Школа Data Science KARPOV.COURSES

<b class="sw-review-item-body-service_name">DL. NLP Отзыв<br /></b>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.

<b class="sw-review-item-body-service_name">Karpov. Courses: Start ML<br /></b>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

<b class="sw-review-item-body-service_name">Достойный курс<br /></b>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.

<b class="sw-review-item-body-service_name">Курс start-ml<br /></b>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.

<b class="sw-review-item-body-service_name">Тяжело, но интересно и эффективно!<br /></b>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.

<b class="sw-review-item-body-service_name">Курсом остался очень доволен<br /></b>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.

<b class="sw-review-item-body-service_name">Симулятор DS<br /></b>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

<b class="sw-review-item-body-service_name">В целом мне понравилось.<br /></b>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.

<b class="sw-review-item-body-service_name">Я проходил курс Karpov. Courses «Аналитик данных», который длился 6 месяцев.<br /></b>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.

<b class="sw-review-item-body-service_name">Курс StartML<br /></b>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.

<b class="sw-review-item-body-service_name">Не фонтан, но брызги есть<br /></b>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!

<b class="sw-review-item-body-service_name">Курс StartML<br /></b>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.

<b class="sw-review-item-body-service_name">Курс «StartML»<br /></b>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! :)

<b class="sw-review-item-body-service_name">Курс «StartML»<br /></b>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

<b class="sw-review-item-body-service_name">Отличная база по МЛ<br /></b>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:)

<b class="sw-review-item-body-service_name">Отличный курс System Design<br /></b>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!

<b class="sw-review-item-body-service_name">Один из лучших курсов на рынке с рядом минусов<br /></b>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)

<b class="sw-review-item-body-service_name">Курс StartML<br /></b>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...

<b class="sw-review-item-body-service_name">За практикой - сюда<br /></b>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.

<b class="sw-review-item-body-service_name">System Design<br /></b>За последние несколько лет прошел несколько курсов, этот, к сожалению, входит в число худших. Давно наблюдал за karpov.courses и очень жаль, что мое знакомство с платформой состоялось в рамках этого курса. К сожалению, особо плюсов для себя не могу выделить, т.к после первых двух недель стало все предельно ясно и горящие глаза потухли.

Итак:

1. Записи лекций абсолютно не воспринимаются на слух, это и монотонность повествования, это и путанница в окончаниях, это и монтаж лекции, когда каждые 0.01 секунды идет склейка. Хорошо, что есть конспекты, подумал я. Но, как сказал один учеников в одном из отзывов тут же - это низкое качество конспектов. Материал в разы меньше, разнится с содержанием лекции, ошибки.
2. Если говорить про сам материал, то на мой взгляд это халтура. На сайте курса говорится о middle+, senior, teamlead, как о тех, кому подойдет этот курс. Но я не предствляю инженера, который заинтересуется верхнеуровневой базой из курса и почерпнет из этого верхнеуровневого материала что-то новое.
3. Ужасная коммуникация. На конструктивную критику от учеников были следующие аргументы, цитирую "... у системного аналитика всегда есть кейсы когда нет полноты информации и тогда стоит прийти к коллегам по команде или оунеру и задать уточняющие вопросы", с последующим утверждением, что это прокачка скилов уточнения требований, а не дыра в материале. Также на задержку в ответах, задержку в проверках домашних заданий раз за разом получали ответы, цитирую: "поток студентов далеко не один и приходить в каждый тред возможности нет", аналогичные ответы на вопросы о задержках в проверках дз. Почему информация о других потоках должна быть нам известна?

В какой-то момент к менеджеру курса с вопросами о возможности возврата средств за курс, тут было интересно, получил сразу ссылку на возврат и только последующую коммуникацию.

Поставил бы 2 звезды из 5, но оставляю надежды, что остальные курсы созданы с более глубокой проработкой и не ставлю крест на всей платформе, потому что многие знакомые хорошо отзываются о ней.

<b class="sw-review-item-body-service_name">Обучение у К.<br /></b>Понравилось учиться на курсах у К.. Хорошо проработан Python, SQL. Лучше всех реализована статистика. Улучшить стоит API Python, Airflow. В качестве BI систем рассказывают про Tableu. В целом по хардам знаний достаточно, чтобы зайти на стажера, джуна. Самое главное, что курсы реально объясняют материал с полного нуля, если у вас нет опыта, то вы сможете научиться с любого уровня. Также вы учитесь сами находить информацию, правильно гуглить - это поможет вам везде. В итоге сейчас почти год работаю аналитиком данных, доволен результатом.

