KARPOV.COURSES

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.

Первый курс, который я приобрёл в karpov.courses - Deep Learning Engineer. NLP и отношение к курсу по рекомендашкам сложилось через призму впечатлений от курса по DL.

Для чего я брал курс по рекомендашкам - по работе требуется реализовать рекомендательную систему в корзине, а курс по DL был настолько хорош, что сомнений в том, стоит ли брать RecSys от karpov.courses не возникало. Плюс, ВКР в магистратуре у меня так же на эту тему.

Но курс по рекомендашкам для меня разительно отличается подачей материала, конспектами, глубиной разбора тематики в худшую сторону.
Я не могу сказать, что я им доволен на 100%, но и не считаю его приобретение бесполезной тратой времени и денег: всё-таки по результатам у меня сформировалось представление о том, как можно сделать рекомендательную систему, какие эксперименты можно провести, от чего отталкиваться при написании литературного обзора в ВКР.

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 этот ваш ML.

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 сложно. Больше всего мне хотелось сказать разработчикам курса - а может растянете еще на чуть-чуть даты выхода новых лекций? Хотя я практически всегда закрывал все до дедлайнов, сам факт наличия дедлайна длиной в неделю для 3 довольно объемных уроков меня угнетал. Также у меня вопросы к модулю DL, а именно к лектору, к его подаче информации. Я не сомневаюсь в его профессионализме, но было бы хорошо, если бы лекции были более "разжеванными" и структурированными. Это бы значительно облегчило восприятие нового материала. Хотя я в итоге привык, но печали были много. Также мне не совсем нравится подход курса к созданию "рабочей" обстановки, как при решении реальных задач. Хорошо в это погружаться, но не при получении базовых знаний. Очень многое зависит, насколько крепкая у тебя база, поэтому важно изучать ее основательно и размеренно. Я закончил курс, но начинаю изучать все заново. Но на этот раз - с пониманием, а что именно мне нужно. Впереди еще много всего интересного, и я со смирением "вечного студента" иду вперед:)

Главные перемены в жизни: я уволился с работы и ушел из своей профессии. Начал преодолевать психологические барьеры. Заново начал учиться тому, как учиться. И до сих пор это делаю. Ну и самое главное - уже где-то в середине обучения я нашел работу в маленьком зарубежном стартапе, хотя это скорее результат удачного стечения обстоятельств. Получится и захочется ли мне развиваться дальше - увижу. Пока я оптимистичен и наслаждаюсь каждым моментом, когда мне удается понять очередной метод или поднять качество модели хотя бы на 0.1:)

Готов ли я порекомендовать этот курс? Пожалуй, да. Особенно, если замечания выше были бы учтены. Особенно, если у вас довольно много времени и вы готовы уделять его учебе. Моя оценка курсу: 7.5/10.

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.

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

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.

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.

Достаточно длительное время работал в IT со смежными задачами инженера, однако, оставалось ощущение пробелов в знаниях, поэтому хотелось систематизировать имеющуюся информацию.
С этим обратился вопросом обратился с старшему товарищу и он посоветовал школу Карпова. Изучил программу обучения, сравнил с большим количеством открытых вакансий и понял, что программу отвечает требованиях на рынке.
По итогу прохождения могу сказать, что курс стоит того. Много практики с демонстрацией, структуризированная конспектная информация, хорошие лекторы с минимальным количеством информации - всё для грамотного получения навыков и требуемых знаний. За время прохождения было множество моментов в рамках которых необходимо выдать оперативную обратную связь - и команда её выдавала, за что отдельное спасибо.
Готов советовать своим товарищам и коллегам. Сам записался на ещё один курс, потому что уверен в итоговых знаниях, которые предоставит команда школы

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.

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.

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.

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...

Кликбейтный заголоовок, но другой я не придумала)
Мне действительно очень понравился курс, это был очень хороший толчок вверх, я узнала огромное количество новой инфы, которую я сейчас и применяю, хотя пока больше в исследовательской деятельности(выйграла 2 хакатона и участвую в научных конференциях, связанных с ии),так как я сейчас учусь в универе и совмещать пока не успеваю, но это только пока)). Подача информации, ее актуальность и структурированность - это все 10 из 10. Правда у меня уже был бэкграунд в плане высшей математики и года полтора опыта в программировании на питоне, так что материал мне дался не сильно прям сложно, к тому же я еще и много читала сама, что тоже важно, так как перекладывать все на курс не очень эффективно; но это было интересно, не нудно, я делала домашку без задней мысли, по типу: "когда же это все закончится", - а это я вам скажу, что очень важно.
Но что вот прям хочется сказать, так это огромное спасибо преподавателям, которые все это придумали и создали, это все очень круто, и у меня есть огромное желание и дальше развиваться в этой сфере, чего я искренне желаю каждому.

