KARPOV.COURSES

На данный момент заканчиваю курс с чувством выполненного долга и гордости за себя, что смогла и не бросила на полпути) До этого я вообще не сталкивалась с программированием и сейчас не сказать что прям совсем профи. Впереди еще много самостоятельных поисков и изучений.
Если вы, как и я идете на курс с нуля, то будьте готовы к большой самостоятельной работе и имейте достаточно времени. Да, на курсе расскажут основы, азы, но для полного понимания информации нужно гораздо больше. И даже лучше, что курс короткий (5 месяцев), в отличие от других (9-12 месяцев), так как самостоятельное изучение считай практика.

Про ребят, которые проводят курс и группу поддержки могу сказать только положительное. Лекторы интересные и в доступной форме объясняют основы. Особенно сам Анатолий Карпов, прирожденный учитель) Группа поддержки в discord тоже молодцы, всегда на связи, в выходные дни тоже до позднего времени, до 23.00. Отвечают в течении 3-7 минут развернуто и терпеливо)) Спасибо им

Да, были и слезы и ощущения, что куда я лезу в такое сложное вот это вот все, но упорство и желание заставляли идти вперед) и я бесконечно этому рада)
Впереди открыты двери в большой, крутой и безумно интересный мир IT
Hello, World!)))

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.

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.

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.

Поддержка была всегда оперативной + всегда можно написать в чат за помощью, где студенты, вместе с авторами симулятора, готовы помочь.

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.

Обучался 3 месяца на симуляторе ML с декабря 22 по февраль 23. До этого был опыт работы аналитиком данных 1 год.
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)
Теперь планирую попасть на курс Hard ML)

Всю мою осознанную жизнь я понимал, что хочу работать в сфере IT, но не знал, с какой стороны начать делить этого слона.

Мой первый опыт начался с обучения языку Java, но после окончания двух курсов я так и не нашел работу, потому что зарплата, которую мне предлагали, была ниже минимума, который может себе позволить семейный человек с ипотекой.

Время шло, и мысль о IT-сфере всё больше и больше зрела в моей голове. Летом 2022 года я решил, что время пришло: со слов моего очень близкого друга, который уже давно трудится в этой сфере, программист какого-либо языка должен обладать серьёзными хард скилами, которых у меня нет, а это в дальнейшем может негативно сказаться на трудоустройстве. Он предложил рассмотреть специальность аналитик данных (человек, который умеет кодить на должном уровне (код должен отработать хотя бы один раз) и при этом умеет работать головой).

Посмотрев различные образовательные курсы, я остановился на школе karpov.соurses.
После прохождения демокурса я понял две вещи:
1. Аналитика — это про меня
2. karpov.соurses помогут мне достичь моей цели.

После начала обучения жизнь просто понеслась, три урока в неделю не оставляли времени на привычное безделье и прожигание энергии в соцсетях и фильмах. Курсы по Java очень помогли понять Python. Но ребята с курса, которые ни разу не кодили, не встретили больших сложностей в усвоении материала. Как-никак лекторы рассказывают все нюансы: от простого Hello, world! до сложной агрегации нескольких таблиц с подсчётом метрик и отправкой результата себе в телеграм.

После завершения курса я перевёлся на своей основной работе на должность аналитика. Конечно, не все навыки, которые я получил на курсе, я сейчас использую в своей новой работе. Но я планирую двигаться дальше, и хороший запас знаний, который остался после курсов, мне поможет.

Всем кто решится на этот путь, пожелаю удачи, сил и терпения — да пребудет с вами Сила!!!

