выбора нагрузки и продолжительности.
Справедливости ради отмечу, что существует возможность перевестись в другой поток, но я ей не пользовалась, так как 7 месяцев уже оказались довольно утомительными, и хотелось завершить поскорее. Доступ к курсу сохраняется после его завершения.
Резюме: курс рекомендую, но советую учитывать отсутствие код-ревью и очень высокий темп обучения.

Курс «StartML»
Курс очень понравился. Хороший базовый вводный курс, необходимый и достаточный, чтобы начать развиваться самостоятельно и не пугаться статей по МЛ. Курс разбит на блоки по Python, ML, DL и статистику.

Блок Python: для новичков, умеющих только в Hello World, будет достаточно сложно. Разбираются концепции ООП и относительно продвинутого программирования. Желательно иметь уже небольшой опыт. SQL Разбирается на базовом уровне. Хотелось бы конечно побольше про библиотеку Pandas, но в целом круто.

Блок ML: тут без комментариев — Браво! Единственное хотелось бы заданий на самостоятельную реализацию некоторых библиотек, для более полного понимания.

Блок DL: Сложно, но интересно! Придется много читать, и искать самостоятельно, чтобы полностью вкатиться в тему (хотя любой процесс обучения на 80% это самостоятельный поиск информации и ее усвоение).

Блок Статистики: Тоже все круто, к математике вопросов никаких. Разбирались крутые библиотеки, строились красивые гистограммки, в общем одна красота.

Ну и конечно же из огромных плюсов — это поддержка кураторов, преподавателей. Отвечают на вопрос быстро, помогают разобраться в непонятных моментах.

А еще и конспекты остались! :)

Курс «StartML»
Курс «StartML».
Очень хороший вводный курс в классическое машинное обучение. Подробный разбор теории, последовательное введение в решение практических задач: шаг за шагом. Отличная гуманная команда специалистов поддержки — действительно пытаются помочь, а не просто пишут отписки.
В плане обучения затронуты темы:
1) Базовое введение в python и sql (осторожно: оно не базовое, оно для тех кто уже умеет сам писать хотя бы простейшие программы) — Все хорошо, вспомнили основные необходимые темы. Очень порадовал fast api.
2) Основные темы классического ML — тут все супер, никаких нареканий.
3) Введение в нейросети — мне было очень тяжело. Такое чувство, что очень быстро пробежали по верхам, но при этом требуется решать задачи в виде самостоятельной раюоты. Может быть проблема была в том, что я о нейронках до этого только слышала.
3) Математическая статистика — краткое хорошее введение в базовые понятия и обучение базовым навыкам для решения задач анализа данных.
4) Подготовка к собеседованиям — очень понравилось. Постарались затронуть интересные темы: сортировка, рекурсия и тд.
В целом впечатления о курсе очень хорошие, 5/5

Отличная база по МЛ
Проходила курс StartML по основам машинного обучения. Курс понравился, состоит из нескольких блоков.

1. Прикладная разработка на Python.

Отличный, очень познавательный блок. Хотя с языком была знакома и уже работала на нем, узнала много новго. Небольшой информации о SQL и AirFlow достаточно, чтобы заинтересовтаься и потом самой уже изучить все подробнее. Преподаватель — отличный, в конце блока было даже грустно с ним прощаться. Очень спокойно и поянтно объяснил весь материал, иногда даже слишком понятно:) Задания несложные, отличный блок, чтобы познакомиться с языком и библиотеками.

1. Машинное обучение и приложения.

Это просто восторг! Не уверена, что подать материал можно лучше, чем это полуичлось у Никиты. Весело, интересно, математично (!), Что для меня было очень важно. Очень здорво, что объясняют, почему модели именно так работают, откуда взялись формулы и с математической точки зрения углубляются в это. Очень-очень понравилось! Задания тоже отличные, их много, но это отлично, к концу блока уже свободно запомниаешь весь синтаксис и можно даже не подглядывать в конспекты:) Финальное задание, скажу честно, далось с трудом, много самостоятельной работы, попыток разобраться, но зато какая радость, когда все получается! А трудно в любом случае должно быть, иначе не интересно:)

1. Обзор основ Deep Learning.

Тяжело и очень интересно. Блок, конечно, осведомительный, никаких углублений, но все равно очень познавательный и классный. Преподаватель отличный, интресно рассказывает, но информация все-таки сложная, поэтому после блока хочется пройти отдельный курс по диплернингу)

1. Статистика и А/В-тесты.

Хороший блок, интересный, но после диплернинга все-таки трудно воспринимался, поэтому, возможно, надо было проходить его сразу после МО. Математика несложная и очень красивая, а программировтаь ее одно удовольствие:)

По собеседованиям тоже полезный блок, краткий, конечно, мноое придется читать/искать/изучать самому, но все равно полезно.

Еще из плюсов:

— доступ после окончания курсов (это просто золотой ящик с конспектами и видео-уроками)

— платформа действительно очень удобная

— приятная команда (преподаватели, кураторы, все очень компетентные и умные люди)

— времени на ДЗ дают достаточно (2 недели без снижения баллов), это очень важно

Минусов, как таковых, выделить. Не могу, единственное — все-таки людям, не знакомым с университетской математикой, советую сначала пройти какой-нибудь курс про математику для МЛ, потому что может быть довольно сложно с этим разбираться, а понять важно.

В общем, курс отличный, всем будующим МЛщикам очень советую и желаю удачи:)

Отличный курс System Design
Прошёл курс в феврале 2024 г. Все мои ожидания оправдались. Сейчас анализируя полученную информацию примерно прикидываю, что на самостоятельный поиск и освоение у меня ушло бы в 10 раз больше времени.