До этого момента имел дело с ML только в теории и немного практики, после этого курса понял что такое настоящий промышленный ML и что он из себя представляет. Я Вам обещаю вы научитесь и ML, DL , статистики и Python.

Приэтом хочу отметить довольно сложный курс, особенно под конец появляется много дэдлайнов и приходилось много действителньо заниматься и решать.

Остался полностью доволен, рекомендую Всем кто хочет вкатиться в эту область!

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). Писал pipeline для Airflow файлами json.
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.
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. Не понравился у Яндекса стек
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.
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.
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.
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.

Карпов отличная площадка.
Мною был приобретён курс по ml (машинное обучение).
Какие плюсы хотел бы отметить в первую очередь:
1. Своевременная поддержка команды.
Тебя всегда направят, ответят, посоветуют и попробуют объяснить. Самое главное, что с тобой общаются к с начинающим специалистом. Просят развёрнуто задать вопрос, со скринами и что пытался сделать, если вопрос по решению ДЗ. И ответ, это скорее направление, но не решение.
2. Очень большое активное комьюнити.
Не говоря, про ютуб, вк, есть группы в тг, с разными направленостьми. Есть где инфа, есть где флудилка. Это постоянный обмен знаниями, видел неоднократно, как были вакансии в чатах. Каждый день кто-то задаёт вопросы, просят совета и каждый день, неравнодушные люди, бывшие студенты Карпова или команда, тебе ответят. Пласт вопросов оооочень широкий. Всё что угодно, относящееся к мо, аналитике, дата сайнса, баз данных.
3. Подача материала.
Всё объясняется максимально доступно, никаких сложностей с восприятием нет. Достаточно низкий порог вход. Конечно, при решении дз не сразу всё будет получаться, и конечно лекция может показаться не всеобъемлющей, но как объясняют основы это уровень.
4. Дополнительные материалы, для дальнейшего развития. Площадка также предлагает множество вариантов для прокачки своих хардов. Есть платные, есть бесплатные, есть по подписке. Одно можно сказать точно, из вас пытаются сделать спеца, не начетчика (кто читает, ради чтения), а человека который должен уметь и знать как приносить выгоду.
5. Помощь с трудоустройством.
Есть карьерный центр, котрый поможет потихоньку вливаться в айти. Научат как составить резюме, как составить репозиторий, как правильно откликаться на вакансии, где и когда, как проходить собеседования. За ручку конечно никто не будет водить, все-таки это самообразование, но помощь оказывают большую

Обучалась дистанционна впервые. Учебный материал изложен доступно, объёмно, интересные видеоматериалы.
Очень удобно прохождения тестирования - сразу же получаешь оценку. Самое главное, что учиться можно в удобное для себя время, не прерывая свою трудовую деятельность.
Обучение удобное, позволяет сохронять себе информацию для последующего использования в работе.
Большое Спасибо организаторам, экспертам и кураторам Карпов курса❤️👍🏻

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.

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!

До начала обучения я работал ведущим бизнес-аналитиком в Магните, писал скучные запросы в SQL, делал скучные таблицы в эксель. Учился в скучной магистратуре «Прикладной анализ данных». Пошёл на курс, потому что хотелось получить какой-то буст в знаниях ML и статистики.

Курс местами слишком быстрый, но если оценивать программу и знания, то это точно самый лучший курс в сфере анализа данных и ML на русском языке, который я видел (а я видел многие). Каждый модуль и каждый преподаватель дал мне что-то новое — особенно хотелось бы отметить, что абсолютно все вещи в курсе объясняются максимально эффективно, полезно и в максимально прикладном ключе, чего везде часто ооооочень не хватает.

Одновременно с обучением я проходил много собеседований и в итоге перешёл работать продуктовым аналитиком в Яндекс.Лавку. Но из-за загрузки на работе не смог нормально закончить курс и получить сертификат :) Курс оставил только положительные впечатления, обязательно когда-нибудь посмотрю все видео.