До курса «Аналитик данных» опыта в программировании у меня не было. Ранее сталкивался с аналитикой в дропшипинге, но это была лишь вершина айсберга. Моё образование «техническое обслуживание и ремонт автомобильного транспорта», проще говоря — механик.
До обучения в karpov.courses я работал на позиции продавца консультанта в течение последних 5 лет. Я испытывал дискомфорт от своей рабочей деятельности и натыкался на огромнейшее количество курсов по различным профессиям, но всё казалось не очень привлекательным и перспективным. Ещё летом 2022 хорошие знакомые стали рассказывать мне о перспективах IT-профессий и посоветовали karpov.соurses. Мой выбор пал именно на аналитику, это был тот профиль, который заинтересовал меня больше всего. Внушительный список задач, лекций, возможность развиваться и полная встряска для мозга — что может быть прекраснее?
Конечно, после 5 лет деградации на одном месте начинать было тяжело и, честно говоря, страшно, особенно когда слышал о загадочных Python, SQL, GIT. А от одной мысли о предстоящем прохождении блоков «Теория вероятности», «Статистика» и «Визуализация» меня бросало в панику, ведь даже в колледже математика и геометрия были тем, что я не любил больше всего.
Когда началось обучение, пришлось совмещать его с работой, было много бессонных ночей, много непонятного и шквал эмоций, но на самом деле — стоило только вникнуть поглубже, каждый новый день был для меня открытием чего-то нового, и я был рад тому, что снова не стою на месте и развиваюсь.
На курсе к моему удивлению я полюбил SQL, Python, теорию вероятности и визуализацию. Когда проходил блоки и вдруг возникали вопросы, удивляло, как преподаватели тщательно помогали во всём разобраться и донести информацию так, чтобы это стало понятно, и насколько чётко сформулированы лекции и задания. Уже к середине курса я понял, что способен решать самостоятельно продуктовые задачи, которые пару месяцев назад казались мне непреодолимой стеной, и я как нетерпеливый человек решил попробовать свои силы в рабочем процессе. Не дождавшись блока «Трудоустройство», прошёл собеседование и на данный момент работаю в Food Tech компании, где применяю весь опыт, который получил на курсе.
Я действительно считаю karpov.courses топовой платформой обучения, ведь курс помог мне открыть двери в новую жизнь, стать увереннее в себе и почувствовать себя больше, чем просто «продавцом-консультантом». Я ни капли не пожалел о том, что обучался именно здесь, так как обширное количество блоков, задач и лекций позволяют выпуститься незаменимым и востребованным специалистом. До обучения я никогда бы в своей жизни не подумал о том, что буду получать искреннее удовольствие от своей работы и жизни, а также ежедневно развиваться.
Хотел бы добавить для тех, кто ещё обучается или только думает начать: сложности в обучении — это нормально. Позволь себе преодолеть страх и получать удовольствие от того, что делаешь.

Содержательный интенсивный курс с широким спектром инструментов для начинающего аналитика. Плюсы:
● отличный быстрый саппорт;
● возможность посмотреть разбор заданий, чтобы сравнить свой вариант решения с решением опытного аналитика;
● готовые конспекты по лекциям, что значительно экономит время на обучение.

Это лучший курс, который я проходила. Я уже начала работать аналитиком, но мне нужно было структурировать и упорядочить знания. Курс идеально с этим справился. В курсе были разобраны все основные инструменты для работы аналитиком. Курс направлен скорее на работу продуктового аналитика, что сейчас является особенно актуальным. В курсе было очень много информации, к которой периодически возвращаешься. Здорово, что доступ к материалам сохраняется.

Обучение в DS я проходил самостоятельно, без платных курсов. Но практики везде мало. Как правило, в курсах есть примеры, практические задачи, но это все не то. По отдельности куски тем вроде и понятны, но из этого не складывается понимание, как подходить к решению конкретной большой задачи из бизнеса.

Симулятор как раз заполняет эту брешь. Реальные задачи из прода, большой объем данных, и что порадовало отдельно — хорошая вводная теоретическая часть.

Опишу здесь опыт классического гуманитария, который смотрит в сторону анализа данных.
Приступила к обучению в январе 2023 года, окончила в августе 2023.

Прежде никакого даже приблизительно похожего опыта у меня не было, с чистого нуля, Притом что в институте была теория вероятности, матстат и некоторые дисциплины, имеющие хоть какое-то отношение к настоящему курсу, все это совершенно забылось за 10 лет, в работе не встречалось.
Задачей было попробовать и оценить, могу ли /хочу ли я освоить новую профессию, которая казалась мне достаточно привлекательной.

Скажу сразу для полных новичков, каким была и я: ни в коем случае не затягивайте с началом занятий, иначе дедлайны вас погубят. В силу семейных обстоятельств я была вынуждена начать на неделю позже, чем весь поток. В результате первый и важнейший блок по Python вогнал меня в страшную фрустрацию: мало того, что я ничего не понимала , но не хватало времени разобраться. После двух месяцев борьбы с ветряными мельницами я чуть было не бросила учебу, но сообразила воспользоваться переводом на поток назад - эту опцию тоже стоит иметь в виду. Как минимум один раз одна бесплатна. Я прошла еще раз основы Python с новым потоком в нормальном темпе и по второму разу, повторяя руками все, что делал лектор во время лекции, и только тогда что-то стало укладываться.

После нормализации тайминга дело пошло легче, блок SQL понравился и давался в разы проще, чем Python.

Блоки по теории вероятности и статистике были для меня непростыми, но помогало то, что ранее я слушала курсы Анатолия Карпова на Stepik и какое-то общее впечатление успело отложиться, и лекции его были мне понятны, плюс- было кому помочь.

Незаметный по началу блок Git важен, так как посредством этой системы будут сдаваться промежуточный и итоговый проекты. К сожалению, объяснения мне совершенно не хватило, нашла в Youtube обширную лекцию (часов на 5), благодаря которой смогла понять, что это вообще такое и как оно функционирует. По моим впечатлениям, многие студенты без какого-либо опыта также нередко терялись при использовании инструмента.