Отдельно хочу отметить формат курсов. Платформа удобная и понятная с первого дня. Обучение построено таким образом, что незаметно для самого себя удаётся организовать своё время для ненапряжного просмотра лекцийи выполнения заданий. Материал преподносится чётко и понятно. Можно смотреть на повышенной скорости. Плюс, есть конспекты, это вообще огонь. Я лично вел ещё и свой конспект, но он получился очень маленьким, так как подготовленные конспекты составлены довольно грамотно.

Активно пользовался чатами для общения с кураторами и экспертами. Отвечали на все вопросы оперативно и грамотно, чётко по делу!) Отвечали даже на вопросы напрямую не касающиеся материалов курса, за что отдельный респект!)

Ну и задания. Задания довольно интересные. Мне за месяц не успели наскучать.

В общем, рекомендую!

Один из лучших курсов на рынке с рядом минусов
Один из лучших курсов на рынке

Из плюсов:

— отличная база для аналитика (питон + статистика + Табло)

— средний темп обучения

— активное комьюнити школы

— полезные карьерные консультации абсолютно бесплатно после окончания курса

Из минусов:

— финальный проект мог бы быть более серьезным

— некоторые блоки (SQL, продуктовая аналитика сделаны так себе)

Курс StartML
В целом курс мне понравился, но как и везде есть свои плюсы и минусы.

Так как я уже был знаком с Python и статистикой, блоки по разработке и АБ тестам не являлись для меня очень полезными, но это не минус школе, материал вполне достойный, для старта начинающим должно хватить.

Блок по Машинному обучению вызывал только восторг. Никита Т. и этот блок – это огромный жирный плюс этого курса. Никита очень доступно объяснял каждую тему, уроки шли последовательно, из одной темы мы плавно перетекали в другую и, что мне очень понравилось, преподаватель давал мотивировку и доступно объяснял на примерах что, зачем куда и почему.

После лампового и доступного идет совсем не радужный блок по DL, который мне совсем не зашел. Ждал его очень сильно, но то ли преподаватель не зацепил, то ли материал показался непроработанным, то ли сама тема довольно таки сложная и я уже подустал. В общем, хоть и говорится, что этот блок просто обзорный, после прохождения осталось ощущение, что я ничего не выучил и ничего не понял.

В целом курсу спасибо, свою задачу он выполняет. Понятное дело, что в 6-7 месячный курс невозможно засунуть все, в любом случае нужно самостоятельно искать доп. информацию, благо есть саппорт, который может помочь с вопросами.

Считаю, что после курса вполне реально найти работу, если действительно у вас стоит такая цель (у меня такой цели не было). Дорогу осилит идущий...

За практикой - сюда
Очень здорово, что именно наши ребята пришли к такому продукту, ведь аналогов буквально нет. Если вы человек горящий идеей трудоустройства в сфере ML, но даже понятия не имеете что вас ждет - это реально классный продукт, так как есть возможность потрогать реальные задачи с приближенной инфраструктурой, а не просто написать в своем ноутбучке логрег модель.

Курс Аналитик данных
Только что закончила курс на Аналитика данных и по горячим следам хочу написать отзыв.

В целом курс очень достойный, программа качественно составлена, наполнение курса также объемное, получаешь очень много знаний и практики. Но сразу хочу сказать, что срок 6 месяцев для данного курса это очень сильная нагрузка на студента. Курс интенсивный, дедлайны жесткие, придется все 6 месяцев придерживаться жесткой дисциплины и уделять очень много времени на обучение, особенно, если вы с нуля обучаетесь этой профессии.

Материала очень много, лекции, конспекты, практические задания. Мне было очень тяжело укладываться в дедлайны, я не просрочила ни одного дедлайна, но для этого я все 6 месяцев тратила на обучение все свое свободное время и сидела за лекциями до ночи.

Совмещать с работой или другой бурной деятельностью будет очень непросто. Я об это не думала перед началом обучения и повторюсь мне было очень тяжело укладываться в сроки сдачи заданий. При этом если быть готовым к интенсивному обучению и не уезжать в отпуск, то курс точно поможет качественно обучиться аналитике данных.

Отзыв о курсе «Инженер данных с нуля»
Недавно я успешно завершил обучение на кусе «Инженер данных с нуля». Это был мой первый опыт обучения IT-специальности в онлайн-школе и дался он мне довольно тяжело (совмещение с основной работой учебному процессу очень мешало. Оценку курса я дам по модулям: модули SQL, Linux, Spark и Airflow я оцениваю на максимальный балл, поскольку и практики и теории в этих модулях было дано достаточно и находились они в сбалансированных пропорциях. Чего, к сожалению, не могу сказать про модули, посвящённые языку Python: на мой взгляд, в них стоило бы добавить больше практических заданий (особенно, в  «Python. Продвинутый уровень»). Также не понравилось соотношение теории и практики в модулях, посвящённых теории БД (Clickhouse, PostgreSQL и Теория реляционных БД): на мой взгляд, пустить сначала три объёмных теоретических блока, и только после них один большой блок с практикой по ним всем, — не очень верное решение. Считаю, что практические задания стоило бы распределить равномерно между тремя модулями, чтобы студенты не успевали разучиться решать задачки, пока поглощают одну чашу теории за другой) Система дедлайнов на курсе — штука спорная, но хорошо дисциплинирует, так что выделю этот момент в плюсы. Ну и скажу пару слов про поддержку: кураторы и эксперты на курсе работают хорошо — за всё время прохождения обучения не возникло никаких проблем во взаимодействии с ними. В целом, курс даёт широкое представление о профессии и, самое главное, обучает работе с кучей полезных инструметов. Я остался удовлетворён обучением, надеюсь, этот отзыв будет полезен