Напрямую с ML сейчас моя работа не связана, но очень помогают в текущей работе знания Airflow и статистики.

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.

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.

На данный момент я работаю в сфере телекоммуникаций на должности руководителя направления, мы занимаемся планированием сетей связи. До этого училась в техническом ВУЗе, так что математическая база изначально у меня была.
Мне захотелось сменить сферу деятельности, поэтому стала смотреть, что предлагается на рынке онлайн-обучения. Выбирала между многими школами и остановилась на karpov.соurses, потому что вы специализируетесь на Data Science и меня привлекла такая узкая направленность. Мне кажется, DS — очень крутое направление. Это то, что нас уже окружает: от рекомендательных сетей и банковского скоринга до нейросетей, которые генерируют изображения и убирают шум с аудиодорожек. Я уверена, что в будущем в очень многих сферах эти технологии будут использоваться и спектр применения очень широк уже сейчас.
Курс мне в целом понравился, он хорошо структурирован, очень много материала охвачено: от очистки данных и визуализации до Machine Learning и Deep Learning. Задания в блоках были сложными, но преодолимыми, я многому научилась методом проб и ошибок. Мне субъективно кажется, что при общении в DS-коммьюнити я всегда понимаю, о чём идёт речь в разговорах на ML-темы. Иногда я вижу решение вопроса, который ребята задают, например, в чатах, потому что мы это разбирали в курсе. Мои самые любимые блоки — это Python и «Основы машинного обучения». В них было очень много интересных нюансов, например, в блоке Python — работа с Git, Airflow и SQL; в модуле по МО были подробно разобраны все основные алгоритмы и много фишек по обработке признаков. Очень классно, что был обзор Deep Learning: можно теперь применять Трансформеры в соревнованиях.

Я пока не начала искать работу в сфере DS, но в ближайшее время собираюсь это сделать. Также планирую воспользоваться помощью рекрутеров karpov.соurses. Для меня этот курс был вводным в новую специальность, и этим летом я планирую поступать в магистратуру ИТМО по направлению «Искусственный интеллект», потому что хочу дальше развиваться в этой сфере.
Отдельное преимущество курса — это коммьюнити. Во время учебы я подружилась с однокурсницей, и теперь мы регулярно общаемся и встречаемся на дата-ужинах, которые устраивает Open Data Science.
Спасибо за такой качественный контент! Хотелось бы больше поддержки во время выполнения финального проекта, но в целом курс получился очень крутой.
Хочу дать совет тем, кто начинает: в учёбе главное — привычка. Мне помогло чёткое следование расписанию занятий. Так легче было садиться за выполнение заданий и проще дойти до конца. Я училась 6 дней в неделю минимум по часу и старалась придерживаться этого расписания, даже если отставала из-за отпуска и больничного.

На момент, когда началось обучение на курсе, я уже заканчивал курс «Аналитик данных» от karpovꓸcourses и работал около трёх месяцев на должности аналитика данных в крупном офлайн-ритейле.

Решил пойти на дата-инженерию, выбирал между ней и Data Science (ML), так как было интересно расти дальше. Для меня это первый опыт работы в сфере IT, моё профильное образование совершенно другое — инженер-конструктор в области машиностроения.

Курс — бомба. Честно. Сейчас, уже работая инженером данных, я добрался до middle-позиции и, оглядываясь назад, могу сказать, что я безумно благодарен за курс. Всего за несколько месяцев я сумел найти работу инженером данных, увеличил зарплату в два раза (по сравнению с аналитиком) и до сих пор использую стек технологий, который был на программе.

Более того, сейчас на текущей работе я даже внедряю некоторые инструменты, с которыми познакомился на курсе, отвечаю за их настройку и обучаю других ребят.

Конечно, уже сейчас, спустя несколько месяцев работы, я мог бы найти какие-то «минусы», придраться к тому, что иногда не хватало более глубоких примеров и боевых задач (а ещё лучше — сквозного проекта, который научил бы студентов всей Data Lineage: от источника до потребителя). Но эта придирка была бы с моей стороны не совсем корректна, если учесть, что курс практически с нуля ведёт до Junior+. Кстати, я до сих пор обращаюсь к некоторым преподавателям за советом.

