Курсы по аналитике данных от KARPOV.COURSES

Я пришёл на курс с определённым бэкграундом в программировании и ML, поэтому в целом мне было просто проходить многие вещи. Задачи идут по нарастающей, поэтому всё доступно. На лекциях подробно разбираются такие вещи, которые вы вряд ли встретите на других площадках. Я шёл сюда именно за этим - хорошо понимать как всё работает изнутри. <br /> В финальном проекте, который состоит из нескольких частей, вы не просто делаете fit predict, а делаете полноценный сервис, такой же как вам нужно будет делать на реальной работе.

Проходил курс Симулятор аналитика 17072023. Login: an-a*a**nov<br /> <br /> Сомнения внезапно проявились еще на вводном семинаре где Анатолий вводил в курс дела. На вопрос из чата "какая трудоемкость, сколько рекомендуете заниматься по опыту прошлых потоков" , Анатолий не ответил прямо, сославшись на то что у всех по разному. Ну ладно.<br /> <br /> Сразу про единственную положительную звезду. Учебные материалы в целом достойные, объяснения хорошие, все полезно. Дополнительные полезные ссылки. Сайт удобный, быстрый, ничего не виснет, как у некоторых школ, дизайн фирменный просто отличный.<br /> <br /> В остальном, все очень печально.<br /> <br /> Минус первая звезда. Структура курса, фактически курс длится 2 недели, первая неделя не считается, там знакомство и учебы никакой. Затем до второго августа выходили материалы, а потом только видеоразборы заданий. Разметка дедлайнов построена неверно, на дашборды и метрики слишком много внимания, меньше чем на Airflow и автоматизацию, что странно, так как эти темы намного сложнее.<br /> <br /> Минус вторая звезда. Неработающая инфраструктура. Все время в начале обещали письмо с логином и паролем для инструментариев. Оно так и не пришло, но внезапно можно было заходить с логином и паролем от karpov.courses. Ладно, но ежедневные Access is denied и Permission error, просто надоели. Фактически не удалось сделать нормально не A/B не остальные задачи с кодом и Git. Все время убивал на настройки в попытках разобраться что не так. Orbit в k8 Jupiter так и не заработал, пришлось в Google Colab пытаться что то сделать.<br /> <br /> Минус третья звезда. Вытекает из второй. В целом саппорт очень скупой. Очевидно что большинство студентов стараются больше учиться в субботу и воскресенье и вопросы как раз и копятся в это время. Но они получат ответы не раньше вечера понедельника, а может и позже, а может и вопрос пропустят случайно. Некоторые рекомендации сродни "кеш почистите".<br /> <br /> Минус четвертая звезда: Оценивание. Оценки завышают. Тут все просто. Сеньоры, конечно, не слишком хотят смотреть однотипную ерунду от кучи джунов и разбираться в этом ворохе. Поэтому быстренько ставят хорошую оценку и на этом все. Мне оценили задание на 10 /10, при том я по факту во многом скопировал его с лекционного, добавил интерновской отсябятины, по ТЗ не доделал его и не надеялся на большее чем 4/10. Комментарии к заданию также скупы, кому как повезет. Проверка очень долгая 2 недели, иногда и дольше.<br /> <br /> В итоге можно прийти к неутешительном выводу. Плюсов в сравнении с пиратской версий нет. Инфраструктура битая, саппорт слабый, оценки ничего не дают, материалы и так можно получить бесплатно.<br /> <br /> Понимаю что наверное не самый лучший студент с не самой уверенной базой, и так еще получилось что из-за неудачных обстоятельств выпал на 4 дня из учебного процесса, и времени наверстать, особенно сложные темы по ETL, опять же из битой инфраструктуры. Считаю что 50% цены просто обязаны вернуть, буду стараться получить, так как так нельзя, фактически полная неудача с курсом.

Меня, как системного аналитика, заинтересовал курс по System Design. Я часто общаюсь разработчиками one-to-one, и мне очень важно разговаривать с ними на одном языке. На работе я создаю компонентные/модульные схемы и защищаю их на архитектурном совете. Именно благодаря обучению я понял, как это должно быть на самом деле, какие частые ошибки я совершал во время проектирования и что нужно делать, чтобы их избежать.<br> <br> Многие моменты в обучении пересекаются с моими знаниями по системному анализу (ACID, CAP теорема). С помощью курса я смог структурировать свои текущие знания, провести параллели и узнать много нюансов. Я понял, как на основе требований оценивать нагрузку, масштабировать систему и повышать её отзывчивость, и разобрался, как работают разные алгоритмы поиска. Реализация поиска была мне особенно интересна, такую информацию мало где встретишь: чёткая, структурированная и по делу.<br> <br> Рекомендую этот курс всем системным аналитикам — он позволит посмотреть на вашу работу под другим углом. Курс проходится довольно быстро и легко. Имея возможность применить полученные знания в работе, вы всегда будете на одну ступеньку выше своих коллег.