Блок визуализации показался мне неплохим, как ни крути но Tableau где-то выучить нужно. Я закрыла не все задания, но поймала основной принцип.

Блоки по развитию продукта и продуктовой аналитике, возможно, не самые глубокие, но как мне кажется, их задача - дать общее представление. Я считаю, что в целом его получила, и логику поняла. Остальное можно дополнительно осваивать в зависимости от того, кто чем планирует заниматься.

Блок airwlow прошел практически мимо меня - материал лично мной считывался плохо. Насколько я поняла, для данного блока было просто маловато времени. При необходимости я буду искать дополнительные материалы, они точно есть, и с толком и расстановкой их осваивать. Благо для финального проекта блок был не критичен.

Что касается работы техподдержки - в целом мне ее было достаточно, хотя некоторые ответы сотрудников вгоняли в еще больший ступор.

Предлагаемые для работы платформы по началу вызывали ужас - их было сразу много новых, но довольно скоро я освоилась и в целом было удобно.


По итогу могу резюмировать, что по прошествии разных стадий (отрицание, торг, депрессия...))) курс скорее оправдал мои ожидания чем нет, из 10 поставила бы 7,5. Это большое направление которое требует знания ряда инструментов, чтобы хотя бы начать развиваться в профессии. Это самый короткий курс из тех, что мне известны, и он крайне насыщен - организаторы постарались вместить в него все, что можно по ключевым позициям. Насколько для вас подходит такое решение - все индивидуально. Если бы я не торопилась, возможно искала бы какую-то годовую программу. Однако что несомненно - общее впечатление я получила и теперь время думать, точно ли мне стоит двигаться в эту сторону, так как это несомненно потребует дальнейших немалый усилий.

Из советов: если есть время и нет никакого профильного бэкграунда, лучше бы ознакомиться с базовыми понятиями тервера, матстата, python и sql посредством бесплатных курсов (тот же Stepik) и в своем ритме до того, как вся эта махина знаний обрушится на вас.

По времени: первые 3-4 месяца курс занимал почти ВСЕ мое время, при этом я работала только на четверть ставки.

Еще одно важное замечание: у меня есть знакомые в этой сфере, которые потратили немало времени, чтобы объяснить мне что-то, послать дополнительные материалы, разобрать со мной на пальцах что к чему. Не уверена, что без их помощи и поддержки дошла бы до конца. Так что заручитесь консультантом, если таковой есть в вашем окружении.

Я настоятельно не рекомендую данный курс. Все его материалы были записаны примерно три года назад, и нет никакой возможности общаться или взаимодействовать с преподавателем. Они просто проверяют домашние задания, а поддержка обычно отвечает, что нужно искать ответы в поисковике. Утверждение о 84% трудоустроенных явно неверное. В группе только выкладывают вакансии, и это все, на поддержку рассчитывать не стоит. Я считаю, что этот курс не стоит своих денег. Он в целом не стоит никаких денег

1) Часть по питону понравилась, собственно по ней и давался демо доступ, поэтому и решил купить курс (но на том же степике можно пройти бесплатно крутой курс по питону + за тысячу рублей посмотреть курс по пандасу, объясняют не хуже)
2) Часть по sql показалась мне слабой, в свободном доступе полно бесплатных материалов, которые лучше, чем здесь
3) По статистике можно посмотреть бесплатный курс Карпова на степике +- тоже самое что и здесь
4) До визуализации я не дошел, но в чате писали, что довольно слабая подача материала

В итоге деньги за половину курса я вернул, т.к. понял, что данная специализация мне не подходит, хотя у меня все домашки сданы вовремя и на макс балл.
Возможно у меня были завышенные ожидания, но по итогу я не понял, за что отдаю такие деньги. Может быть за возможность всегда обратиться в саппорт, который поможет с решением задачи, но этим я пользовался всего пару раз, но судя по каналу в слаке, кому-то такая помощь была ну очень нужна, может в таком случае и правда стоит платить + возможно круто помогают с трудоустройством, но до этого я не дошел.

Про 84% ложь, в конце курса с вами просто час пообщается HR менеджер проверит ваше резюме, поможет исправить его, скинет кучу файлов, в которых мало информации, а половина ссылок не работает. Посоветуют накрутить опыт (сам курс как опыт типа) и на этом вся помощь кончается.

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.

Проходил курс Симулятор аналитика 17072023. Login: an-a*a**nov

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.

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.

В остальном, все очень печально.

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.

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.

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".

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.

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.

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.

Я был преподавателем экономики и статистики в нескольких вузах. Никакого опыта в IT не было — я мог на бумажке посчитать доверительный интервал по t-таблице, но не мог и двух строчек написать на Python.