<b class="sw-review-item-body-service_name">Simulator ML<br /></b>Во время прохождения симулятора качество моего кода заметно улучшилось благодаря тому, что в каждой задаче присутствует проверка. Теперь стараюсь писать документацию и тестировать свой код. Также мне понравилось, что задачи разделены на разные уровни и в самом уровне есть постепенное усложнение. Раньше думал, что работа ML инженера связана только с моделями, оказалось это не так и разнообразные задачи с симулятора помогли побольше узнать о разработке.  В общем симулятор ML оправдал мои ожидания. Есть конечно недочеты в некоторых заданиях, но как правило они разобраны в канале дискорда и ждут исправлений.

<b class="sw-review-item-body-service_name">Симулятор ML<br /></b>Получаю искренее удовольствие от прохождения данного курса.

- Во первых курс содержит большое количество задач, которые максимально приближены к тому с чем сталкиваешься в реальной жизни на работе, методы и подходы из некоторых задач уже удалось успешно применить у себя на работе.
- Во вторых поддержка на курсе тоже максимально приближена к коммуникациям в рабочей среде (да бывают моменты когда не сразу видят запрос, но его могли банально пропустить из за большой нагрузки. Когда тегаешь команду поддержки еще раз, то всегда отвечают и помогают решить проблему).
- В третьих курс действительно добавляет понимания как что устроено и какие подходы лучше использовать для решения бизнес-задач, на что стоит обратить внимания.
- В четвертых comminuty, всегда можно пообщаться в приятной двоерительной среде с участниками и командой Симулятора в чате телеграмм, задать интересующие вопросы на различные темы (даже помогли найти подход к решению рабочей задаче, которая никак не связана с Симулятором).

Каких-либо существенных минусов в курсе не вижу, этот курс действительно позволяет взглянуть на применение ML как оно есть на самом деле в жизни!

<b class="sw-review-item-body-service_name">Симулятор A/B тестов<br /></b>Отличный курс от сильных специалистов индустрии.

Курс подходит как для начинающих аналитиков, так и для тех кто уже работает в этой области.

Много практики, но и достаточно теории.

Важно отметить, что всё таки требуется определенный опыт программирования на питоне (в области анализа данных: pandas, numpy etc).

Кроме того, хорошо бы знать базовые вещи мат стата (достаточно пройти бесплатный курс на известной платформе от известного спикера по основам статистике).

Хорошая поддержка от суппорта, а также от самих авторов.

Лично я очень сильно вырос благодаря этому курсу.

<b class="sw-review-item-body-service_name">А все могло бы быть лучше...<br /></b>Начну с плюсов (к сожалению, их мало):

1. программа курса реально хороша в плане ML и DL, хотя и перегружена, на мой взгляд. Я так и не поняла, зачем нужен блок A/B тесты, потому что новой информации итак вагон и маленькая тележка, усвоить еще и A/B тесты (по которым, кстати, есть отдельный курс, насколько я знаю) почти нереально человеку, который обучается с нуля.
2. очень радует то, что доступ к материалам остается навсегда, так как в системе все по полочкам: видео/конспекты/задания.

Теперь минусы:

1. просто крик души. Ребята, наймите копирайтера!!! Курс стоит 18к в месяц, так почему я должна читать конспекты, написанные левой пяткой на коленке? Запятые в конспекте должны существовать не просто так, а чтобы лучше его понимать! Ну невозможно читать предложения длиной в нехилый абзац без запятых, ничего не понятно, что к чему относится! А от вашего неумения написать верно, к примеру, слово "параллелепипед" вообще плакать хочется.
2. ох уж этот сленг...ну не могу я в первом блоке понимать IT сленг в заданиях! Пример: "Войдите консолью в папку ...". Что, простите?

Дальше мои впечатления по модулям курса:

1. блок "прикладная разработка на python" - не понравился лектор (это чисто субъективно), пыталась читать конспекты, но см. п. 1 минусов, поэтому оценка 3/5.
2. блок "машинное обучение" - 10/5, ну очень понравилась и информация, и лектор, и задания.
3. блок "глубинное обучение" - 3/5. Лекции немного не зашли (чисто субъективно) + здесь мне уже требовалась помощь поддержки в решении заданий, этой помощью я осталась не совсем довольна. Не быстро, часто не по делу. Ответы в стиле "посмотрите лекцию" вообще считаю неприемлемыми. Да я ее 5 раз посмотрела, но не понимаю, что и как делать.
4. блок "A/B тесты" - 0/5. Не поняла, зачем он мне вот прямо в этом курсе. Не понравился лектор от слова совсем (он 2-х предложений связать не может, видео постоянно дергалась из-за многочисленных вырезанных фрагментов), странная длительность лекций: она огромная для этого блока!!! Например, тема "трансформеры" в блоке DL была рассказана за 30 минут (хотя, на мой взгляд, это очень сложная вещь), но при этом в блоке по A/B тестам лектор 2 часа 11 минут (!!!) вещал про доверительный интервал, для которого можно дать определение и остановиться.