Резюме: я очень доволен курсом, не жалею ни секунды о потраченных ресурсах и времени. Более того, с удовольствием бы продолжил обучение актуальным open source инструментам и технологиям, так как в нашей стране всё-таки дата-инженер — это некий мастер на все руки, и конкретно мне нужно ещё очень многое изучить и переварить.

В частности, жду курса по Docker, и поглядываю в целом за новыми направлениями у karpov.courses.

Всем рекомендую курс, но предупрежда:; здесь придётся пахать, читать, спрашивать, а уж когда будет Big Data и облака — ух! :) Эмоций будет море, но оно того стоит.

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.

Я воспользовался программой помощи в трудоустройстве, которая включена в курс. И именно через специалиста karpov. courses меня нашла моя новая работа (хотя я и сам искал вакансии). Я устроился в небольшой, уютный, но подающий надежды стартап, где с нуля развивал продукт по кредитному скорингу малых предпринимателей для продажи банкам.

Перед тем как начать искать работу, я прошел только модули «Ранжирование и матчинг» и «Динамическое ценообразование». И эти знания пригодились мне как на собеседованиях, так и в работе. Также, конечно, в ежедневной работе помогают «Сценарии деплоя ML-сервисов».

Применить непосредственно на практике заглавные темы модулей «Uplift-моделирование» и «Продвинутое A/B-тестирование» пока не довелось, но полученные знания всё равно не были лишними: продвинутое A/B-тестирование подтянуло статистику, а в модуле по uplift была тема по проектированию библиотеки факторов, что актуально в любых ML-задачах.

В целом, в каждом модуле для меня было что-то новое, полезное, интересное. Но если говорить о личных предпочтениях, то особенно понравились «Ранжирование и матчинг» и «Uplift-моделирование». Тут сыграли роль и обаяние преподавателей (не в обиду преподавателям других блоков), и структура модулей, и какие-то мои собственные интересы.

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».

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

Я из Челябинска, начал обучение на курсе, имея уровень junior и совсем небольшие знания и опыт в Data Science и машинном обучении. Курс дался мне неимоверно сложно! Такого квеста в моей жизни до этого раньше никогда не было :)

Много сил и времени было потрачено на освоение программы, приходилось читать много дополнительных источников, так как три четверти материалов курса оказались для меня абсолютно новыми. Джунам не советую заходить на курс без кучи свободного времени и сильной мотивации победить.

К счастью, мне удалось окончить Hard ML с отличием. Из сильных сторон курса хочу выделить следующее: компетентность преподавателей и качество материала в модулях, активное участие преподавателей в учебном процессе, интересные и актуальные практические задачи с разными нюансами (обычно в лоб задание не выполнить), достаточно хорошая образовательная платформа и удобная инфраструктура. Благодаря курсу я стал кодить в 2−3 раза быстрее, приобрёл навыки решения задач в жёстких временных рамках, стал увереннее в своих знаниях, и, конечно, получил новые знания в предметной области. Теперь совсем не боюсь браться за сложные задачи :)

У меня была сильнейшая мотивация окончить курс успешно, так как я стремлюсь стать профессионалом в области DS/ML, и у меня всё получилось. Это настоящая победа для меня! Новые навыки и знания собираюсь применять в коммерческих компаниях, чтобы помогать им достигать успехов в бизнесе.

Большую благодарность хочу выразить Станиславу Гафарову за онлайн-разборы и Владиславу Ладенкову за активную помощь в решении проблемы с GitLab. Также прошу лично поблагодарить Шишкина Андрея из команды поддержки за оперативные и исчерпывающие ответы в модуле «Сценарии деплоя ML-сервисов», которые помогли мне выполнить задания!

Отличный курс, чтобы проверить свои профессиональные навыки. Интересные модули и идеальный формат для курсов. Активно пользовался возможностью перехода с потока на поток — очень полезная штука! Рекомендую оставить пару переходов на модуль «Сценарии деплоя», если раньше таким не занимались:)

Мой топ модулей в порядке убывания:
1. Матчинг и ранжирование — эталонный модуль, классный финальный проект с сеткой, ранее с подобными задачами не сталкивался и уже нашёл несколько способов применить знания из модуля в реальных задачах.
2. A/B-тесты — отличные лекции!
3. Сценарии деплоя — интересно и очень сложно!
4. Uplift — получился проходным для меня.
5. Динамическое ценообразование — не зашли задачи, возможно, из-за имеющегося опыта в этой области.

