KARPOV.COURSES

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.

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.

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.

У меня изначально были менеджерский бэкграунд и широкие, но неглубокие знания в области ML и DE. Поэтому мне было бы довольно сложно конкурировать с людьми, которые специализируются в CV, NLP, RL или DE. Но зато сейчас появилось много позиций DS Manager, где большую роль играют софт скиллы, умение быстро находить общий язык с HR, DS, AI Directors, VP и SVP, а также опыт управления командами и решения конкретных бизнес задач.

Поначалу я стеснялся сходить с инженерного трека, так как мне интересен и ресёрч, и инжиниринг, но потом понял, что если мои суперспособности — это двигать проекты и решать конфликты, то нечего и отпираться. По результатам тех самых 5 собеседований я проходил в небольшие и средние компании в США на DS, MLE и DS Manager позиции. В конечном счёте я выбрал DS Manager трек — с марта начну работать на позиции Data Science Manager в DISH.com.

По моему опыту, каждое ML интервью состояло из двух частей: базовый ML и продвинутый ML (этап с кодом в расчёт не берём).

В базовой части было важно не только правильно ответить на вопросы, но и объяснить ответы простым языком. Ожидается, что все это могут, поэтому выделиться на этом этапе особо нечем — разве что софт скиллами, улыбчивостью и ответами на каверзные вопросы.

А вот продвинутый ML — эта та часть собеседования, где действительно можно проявить себя. С этим этапом мне очень помог HardML. Люди, конечно, не прочь обсудить продвинутые/редкие штуки, которые вы оба знаете, но будет гораздо интереснее, если вы сможете рассказать о каких-то полезные вещах, которые они не знают. Особенно если есть проект с кодом, в котором можно покопаться. Из общих знаний обсуждались MultiArmedBandits, Fast Nearest Neighbors, CUPED, Clusterization, Uplift Trees. Из того, чем получилось похвастаться — Dask Feature Lib, Contextual MABs, target encoding, probabilistic forecasting, Толока и построение labeling pipelines, а также LambdaMART.

Ещё я для себя понял, что интервью — это не полностью заскриптованный процесс и им можно в некоторой степени управлять. Обычно работало хорошо, потому что слушать в 100 500 раз ответы на базовые вопросы мало кому охота, а обсуждать продвинутые темы всегда интересно. Для себя выбрал такую стратегию, которая работала с переменным успехом:

— Break the ice — small talk, чтобы снять дискомфорт: с кем-то пошутить про новый год, с кем-то посмеяться про гололёд и т. п.
— Понять, что делает команда и выбрать подходящие проекты и знания из своей копилки.
— Рассказывая о себе, обязательно упомянуть подходящие заготовки для продвинутой части.
— Побыстрее проскочить базовую часть.
— Поговорить про продвинутую часть, не сильно углубляясь в дебри.
— По возможности поразбирать код из своего проекта, чтобы сопоставить ожидания и свои возможности.

Так что для меня «ОБУЧЕНИЕ У НАС == КАРЬЕРА В IT» вполне сработало: D

До курса был опыт работы 20 лет, основная специализация — оптимизация SQL-запросов для MS SQL Server. Выбрал этот курс, чтобы получить качественную базу и убрать пробелы после самостоятельного изучения ML.

Курс в целом супер. Многократно превысил мои ожидания. Конечно, есть и недостатки, но ничто не совершенно в этом мире.

Блок по Python изложен божественно (возможно, сам блок несложный), блок по классическому ML отличный и изложение почти такое же отличное, как в блоке по Python. Также отдельная благодарность за объём охваченной информации в блоке по DL. Блок хоть и ознакомительный, но отдельно Deep Learning можно изучать хоть год, если не больше, и ознакомительный характер тут идеален. По блоку статистики мои ожидания (завышенные) не оправдались, но тут я был уже избалован курсом Анатолия Карпова на Степике. Блок хороший, раскрыл ключевые вещи. Также в блоке по прохождению собеседований понравились уроки по алгоритмам.

Из плюсов ещё хочу отметить отличную поддержку, за это отдельное огромное спасибо! Чувствовалась прямо поддержка и заинтересованность, ребята всегда давали много информации, а не просто делали свою работу «на отстань», как частенько бывает в жизни. В общем, я просто в восторге!

После курса почувствовал себя, как Нео в «Матрице», когда он сказал «я знаю кунг-фу». Мой уровень понимания ML вырос на порядок.

Моя компания оплатила мне курс для улучшения наших сайтов. На курс я пришел с неплохим бэкграундом по Python, но в плане веб-разработки был новичком. Я занимался в основном программированием контроллеров и созданием программ для промышленных панелей.

Также написал десктопную программку на питоне, используя библиотеку PyQt, которая анализировала работу бумагоделательных машин, считала статистику, строила графики. В этом проекте я смог применить знания от курсов Анатолия Карпова, которые прошел на Stepik.

До курса примерно месяц изучал HTML, CSS и JS. Сверстал пару макетов, но при этом использовал минимальный набор свойств CSS и тегов HTML. То есть флексы я уже использовал, а вот про гриды узнал уже на курсе. То же самое и по JS. Только начал его изучать, поэтому синтаксис ещё не выучил и при выполнении заданий приходилось гуглить, как пробегаться по списку с помощь map и подобные базовые вещи.