Преподавание в вузе — это очень тяжёлый труд. Я начал выгорать, да и денег не хватало, и я понял, что нужно менять работу. К тому времени я уже начинал посматривать в сторону анализа данных, но никакой практики у меня не было, только немного теории. Я хотел понять, насколько это моё, но уверенности не было, никаких «горящих глаз», «хочу стать дата-сайентистом» и «аналитика это так классно». Была только усталость и желание круто повернуть свою жизнь. Любопытство победило, друг посоветовал этот курс, и я пошёл.

Первый блок «Введение в Python» стал действительно хорошим посвящением для людей вроде меня, которые имеют мало опыта работы с языками программирования. Однако ближе к концу блока на лекциях стало очень много обзорного материала по достаточно сложным системам, и я закончил его с ощущением лёгкой растерянности.

Второй блок «Машинное обучение» пошёл гораздо лучше. Понравилось обилие картинок, теории, практики. Это самый большой блок в курсе, и, возможно, это как раз и позволило лектору развернуться. Но главное то, что в целом результат получился отличный. Здесь был один из самых ярких моментов курса: нужно было написать вручную алгоритм градиентного спуска, причём в виде класса, а с ООП у меня не заладилось ещё с первого блока. Я начал ныть в чате, но лектор пришёл, сказал мне «Давай, ты справишься!», и да — я поверил в себя и справился. И это было здорово.

На третьем блоке по нейросетям я, скажу честно, слился примерно после трёх уроков. Тема сложная, не было достаточно мотивации в плане того, что мне это будет нужно в работе. Не удивлюсь, впрочем, если в будущем их знание всё-таки понадобится. Буду знать, где посмотреть.

Четвёртый блок, статистика, прошёл хорошо. Возможно, здесь сработало то, что я уже был знаком с некоторыми понятиями, хотя многое оказалось новым.

Последний блок посвящён подготовке к собеседованиям. На самом деле, примерно половину блока составляли задачи на алгоритмы. Человеку без опыта, вроде меня, они вынесут мозг, но в моменты, когда удается самому построить алгоритм правильно, испытываешь радость.

Нет, я не получил работу в IT. Я даже, честно говоря, не достиг изначальной цели — так и не понял до конца, нравится ли мне Data Science. Моменты радости часто сменялись разочарованием. Вопросов осталось много. С другой стороны, одного очень важного результата я достиг — понял, что не боюсь этой сферы. Если когда-нибудь я займусь этим всерьёз, то буду знать, что делать.

Решил записаться на этот курс, раньше назывался start ml, чтобы изучить основы машинного обучения, и в будущем сменить профессию.
Контент курса состоит из предзаписанных лекций, практики и разбора задач из практики.
1. Прикладная разработка на Python. Отличный модуль по python, есть немного про pandas, numpy, airflow, основам бд. У меня хоть и был опыт разработки, хоть и не на python, тем не менее модуль даёт хороший "быстрый старт", позволяющий написать свой небольшой сервис на fastapi в качестве финального задания.

2. Машинное обучение и приложения. Тоже отличный модуль, даёт более чем базовое представление о классических алгоритмах машинного обучения. В качестве финального задания начинаете работу над рекомендательной системой.

3. Обзор основ Deep Learning. Этот модуль отличным назвать уже не могу, потому что ожидания были другими. В модуле даются прям основы основ, но дают их очень скомканно, лично мне разобраться в подаваемой информации было крайне тяжело, некоторые уроки так и остались непонятыми.

4. Статистика и А/В-тесты. Так же скомканный модуль, как по мне, так как у меня не было знаний статистики и теорвера на начало прохождения этого модуля, приходилось много времени тратить на подтягивание "базы".

5. Карьерный курс и Собеседования и как их пройти. Даются лекции и задачи по структурам данных и алгоритмам на python. Эти лекции могут стать отправной точкой для продолжения изучения dsa, например, на leetcode. Так же есть лекции с вопросами и ответами с собеседований, которые позволяет прорезюмировать пройденные материалы.

Для тех, кто планирует проходить этот курс: не думайте, что сразу после прохождения курса вы сможете устроиться на работу инженером машинного обучения. Этот курс даёт основы, которые вам самостоятельно придётся укреплять и развивать дальше, особенно это касается глубокого обучения.

Долгое время хотела приобрести курс, и в итоге приобрела. НО ожидания не оправдались. Формулировка задач, оставляет желать лучшего, проверки задач затягиваются, по завершению курса, задачи вообще перестали проверять. Куратор также может либо не отвечать, либо отвечать днями. Проекты, которые вы выполните по итогу, и на проекты не похожи совсем, такое вообще не стоит презентовать работодателю. Описание курса, просто прекрасное, но на деле, ничего стоящего.