Сейчас есть небольшие шероховатости, но я думаю, со временем всё будет идеально! Спасибо огромное за замечательный курс. Это лучшее, что я видел! Иногда давал резкую обратную связь по горячим следам, каюсь перед преподавателями. Сейчас испытываю только положительные воспоминания и эмоции от всех модулей!

Интересный материал: из курса можно узнать много нового, что можно найти лишь в специализированной литературе. Сложные задания: над многими задачами приходилось сидеть по много часов. Но зато я действительно радовался, когда наконец получалось самостоятельно дойти до решения.

Я поступил на курс, так как хотел расширить кругозор за счет решения нетиповых задач. К сожалению, практического применения полученным навыкам на текущем месте работы нет. Особо хочу поблагодарить Владислава Ладенкова за то, что не только записал прекрасные лекции, но и лично подробно обсудил со мной финальный проект.

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.

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.

До начала обучения на курсе мне уже приходилось работать над проектами по созданию тех или иных информационных систем и сервисов. Я успел поработать на разных позициях и прошёл профессиональный путь от аналитика и разработчика до техмена и CEO.

На волне развития рекомендательной системы одного небезызвестного видеохостинга мне приглянулась серия записей интервью по System Design, наиболее глубоким среди которых, на мой взгляд, оказался 4-й выпуск с Женей Нижибицким (Uber-like сервис). Какое-то время назад ко мне попала в руки довольно известная книга «System Design Interview — An insider’s guide», а чуть позже я увидел анонс курса-интенсива по System Design от karpov. courses, где преподавателями выступили Валера Бабушкин (Blockchain.com) и Женя Нижибицкий (AliExpress). По долгу службы на фоне реальной проектной деятельности я и сам промышляю преподаванием ИТ-дисциплин по проектированию систем в столичном инженерно-физическом вузе, поэтому решил начать с ознакомления со структурой курса, затем посмотрел welcome-ролик и подумал: а почему бы и нет? Знаний у меня не убудет, да и стоимость довольно демократичная. Сказано — сделано!

Что меня встретило на курсе:

Отлично структурированный модульный контент с постепенным горизонтальным расширением по мере достижения адекватной вертикальной глубины каждой из тем. Здесь и Scope Refinement, и Functional/Non-Functional Requirements, и Capacity Estimation, и High-level + Component Design, и много чего ещё. Каждая из тем сопровождается наглядными схемами, подготовленными в популярном веб-туле для коллаборативного рисования.

2. Через каждую тему курса красной нитью проходят последовательные разборы довольно популярных паблик-сервисов: фотоаппов, сервисов такси, видеоплатформ, чуть более простых сокращателей ссылок и хостингов текстов. В общем, всё то, чем люди регулярно пользуются в обычной жизни и с достаточно высокой вероятностью могут встретить в качестве задачи на реальном интервью по System Design в BigTech-компаниях.

3. Весь материал курса здорово упакован в веб-ориентированную Learning Management System с видеолекциями и конспектами лекционных материалов. Для тех, кому интересно углубиться в тематику, в ряде уроков присутствуют ссылки на дополнительные более расширенные материалы — например, по тем же брокерам сообщений, кэшам, консистентному хэшированию и т. п. Также на платформе в каждом модуле есть практические задания с дедлайнами. Заданий в среднем порядка 20 на модуль, одна часть которых — это разные тесты, а другая — более углублённые практические задачи с обратной связью от преподавателей. Венец курса — финальный проект, в котором необходимо применить все накопленные интегральные знания.

4. Курс не случайно позиционирован как интенсив, что, на мой взгляд, довольно удачно. В каждом из модулей имеются адекватные дедлайны, которые на фоне прочей реальной деятельности помогают поддерживать учебным темп и, проще говоря, не дают «забить» :) Балльно-рейтинговая система курса подразумевает прозрачную систему начисления баллов. В случае несоблюдения дедлайнов система тебя штрафует, и баллов за задания начисляется меньше. Это мотивирует регулярно заниматься и не отставать от учебной программы.