Я закончила НИУ ВШЭ 2,5 раза: прервала свой университетский путь посреди аспирантуры :) Сейчас работаю там же на исследовательской позиции, мы занимаемся экспериментами.<br> <br> Коллега нашла этот курс и посоветовала мне. Все мы когда-то слушали лекции Анатолия на Степике :) На тот момент я планировала подавать резюме на продуктовые вакансии, поэтому для меня программа оказалась актуальной.<br> <br> Хороший разбор на пицце, удобная собственная платформа для тестов. Объяснения в тексте понятные, я много конспектировала. Я получала удовольствие даже от решения простых задач. Как ни странно, понравился финальный тест — было ощущение прохождения босса.<br> <br> Теперь могу написать в резюме, что разбираюсь в А/В-тестах на базовом уровне. Планирую перепройти курс ещё пару раз, когда будут конкретные задачи на работе, поэтому благодарна, что доступ к нему не закрывается.

Обучался 3 месяца на симуляторе ML с декабря 22 по февраль 23. До этого был опыт работы аналитиком данных 1 год. <br> Курс понравился. Задания разнообразные, затронуто много областей, из которых можно выбрать, что ближе по душе. Так же круто, что есть чат, где можно пообщаться с создателями курса на различные темы. Поддержка в дискорде работает оперативно) <br> Теперь планирую попасть на курс Hard ML)

Понравилось учиться на курсах у Карпова. 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.

Всем привет!<br> <br> 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). Писал pipeline для Airflow файлами json.<br> 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, названия которых я не помню. Ну и конечно же расширить свой кругозор в области DE. <br> 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.<br> Выбирал между 2 - Яндекс.Практикум и Karpov/Courses.<br> Выбрал K/C потому что :<br> 1. Срок обучения 6 месяцев против 1.5 года у Яндекса<br> 2. Понравилась программа обучения (темы и стек) - DWH, MPP, ETL (Airflow), Big Data, Cloud, ML, Model &amp; Data Management<br> 3. Не понравился у Яндекса стек<br> 4. На момент оплаты была скидка (вместо 102 т.р. можно было оплатить 80), в рассрочку на 6 месяцев от Яндекс.Pay (😂) стоимость составила 83 т.р. c учётом переплаты. <br> 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. <br> 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.<br> 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. <br> 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. <br> 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. <br> 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. <br> 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. <br> По модулю Автоматизация ETL-проектов материал был хорошо подан, но изучение этого модуля пришлась на мой отпуск и желания что-либо программировать не было вообще - так что около половины модуля из-за которого я пришел на обучение я просто пропустил(. Но зато с утроенной силой прошло обучение по другим модулям - Big ML, Управление моделями и данными.<br> 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. <br> 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.<br> Мои ожидания от курса полностью оправдались. Готов советовать курсы K/C своим знакомым или людям, которые хотят подучиться на DE.

Отличный курс для старта в машинном обучении. Занятия проходят на собственной платформе с предзаписанными уроками. При этом уроки открываются с некоторыми перерывами, что позволяет знаниям лучше отложиться и не дает перегореть.<br /> К каждому уроку прилагаются хорошие домашние задания, которые проверяются автоматически на платформе курса. Это является и плюсом и минусом, так как домашки можно сдавать в любой момент (в рамках дедлайнов) и можно сразу увидеть результат выполнения. Но при этом это же и минус, так как живой человек не смотрит на код и качество выполнения заданий. То есть код может быть ужасным, но выдавать правильный ответ, но узнать о том что все плохо не выйдет) В теории можно ходить и спрашивать у команды напрямую, но не видел чтобы кто-то так делал.<br /> Сами блоки очень качественные. Особенно по python и классическому ml.<br /> На курсе не просто рассказывают как делать fit\predict, а рассказывают как все устроено изнутри. Настолько хорошо, что после курса вы будете в состоянии написать свою ml библиотеку с нуля на любом языке.<br /> Темп обучения достаточно быстрый и в сжатые сроки дают большое количество информации. Для тех, кто имеет любой обыт разработки это огромный плюс, так как кол-во воды минимум. Но если вы приходите полностью с нуля не имея опыта разработки вообще, то будет очень сложно.<br /> Блок по deep learning обзорный и приходить в первую очередь нужно за классическим ml, но и по deep learning база дается хорошая, будет поняно как развиваться дальше.<br /> Если возникают сложности с заданиями, то команда тоже всегда на связи и готова помочь.<br /> В целом крайне рекомендую курс, особенно если уже есть опыт разработки на любом языке с любой технологией. Если вы с нуля, то советую оценить свои силы и приходить только если не совмещаете обучение с фулл тайм работой

Спасибо вам, что делаете такие клёвые задачи!<br> <br> У меня уже давно такого не было, чтобы я решал задания из онлайн-курсов (обычно покупаешь курс и потом забываешь о нём, если никто не трогает и не напоминает).<br> <br> А тут я сам от себя в шоке: у меня огромное желание решать задачки без всяких напоминаний.<br> <br> Вы делаете очень крутой продукт.