Помимо обучения, мне сыграл на руку опыт. Я 10 лет работала UI-developer (верстальщиком) в международной компании, текущий грейд Lead. Был большой опыт разработки интерфейсов с базовой логикой, динамических прототипов, дизайн-систем.

На курс пошла, чтобы развиваться в сторону фронтенд-разработки. После курса искала работу сначала на hh, потом переехала и переключилась на LinkedIn и Glassdor. Но везде казалось, что до мидла я не дотягиваю, было страшно позориться. А идти на позицию джуна с моим опытом как-то несерьёзно.

Один раз обращалась в карьерный центр. HR помогли скорректировать резюме, так как у меня неоднозначная ситуация с грейдом и специализацией. Дело в том, что на прошлой работе я стала лидом, но обычно верстальщик – это Junior Frontend-разработчик. Но больше ничем особо помочь не могли, я была у них первый фронт😅 В итоге написала своим бывшим заказчикам из Германии, с которыми работала на аутсорсе как верстальщик, но теперь на позицию фронтендера. Прошла небольшое техническое собеседование по React* и JS. Выполнила тестовое задание на React* с авторизацией, контекстом, тестами. Курс очень помог с ним справиться :)

На работу я вышла только в январе, но знания с курса уже применяю, так как работаю с React* и Material UI. Сам курс всё ещё пересматриваю иногда, а то забываю, как рыбка, то, что не использую😅 В целом, обучением очень довольна.

Обучалась во второй половине 2023 года. Хотела именно курс DE, чтобы повысить свои текущие компетенции аналитика. Курс Карпова выбрала просто потому, что абсолютно все курсы на рынке в то время имели характеристику как "сделано плохо". К тому времени у меня уже был опыт обучения на ЯП (на аналитика), и хотелось попробовать другую платформу.

Коротко о курсе:

1. Материал в виде видео-лекций и кратких конспектов того, что объясняет преподаватель. Это тупо неудобно. Сидеть и 2 часа смотреть, как кто-то что-то в консоли тыкает или просто зачитывает презу. Зачем это сделано - не понятно. Только если в качестве наращивания личного бренда спикера. Да, была парочка реально классных модулей, которые тащили за счёт спикера, но эффект уходил почти в ноль из-за следующего пункта.

2. Теория превалирует над практикой. Я бы сказала, что примерно 20/80 (из них практики всего 20). Код ваш ревьюить никто не будет. Будет после проверки чисто ответ из серии "Ответ неверный, а тут верный".

3. Поддержка очень слабая, а иногда откровенно токсичная. Иногда после пары дежурных ответов типа "попробуйте это и вот то", студентам просто переставали отвечать.

Короче, по окончании курса, я вообще не поняла, что это было. Спасибо курсу, что я смогла вписать себе в резюме строчку о прохождении и повысить свои компетенции в глазах HR, которые меня собеседовали. Также смогла преодолеть психологический барьер перед профессией. Навыков я, к сожалению, практически никаких не получила.

Ретроспективно, сейчас я бы предпочла выбрать курс Яндекс Практикума. Даже с учётом всех недостатков, которые о нём пишут, я думаю, что в будущем Яндекс сможет допилить из него полноценный продукт. Тот же аналитик данных, на котором я училась до этого, претерпел сильные изменения с начала моего обучения и модули постепенно меняются и переписываются. В случае с Карповым, у меня уверенности в качественном улучшении продукта нет.

До этого я проходила одноименный курс в другой школе (не буду писать тут, но вы все знаете ее). Так вот, karpov.courses мне понравился в раз так сто больше. Очень качественные и доступные видео, интересная домашка и особенно итоговый проект. Отдельно порадовала обратная связь от Беслана с разбором проекта в конце. Вот теперь жду, когда стартует поток по ml🙂

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.
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.
Сами блоки очень качественные. Особенно по python и классическому ml.
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.
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.
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.
Если возникают сложности с заданиями, то команда тоже всегда на связи и готова помочь.
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

Наилучшее понимание о курсе, мне кажется, дает ответ моего куратора на вопросы касаемо того, почему задания в финальном проекте не отрабатывались во время обучения, цитирую:
"Здесь на самом деле работает аналогия с автошколой) Во время обучения вы разбираете стандартные ситуации - но после ситуации на дороге могут быть разные"
На моменте финального проекта у меня состояние полной демотивации и будущий поиск работы в новой области будет сопровождаться синдромом самозванца, но это уже мало кого волнует, в ответ тебе ткнут миллионом ссылок и ресурсов, которые ты оказывается параллельно с учебой должен был освоить.

Я инженер-теплоэнергетик, закончил магистратуру в 2019 году. Последний год работаю аналитиком данных в М.Видео. Я единственный аналитик в департаменте, по большей части занимаюсь ad-hoc задачами, в основном использую SQL и Python. До этого 2,5 года работал на стыке теплоэнергетики и IT.