5. Наконец, с коммуникационной точки зрения курс сопровождается, с одной стороны, достаточно оперативно реагирующей поддержкой, с другой — чатом сокурсников. Отдельно стоит отметить, что преподаватели сами находятся в чатах, поэтому какие-то более глубокие вопросы можно обсудить напрямую. Также нельзя не упомянуть и то, что чат с сокурсниками позволяет не только обмениваться идеями, но и вовсе самоорганизовываться в мок-интервью с единомышленниками, если задачей вашего пребывания на курсе является одна из форм подготовки к FAANG-like System Design интервью.

Подведу итоги: если вам интересно расширить свои знания в контексте построения высоконагруженных сервисов, разложить на атомы наиболее популярные из них, сформировать для себя алгоритм быстрого проектирования или прохождения реального интервью по System Design, то стоит обратить внимание на этот курс, безотносительно ознакомления с другими материалами по тематике.

Желаю успехов всем будущим студентам в покорении их академических и реальных дедлайнов, расширении кругозора актуальными технологическими знаниями и возможном прохождении System Design собеседования в одну или несколько BigTech-компаний. Выражаю большую благодарность команде karpov.courses. Это была пушка-бомба ракета!

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.

Экономист по образованию, работал 8 лет в одном и том же банке, как окончил универ. Изначально работал кредитным инспектором, андеррайтером, оценивал всякие дорогие машины и дома в залогах, выезжал на бизнес клиента — лесопилки, молочные фермы… В общем такая неинтересная банковская специфика. Ещё писал роботов на RPA, чего только не делал :)

Потом постепенно перешёл в аналитику (от VBA/Excel до ML/PySpark), так как хотелось автоматизации и ухода от рутины + благодаря прошлому опыту неплохо понимал устройство банковской сферы и слабости/возможности наших продуктов. Считаю прикладной опыт в области более важным, чем хард скиллы (с оговорками, конечно). Последние полтора года работал лидом небольшой команды аналитики в том же банке.

Проводил A/B-тесты на работе, но больше со стороны бизнес-заказчика, без возможности технической реализации. При этом по своей инициативе писал Python скрипты для проверки «соседей», пытался разобраться в специфике. Много всего смотрел, читал даже «Trustworthy Online Controlled Experiment», но почти не понимал, как это применить в жизни. Теперь после симулятора — думаю, что понимаю. Конечно, в реальности всё гораздо сложнее :)

Недавно пришлось покинуть организацию, появилось свободное время + зарубежные компании требуют этот навык. В wait листе на курс был давно, но продвинутую, к сожалению, так и не дождался. Теперь думаю и её приобрести, когда появится.

Самое главное — это структура! На этом уже можно закончить :)

Десятки ранее просмотренных видео, сотни часов контента (без преувеличения) не давали такого ощущения, что всё по полочкам. Примерно до 12-го урока я прямо «преисполнялся в знании», что всё получается, всё могу. Писал бывшим коллегам в стиле «вон оно как!», советовал. Два предпоследних урока немного тяжелее пошли, планирую вернуться к ним, закрепить. Старался каждое занятие переводить формулы из таблиц в Python скрипты, что вызывало эйфорию, когда все сходилось. И это даже лучше, чем если бы дали готовое решение.

Получается, что прошёл симулятор за 5 дней (я и отдыхал, если что). Но оговорюсь, что до этого очень много смотрел ваши видео и читал прочих хаброписцев. Был западающий момент, когда на конференции показывают, например, ту же CUPED, но тяжело продраться через формулы, перематываешь обратно туда-сюда, вроде бы понял, а как проверить? А у вас посмотрел формулы и понимаешь, что абсолютно ничего сложного в этом нет (кстати, хотелось бы понять разницу между курсом и жизнью).
Планирую дать посмотреть курс супруге (она что-то около продакта/проджекта). Она «с нуля», и очень интересно, что она скажет.

Спасибо преподавателям, не было желания Вас перематывать (sic!) :)

Александр показался очень компетентным и, я бы сказал, человечным, говоришь с ним на одном языке. Боялся математики, а там так все разжёвано, очень доволен! Все недостатки расписал ранее в отзывах к урокам.

Спасибо вам, что делаете такие клёвые задачи!

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).

А тут я сам от себя в шоке: у меня огромное желание решать задачки без всяких напоминаний.

Вы делаете очень крутой продукт.