Конечно, я беспокоился, что курс, предназначенный для джуниоров и мидлов, окажется слишком сложным для меня и я не смогу справиться с заданиями в срок.

Однако оказалось, что мои опасения были напрасны. На курсе используется эффективный подход, который позволяет решать проблемы шаг за шагом. Уже с первых занятий стало понятно, зачем применять тот или иной инструмент. Мне понравилось, что преподаватели не торопятся показать готовые решения, а помогают понять, как всё устроено внутри. Благодаря этому стало легче решать проблемы, возникающие в процессе обучения.

Для меня большим плюсом было то, что лекции были записаны заранее, и я мог смотреть их в ускоренном темпе, быстро находя интересующие меня темы. Задания были разнообразными, иногда было сложно, но интересно.

Уже в процессе обучения я начал работать над своим первым реальным проектом
. Каждый раз, когда начиналась новая тема, я сразу же применял полученные знания в своем проекте. Это помогало глубже усваивать материал и быстрее достигать результатов.
Благодаря учёбе я получил необходимые знания и навыки, которые сразу смог применить на практике, и в результате успешно запустил проект в продакшен.
Подробнее о проекте

Моя организация построила в городе плавательный бассейн и начала выдавать бесплатные билеты для сотрудников в бумажном виде. Это вызвало ряд проблем:
1. Во-первых, билеты передавались из рук в руки и по бесплатному билету мог прийти не сотрудник;
2. Во-вторых, невозможно было контролировать загруженность бассейна, потому что люди часто приходили не к тому времени, которое было указано в билете;
3. В-третьих, было неудобно ходить за этими бумажками, а и у некоторых сотрудников появилась дополнительная работа – раздавать эти билеты.

Вот мы и сделали сайт который закрывал эти и ещё много других проблем.
Стек технологий, который мы использовали я взял из курса.
На фронте: React*, Redux, typescript, Mui.
На бэке: Django Rest Framework.
Разработкой дизайна и фронта занимался от начала и до конца сам лично. На бэке был другой парень.
Смотрите сами: https://pool.marbum.ru/

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 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.

Немного предыстории: за спиной у меня инженерное образование с отличием, несколько книжек по машинному обучению (Тарик Рашид, Франсуа Шолле, Орельен Жерон) и несколько курсов. В рамках университета пробовал себя в различных областях: от гидродинамики в криогенных условиях в рамках вечной мерзлоты и моделирования идеального прикуса у человека до топологической оптимизации и аддитивных технологий. Сейчас аспирант по направлению «Моделирование с помощью функционально-градиентных материалов с использованием топологической оптимизации».

Познакомился с ML впервые в 2017 году, когда ездил в США на стажировку в Wolfram Research Inc. Помимо метода конечных элементов с топологической оптимизацией, там я реализовал алгоритм исправления опечаток в коде. Алгоритм был реализован достаточно дубово и мне предложили привлечь ML. Собственно тогда я и начал понемногу изучать эту область, но алгоритм завершить не успел, поскольку кончился контракт по времени.

В рамках основной работы я занимался задачами календарного планирования, неградиентными методами оптимизации, изучением новых подходов к решению таких задач. Попутно читал книжки по ML и решал курсы на Cтепике. Со временем понял, что с таким подходом у меня не получается выработать для себя однозначное решение в плане выбора ML как основного направления деятельности и развития.

На курс HARD ML я поступал с целью понять, осилю/не осилю, зайдет/не зайдет, и обрести уверенность в себе в области ML. Уверенность в себе появилась после блока Игоря. Я понял, что мне нравится глубоко копать и узнавать что-то новое, попутно применяя новые знания для решения практических задач. Тем не менее я решил поучаствовать в каких-нибудь хакатонах и опробовать полученные навыки (к этому моменту я прошел 2 первых блока). Сначала хотел поучаствовать в Raifhack, но его я благополучно «проспал», закрутился на работе, поэтому пошел участвовать в Лидерах Цифровой Трансформации 2021. Для меня это был первый хакатон и вообще проба себя именно в ML. Там выбрали задачу «Рекомендательная система для стартапов города Москва». Выбрал по достаточно простой причине — блок Игоря как раз про рекомендательные системы, а блок Стаса частично посвящен теме многоруких бандитов, которые тоже используются в рекомендательных системах. Мое предположение в целом оказалось верным, данные были предоставлены такие, что можно было сделать рекомендательную систему на многоруком бандите в первом приближении. В итоге смогли выиграть хакатон. Сейчас идет разговор о том, как эту систему довести до «production ready» уровня и выкатить «в прод» для города Москвы.

Хотелось бы просто сказать спасибо преподавателям (хотя мне и осталось пройти ещё 2 блока). Я ни капли не пожалел, что пошел к вам учиться.

Прим. от Андрея о времени, затрачиваемом на обучение: «У меня уходило по 8 часов в день на блок матчинга, поскольку Python для меня был „неродным“ языком, на 2-й и 3 -й блоки я уже тратил по 2−3 часа в день, так как к тому времени Python уже не был такой сильной проблемой».