Изначально я хотел получить знания в области машинного обучения. После февральских событий пришёл к выводу, что и профессию пора бы сменить на соответствующую.

Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе. Где-то с третьего-четвёртого урока третьего модуля задачи стали для меня невыполнимыми. Так как я очень ответственно подходил к обучению на курсе, у меня из-за этого произошло что-то вроде выгорания.

Почему задачи перестали быть выполнимыми — многофакторное явление: и сложность темы, и выгорание, и падение качества лекционного материала. Судя по опросу в Телеграме, большинству также понравились первые два модуля, а к третьему и четвёртому было гораздо больше вопросов. Качество лекций четвёртого модуля вызвало наибольшие вопросы: видео по 20 минут при средней продолжительности роликов час-полтора на протяжении остальной части курса, мало практики, просто определения и иногда скриншоты решённых задач.

Тем не менее задачи оказались вполне выполнимыми, но я не могу сказать, что у меня что-то из этого модуля отложилось в голове. Поэтому отдельная благодарность, что открыли блок по статистике из курса «Аналитик данных». Но к нему я пока не притронулся из-за накопившейся усталости от учёбы.

Финальный проект — крутой с точки зрения стека и задумки, но он был слишком большой и без подсказок (как я понял, они появились на следующих потоках). Из-за этого до дедлайна проект сдали единицы, как я понимаю. Но всё равно это то, что надо для курса.

Пятый блок по собеседованиям — весьма интересный благодаря алгоритмам, отдельное спасибо Лёше Кожарину за эти 4 урока. К сожалению, не все задачи я сдавал вовремя, так как моё «выгорание» к этому моменту ещё не прошло :(

Думаю, что в первый модуль стоит добавить Docker. Но, как я узнал недавно, у K/C планируется бесплатный курс по докеру, что звучит просто потрясающе. Также я бы добавил больше информации по бустингам во второй модуль.

На карьеру курс пока что не повлиял, но надеюсь, что повлияет. Не знаю, что можно отметить в качестве результатов — знакомство с основами ML действительно прошло неплохо, повторение и укрепление базы по Python тоже.

Хочу поблагодарить Никиту Табакаева и Алексея Кожарина за качественные модули — может, в них и есть мелкие изъяны, но впечатления остались только положительные. Алексею Биршерту и Эмилю Каюмову я тоже благодарен, разумеется, но петь им дифирамбы было бы нечестно :)

Я надеюсь, что третий модуль станет попроще. Например, вместо одной огромной задачи будет несколько небольших задач, как во втором блоке. В четвёртом модуле стоит удвоить (а то и утроить) хронометраж лекций, добавив ещё столько же практики не со скриншотами написанного кода, а с live-кодингом и комментариями.

Благодарю всю команду создателей курса за вполне качественный курс по основам машинного обучения. Сравнивать мне особо не с чем, год назад я проходил курс от Learn Python, но он был весьма базовый. На тот момент я не знал о K/C, иначе бы выбрал курс по аналитике данных. Благодарю Анатолия Карпова за то, что он стал для меня проводником в мир анализа данных (думаю, как и для десятков или сотен тысяч других людей). Его интервью у некоторых подкастеров воодушевляли меня на начальных этапах. Интервью с Марией Ждановой, аналитиком из VK, почему-то особенно запомнилось — было очень приятно и радостно услышать, что эта сфера весьма дружелюбна к людям. Благодарю Беслана за подкаст, популяризирующий программирование и анализ данных.

Возможно, стоит как-нибудь награждать самых активных студентов — например, выдавать билет на Матемаркетинг, дарить большую скидку на другой курс или ещё что-то приятное.

Я проходил курс на ML-инженера от Carpov Courses в течение семи месяцев, и хочу поделиться своими впечатлениями.

Курс дал мне хорошую структурированную базу, начиная с основ Python и заканчивая классическим машинным обучением и deep learning. Каждый блок имел свои сильные стороны, хотя не обошлось и без сложностей.

Основные моменты:
- Блок по Python: был довольно простым, но хорошо систематизированным. Для тех, кто только начинает изучение языка, этот раздел — отличная отправная точка.
- Машинное обучение: самый сильный и увлекательный блок курса. Подача материала была доступной, с акцентом на понимание теории и её практическое применение. Особенно запомнились задачи, связанные с реализацией собственных алгоритмов — это дало мне не только знания, но и уверенность в своих силах.
- Deep Learning: этот блок оказался сложным и скорее обзорным. Чувствовалось, что тема огромна, и охватить её в рамках одного курса практически невозможно. Но для первого знакомства материала достаточно.
- Статистика: полезный блок, особенно для тех, кто ранее не сталкивался с этой областью. Лично мне было комфортно его проходить, хотя часть информации пересекалась с моим предыдущим опытом.