В System Design нет единственно верных решений, поэтому тут нужна только практика. Как минимум, чтобы не страдать синдромом самозванца, вам в вашей жизни рано или поздно нужно обучиться проектированию систем на разных уровнях. Данный курс предоставит шаблон и поможет разобраться в последовательности обязательных действий для дизайна систем. Поэтому этот курс больше подойдёт начинающим DevOps, опытным Machine Learning инженерам, всем специалистам по Data Science, кто планирует закрыть свои инженерные пробелы, и, очевидно, backend- разработчикам разной весовой категории. Перед покупкой курса рекомендую обратить внимание, что курс позиционирован как интенсив, то есть здесь будут домашние задания и лимит по времени. Выполняя их в срок, вы сможете выработать свой стиль высокоуровневого дизайна систем.<br> <br> Если вам удастся серьёзно подойти к курсу, то могу точно сказать, что после него у вас будут развязаны руки и вы сможете легко понимать любые ролики по System Design на Youtube. Это поможет более плодотворно подготовиться к интервью на любые позиции в тех. гиганты либо же самостоятельно спроектировать систему для своего стартапа.

В IT и в разработке я давно. Больше 10 лет опыта в 1С. В последние 2 года переключился в Data Science. Сейчас работаю в роли DS над созданием рекомендательных систем в ритейле.<br> A/B-тесты давно не давали мне покоя. Коллеги в индустрии говорят об их важности. В вакансиях отмечают пунктом «должен уметь». Но в сети практически нет последовательных материалов как разобраться в этой теме. Читал статьи, смотрел видео, а картинка «как именно делать по шагам 1-2-3» так и не складывалась.<br> Симулятор как раз закрыл этот пробел. Буквально на пальцах объясняется «что делать», «как делать» и «почему делать». Без лишнего углубления в математику. После симулятора у меня сложился пазл в голове. Прочитанные раньше статьи и просмотренные видео встали на свои места.<br> Как делать дизайн эксперимента, на что обращать внимание<br> Как правильно делить пользователей на группы<br> Как проводить А/А и А/B симуляции перед самим тестом, и почему этот шаг нельзя пропускать.<br> Как контролировать ошибки I и II рода, и как убедиться, что мы их контролируем<br> Как правильно оценить время и размер групп для эксперимента<br> Как статистически обосновано принять решение, что группа B лучше, чем группа A, или не лучше.<br> Как правильно тестировать конверсии, средний чек и в чем там подвох И еще много других «Как».<br> Прикольно, что сначала очередную идею доносят без кода на Python в простых табличках. Меня это даже сначала оттолкнуло. Зачем? Я же не буду в Excel считать?! Даже часть заданий я все равно сделал, написав код :) #Яжепрограммист.<br> Но это оказалось интересно. Не отвлекаясь на код, я понял суть и порядок шагов. А дальше уже докинули и шаблоны кода на Python, и задания попрактиковаться. Так что к пазлу в голове у меня добавились и шаблоны кода для внедрения.<br> Сейчас работаю над тем, чтобы применять эти навыки у себя на работе и привнести культуру правильных A/B-тестов в наши проекты.

Перед тем как начать свое обучение, я хотел укрепить и разнообразить свои навыки в области ML. Могу с уверенностью сказать, что мои ожидания полностью оправдались.<br> <br> Благодаря крутой экосистеме симулятора получилось порешать задачки на всех этапах разработки ML-системы, а также попробовать себя в разных сферах(matching, NLP, RecSys, uplift). Очень порадовало, что каждый месяц появляются новые задачи, а у студентов есть возможность предложить свою задачу, и если другие студенты за нее проголосуют, то команда возьмет ее в разработку.<br> <br> Поддержка была всегда оперативной + всегда можно написать в чат за помощью, где студенты, вместе с авторами симулятора, готовы помочь.<br> <br> Я однозначно рекомендую этот симулятор всем, кто хочет закрепить, улучшить и разнообразить свои навыки в области машинного обучения. Однако стоит быть готовым к тому, что вам придется решать многие задачи самостоятельно. Это не тот тип курсов, где вас будут "вести за руку" от начала до конца, ведь именно в самостоятельности фишка симулятора, прямо как на обычной работе.