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.
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.
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.
Как делать дизайн эксперимента, на что обращать внимание
Как правильно делить пользователей на группы
Как проводить А/А и А/B симуляции перед самим тестом, и почему этот шаг нельзя пропускать.
Как контролировать ошибки I и II рода, и как убедиться, что мы их контролируем
Как правильно оценить время и размер групп для эксперимента
Как статистически обосновано принять решение, что группа B лучше, чем группа A, или не лучше.
Как правильно тестировать конверсии, средний чек и в чем там подвох И еще много других «Как».
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.
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.
Сейчас работаю над тем, чтобы применять эти навыки у себя на работе и привнести культуру правильных A/B-тестов в наши проекты.

Я закончила НИУ ВШЭ 2,5 раза: прервала свой университетский путь посреди аспирантуры :) Сейчас работаю там же на исследовательской позиции, мы занимаемся экспериментами.

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.

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.

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.

Закончил бакалавриат Университета ИТМО по направлению «Физика наноструктур». Удалось немного поработать исследователем, выпустить статью, но это продлилось около полугода. На первом курсе магистратуры начал понемногу втягиваться в область анализа данных.
До симулятора уже был опыт прохождения различных курсов по машинному и глубокому обучению.

На симулятор я решил пойти, поскольку на предыдущих курсах мне казалось, что все задачи как бы немного оторваны от реальной работы ML-инженера, а в симуляторе как раз должны были быть реальные кейсы, по сути, как стажировка. И это оказалось правдой :)

Но всё же основной мотивацией было желание пополнить своё портфолио интересными задачами и проектами, о которых было бы не стыдно говорить на собеседовании. Рад, что это удалось сделать :)

Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом. Или взять задачу о неуверенности моделей (boosting uncertainty), где нужно прочитать статью и самому имплементировать виртуальный ансамбль, который позволяет оценивать уверенность предсказаний. От решения таких задач получаешь удовольствие :)

Но и из задач уровней intern и junior тоже получилось извлечь много полезного: это и построение асимметричных метрик, работа с SQL, обработка данных с помощью библиотеки pandas, работа с регулярными выражениями и т. д. В общем, я уверен, что каждый для себя сможет найти в симуляторе что-то полезное, будь он новичок или уже специалист.

Удалось пополнить своё портфолио интересными задачами. Наконец-то разобрался в бутстрапе, так как ему было уделено много задач. Сильно прокачал SQL, особенно оконные функции. Научился делать парсинг данных с помощью библиотек Python. В целом прокачались навыки написания кода на pandas и numpy, что позволяет уверенно выполнять тестовые задания.

Очень радует, что разработчики симулятора поддерживают связь со студентами и принимают во внимание их пожелания по задачам. Также выражаю большую благодарность преподавателям и кураторам, которые помогали, если задача ставила в тупик.

Я учился в МГТУ им. Н. Э. Баумана, проходил курсы на Stepik «Основы статистики» (2 первые части), «Программирование на Python» от института биоинформатики и на DataCamp курс по SQL и по Python.

В karpov. courses проходил программы «Аналитик данных» и Симулятор аналитика. Первая работа аналитиком была в бэттинге/гэмблинге, работал там с бонусными акциями, удержанием юзеров. По большей части работал с PowerBI, SQL: строил дашборды, немного обрабатывал данные. Python использовал по своей инициативе для обработки данных, автоматизации процессов и редко для обработки А/B-тестов До недавнего времени работал в Почте России. Инструменты схожи (PowerBI -> QlikSense), задачи в целом тоже близки, только работал с маркетплейсами.

На работе не так часто применялся Python, и появилось такое ощущение, что он потихоньку забывается. Думал между StartML и Симулятором. Выбрал в итоге Симулятор, так как хотелось попробовать прорешать что-то околореальное, да и ребята в чате сказали, что, если знаешь фит-предикт, то можно пробовать.
Впечатления от программы очень положительные. Приятно работать не с чем-то абстрактным, а будто с реальными задачами, с которыми может столкнуться человек на работе.
Очень понравилось, что проверяется не только работоспособность кода, но и его структура и скорость выполнения. Стоит сказать ещё, что сообщество курса очень живое.

На данный момент смотрю на свой ранее написанный код иначе: вижу то, что можно исправить, улучшить. На настоящей работе, к сожалению, не особо получается знания применять, но получилось оптимизировать некоторое количество функций. Топовый симулятор, команда шикарна. Единственное, что хотелось бы улучшить — скорость ответа поддержки в дикорде.