Отдельно хочу отметить поддержку от команды Carpov Courses. Они всегда были на связи и помогали разобраться с вопросами, что делало обучение менее стрессовым.

Результаты:
Курс не просто дал знания, но и помог понять, в каком направлении двигаться дальше. Хотя я ещё не решил, буду ли продолжать работать в области Data Science, я точно стал увереннее и знаю, что готов к новым вызовам.

В целом, курс стоит своих денег. Он прекрасно подходит как для новичков, так и для тех, кто хочет систематизировать и углубить свои знания в машинном обучении. Если вы готовы работать над собой, курс станет хорошей ступенью для дальнейшего роста.

Ужасный курс, теории почти нет, лекция беглая история без обьяснений или какой либо практики во время нее, некоторые модули как теория вероятности , просто поражают. Задачи в дз будто вы владеете в совершенстве предметной областью, причем в конспекте и лекции в лучшем случае расскажут про азы приведя не более одного причем простейшего примера. Везде отсылают гуглить, платите за воздух. Крайне не рекомендую жалею потраченные деньги.

Особенно хочется выделить модули по A/B тестированию и Uplift моделированию. Качество материала, задачи на высоком уровне.

Данный курс глобально повлиял на мою карьеру. Благодаря приобретенным навыкам, в особенности по модулю продвинутое A/B тестирование, через 2 месяца после окончания курса я получил оффер на позицию Senior research analyst в крупнейшем маркетплейсе РФ, хотя до этого в IT компаниях я не работал.

Курс состоит из возни с терминалом и настройкой сред и библиотек, так как преподносится это так, что вы же it спецы, должны уметь нагуглить. Ошибки в конспектах, не всегда актуальная информация с версиями библиотек, нереально долгая проверка домашек (заявлено около двух недель, но ждать будете от месяца). Мало практики по реальным полезным штукам (airflow, spark), много бесполезной практики работы с облаками.

Обучение было очень насыщенным, хорошо структурированным, я многому научилась. Как будто действительно месяц поработала аналитиком :)

После курсов планировала устроиться на работу аналитиком данных.
Пока что я только начала проходить собеседования, но уже сейчас на них я чувствую себя гораздо увереннее и лучше понимаю, каких вопросов ждать. Благодаря курсу всегда могу рассказать о выполненных задачах как об опыте, сильно приближенном к реальному.

Не разделяю восторгов предыдущих пользователей. Не топ совсем.
Преподавательский состав: оставить только Карпова и Манаенкова.
В аналитике единственный модуль хороший это Статистика, которую читает Карпов. Продуктовая аналитика - никакая,
Airflow и Алексей Баталов - не преподаватель совсем, Табло и Бунин - пустая трата времени, интонации эксперта и все.
SQL тоже слабо, хоть и дают оконки. Но давать, не значит хорошо давать. AB тесты и специалисты супер класса - ни о чем. Ничего не понятно о чем они.
Проверяют дз иногда месяцами, когда забыл что делал. До саппорта частенько не достучаться (симулятор).
На курсе Аналитика сначала без объяснений дают проект на когортный анализ, а в конце курса объяснение мало мальское только.
Вывод: НЕ РЕКОМЕНДУЮ.

Пришёл на курс от скуки...никогда не был связан с IP ни с статистикой ( я инженер-строитель автодорог был) ... первые ДВЕ НЕДЕЛИ как в тумане и просьба ВЕРНИТЕ МОИ ДЕНЬГИ И Я ПОШЁЛ ОТ ВАС ...Спасибо куратору предложили взять месяц паузы и потом продолжить если опять не получится то деньги вернут....но ПОЛУЧИЛОСЬ...набрал 987 баллов и Финальный Проект сдал с первого раза под ревью "ОТЛИЧНАЯ РАБОТА"....так что в 60 лет искавший СУТКИ !!! клавишу "~" (тильда) чтоб путь к файлу найти ...ДЕДУШКА закончил курс и теперь иду на СИМУЛЯТОР АНАЛИТИКА ....критика к курсу есть некоторых спикеров просто нельзя выпускать но в общем всё достойно импонирует связь с куратором который всегда поможет хорошо работают эксперты всегда быстро получаешь ответ на затык не ответ конечно а путь к правильному ответу тебе укажут...СПАСИБО ВАМ ЗА КУРС....не знаю пойду ли работать по специальности так как в 60 лет мало кто возьмёт но самооценку свою поднять удалось....а ещё очень порадовала МОЛОДЁЖЬ что на курсе со мной училась группа 52 .11/04 ВЫ ЛУЧШИЕ и ВСЕМ ВАМ УДАЧИ...

Я записалась на курс Data Engineering после неудачного опыта обучения в другой школе. Моё терпение лопнуло и я пошла доучиваться, а на деле переучиваться.