Поддержка:

Команда поддержки - слабенькая. Простите, но от бота Евы после ее появления на платформе курса стало больше толка, чем от команды поддержки. Например, поддержка не могла помочь мне с заданием 8 дней. У меня все работало локально, но не грузилось в проверяющую систему. Я ошибку не видела. И только спустя 5 дней активного решения этого вопроса они углядели ошибку в моем коде загрузки в их систему, состоящем буквально из 5 строк. Ну, странно же...Вроде, должны сидеть опытные люди...

В общем, сложилось ощущение, что курс распиарен. Красивая обертка, а внутри все не так уж и вкусно.

Кстати, это не только мое мнение.

Знакомые - айтишники с опытом тоже недовольны раздичными курсами от karpov.courses, в первую очередь работой (или неработой) команды поддержки.

<b class="sw-review-item-body-service_name">Ml симулятор топ<br /></b>Как первое место работы у меня была должность ml инженера в медицине, но я очень хотел перейти в любую компанию, связанную с бизнесом, в идеяле it консалтинг, поэтому решил добавить опыта решения прикладных задач в симуляторе. То, что я получил на ml симултяоре превзошло мои ожидания, потому что темы заданий актуальные, новых знаний навалом, задания разделены по уровню и вкатываться в весь процесс было достаточно просто. Поддержка поддерживает, задания заданятся. Очень рекомендую ml симулятор, если вы уже подбераетесь к поиску первой работы или как я, хотите освежить память для будущего собеса. Сужу с высоты junior, поэтому не знаю насколько это будет полезно позициям выше, но, возможно, будет просто интересно.

<b class="sw-review-item-body-service_name">Понравился курс<br /></b>На данный момент заканчиваю курс Аналитика данных и за 5 месяцев получила пакет очень интересных и нужных мне, в текущей работе, знаний. Да, конечно, с нуля постигать программирование и статистику сложновато, но то, что я получила базу, основу это точно. Впереди еще много часов самостоятельных поисков, изучения и практики.
Лекторы подают информацию понятно и интересно, особоенно Анатолий Карпов, буквально все разжевывает) Эксперты по поддержке всегла на связи в Discord, и в выходные до позднего времени, что немаловажно. Подсказывают развернуто, общаются терпеливо))
Курс всего 5 месяцев, очень интесивный, поэтому имейте в запасе время для изучения, если решите пройти курс. Но это даже лучше, что такой короткий курс, лучше дальше не теряя веремни уже самостоятельно искать, это продуктивнее, на мой взгляд, чем растягивать и мусолить по 10-12 месяцев и быть приязанным к задачам от кураторов.
Так что очень рада, что дошла до конца - справилась, не бросила) Теперь для меня открыты двери в огромный, крутой и  интересный мир IT)
Hello, World!))

<b class="sw-review-item-body-service_name">Курс будет полезен всем, кто работает с данными<br /></b>Этот курс будет полезен не только тем, кто хочет вкатиться в IT, но и всем специалистам, которые работают с большим объемом данных (финансисты, экономисты, менеджеры) и хотят значительно улучшить свои рабочие процессы.  Я работаю финансистом и Excel часто не вытягивает большой объем данных, даже используя настройки Power Query/Pivot. Поэтому я стала искать курсы по Python/SQL. В итоге решила взять полноценный курс по аналитике.

Курс достаточно хорошо структурирован. Модули по Python, SQL и Tableau мне особенно понравились. Причем Python приходится использовать практически на всем протяжении курса, постоянно вспоминаешь уже пройденный материал и изучаешь новые методы. Для меня Python оказался одним из самых сложных модулей, я на него потратила очень много своих сил и нервов) Но в конце курса уже начинаешь писать код без шпаргалок и конспекта.

Некоторые темы разобраны поверхностно, но ребята дают много дополнительных материалов и можно изучить самостоятельно. Не могу это прямо отнести к минусам, все-таки за 5 месяцев пройти углубленно большое количество материалов сложно. Базу дадут на курсе точно – остальное гугл нам в помощь, искать материал самостоятельно одно из главных качеств аналитиков)

Сам курс насыщенный и ребятам, которые до этого не знакомы с программированием и данными, будет особенно сложно. Пройти курс в расслабленном темпе вряд ли получится, обучение будет занимать большую часть свободного времени. Но курс явно стоит потраченных сил, времени и денег.

<b class="sw-review-item-body-service_name">Аналитик данных<br /></b>Начинал свое обучение 28.02.2023 . Пошел на курс без какого либо опыта в аналитике. Команда курса очень отзывчива и всегда готова помочь , даже если время было уже вне их графика . Обещанные навыки я освоил достаточно хорошо и даже немного больше чем гарантировали . Так что если советовать нишу по обучению аналитике , советовал бы данную школу