По образованию лингвист. До того как решила вкатиться, отработала 6 лет репетитором английского. Захотелось получить навыки, которые позволили бы релоцироваться по рабочей визе, получать стабильный доход и не оказаться выкинутой с рынка труда очередным мегаобразовательным стартапом. Ещё привлекла возможность решать сложные задачи, ржавеющие мозги — явление малоприятное.

Так что в учебе было больно, тяжко и сложно. До этого что-то читала по аналитике и пыталась делать мини-проекты, но опыта в IT не было вообще никакого, только базовые знания по Python и SQL. Это был путь сплошных ошибок — бурной мотивации и дофаминовых всплесков не было, на это я даже не надеялась. Очень часто отзывы пропитаны энтузиазмом с пафосными фразами типа «влюбился сразу». Это совсем не про меня — выбирала направление прагматично, настоящий интерес появился уже ближе к концу обучения, до этого полагалась на дисциплину и чёткую цель. Сейчас кайфую, так что если вы вдруг начитались нашедших себя и не испытали особого душевного подъёма от учёбы после нескольких недель — не спешите бросать, вспомните, зачем вам это надо.

Курсом осталась очень довольна — было сложно, узнала много нового. Особенно зашли модули по куберу и DWH. Хотелось бы только больше развёрнутого фидбека и практических задач. Больше всего рада, что мне помогли найти работу. Только помощь не подразумевает, что за вас сделают всё — вам помогут, но откликаться надо будет самим. Я изначально понимала, что в эмиграции и без опыта мне дата-инжиниринг не светит: таковы были реалии мирового рынка на март этого года. Но за 6 месяцев активного поиска устроилась дата-аналитиком в международную компанию. А с опытом в аналитике уже можно будет перекатываться в инженеры.

Так что курс рекомендую, потому что он очень насыщенный и актуальный, а помощь карьерного центра — не просто маркетинговая уловка.

Отличный курс Start ML. Все продуманно, подробные лекции, интересные задания. Поддержка экспертов по выполнению заданий и финального проекта. Совсем без опыта программирования будет сложно. Курс интенсивный, много информации за 7 месяцев. Мне понравилась дружественная атмосфера поддержки курса и среди студентов.

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.
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.

Работал продуктовым аналитиком. Общий стаж работы в IT до начала обучения был 9 месяцев. Выполнял задачи по стриму продуктовой и маркетинговой аналитики.

Пришел на курс, чтобы расширить свои знания и возможности в аналитике, в том числе чтобы поработать над созданием предикативных моделей. Возможно перейти в ml полностью.

Потрясающий курс с максимально широким охватом все тем из перечня. Не простой темп, который довольно сложно совмещать с фулл тайм занятостью. Эмоции только положительные

В конце курса подтянул харды, расширил экспертизу в data science, повысил Грейд до middle+, получил оффер на 35% выше текущего оклада и работу над более интересными задачи в сильной команде

Алексей Кожарин — лучшего преподавателя по python я не встречал в русскоязычном пространстве! Спасибо за блок с алгоритмами отдельно. Никита Табакаев — супер доступные объяснения математики и принципов работы алгоритмов. Теперь тоже часто говорю «чиселки»))

Алексей Биршерт — не представляю, как удалось тебе столько тем уместить в блок по DL, но спасибо огромное, что всё собрал в одном месте! Эмиль Каюмов — супер блок по статистике. Не знаю, сколько часов уходит у людей без бэкграунда на прохождение блока, но даже с опытом в ab-тестировании скучно не было ни разу!

Нерсес Багиян — вечная поддержка по ходу курса. Спасибо, что делился своим мнением о карьере и будущем DS на вебинаре!

Отдельная благодарность Алексею и Нерсесу за открытость и личную помощь в консультации по рабочему вопросу вне темы курса!

Взял курс в феврале 2024. Опыта до этого в ML и DS практически не было. Бекграунд: инженер-электронщик, программировал на Си и чуть-чуть на Python. Пришел по рекомендации друга, который прошел там же "Аналитику данных". Цель: попробовать, что это такое.

Я бы не назвал этот курс лучшим на рынке, но он однозначно дает хорошую базу и дает представление о мире ML и даже немного DL. Пройдя этот курс, перестаешь пугаться непонятных терминов, а магическая субстанция под названием "Искусственный Интеллект" приобретает вполне себе осязаемые и понятные математические формы. После прохождения всех технических модулей я бы не назвал себя ни уверенным ML-инженером, ни даже хотя бы уверенным Python-пользователем, однако теперь я могу назвать то, чего не понимаю. Я знаю, куда мне копать дальше, что изучать, куда тыкаться, что пробовать. Во мне реализовался интерес к знаниям, которые меня еще ждут.

Теперь совсем немного подробностей. Много-много материала. Параллельно работать и постигать новый материал было очень сложн