Специалист по Data Science

Достаточно много блоков проходят. Есть самостоятельные проекты, которые отдаешь на проверку и тебе отправляют его на доработку, чтобы привести его в достойный вид. Тут здорово

Мало уделено внимания каким-то конкретным блокам, как будто я только первую главу большого учебника прочитал. Но они, наверное, и не могут охватить все. Курс бы 4 года длился, а не 8 месяцев. Но базу они дают хорошую, которую уже можно дальше наращивать.

Не скажу, что будет легко людям без базы по программированию. Да, такие люди тоже проходят курс, но даётся им это, конечно, сложнее. Поэтому, нужно семь раз оценить свои силы.

На курсе жёсткие дедлайны, но если какие-то форс-мажоры и к дедлайну не успеваешь, то у них есть переход в следующую группу, у которой дедлайны позже (так можно переходить 3-4). Сам я так переходил 2 раза. Всякое бывает. На сколько я знаю, сейчас у них обновился курс и вроде как увеличили время обучения и снизилась нагрузка, поэтому уж сами смотрите
Но совмещать и с учебой, и с работой получается

Возможность самостоятельно изучить весь крус и главное в процессе изучения получить знания, которые понадобятся в классическом машинном обучении. Наличие дедлайнов. Многие могут не согласиться, но это именно то, что тебя заставляет учиться, не откладывать на завтрашний день. Если же не уложился дедлайн, есть возможность перевестись (разрешается 3 раза) в другую группу и продолжить обучение, там где возникли проблемы.

Остается "послевкусие" после некоторых спринтов. Есть ощущение, что материал требует доработки, особенно в материалах о LLM (CV и NLP).

Для легкого старта и сохранения нервных клеток лучше иметь знания в базовом питоне и линале. Самый трудны модуль - Статистический анализ данных, лучше быть готовым к нему заранее

Понравился формат обучения, ты самостоятельно проходишь все уроки в удобное для тебя время, но при этом конечно есть ограничения в виде 1-3 недель, в зависимости от темы. Но если ты быстрее отведенного времени проходишь, то будешь ждать открытия следующей темы по расписанию, раньше начать не получится (но наверно по-другому никак, потому что всё должно быть централизовано, и вебинары проводят по темам раз в неделю примерно). Всегда можно обратиться к куратору или в чат с наставниками, которые помогут решить проблему и ответить на вопросы. Также присылают много дополнительного материала для изучения по желанию.

Сначала темы разобраны очень хорошо и подробно, а под конец курса уже как будто по верхам, хотелось бы чуть более ясного объяснения. Ещё мне кажется, что если не было никакого опыта с языками программирования и знаний высшей математики, то будет намного сложнее. Да, вроде объясняют понятно, но, если бы я не изучала это всё ранее, то было бы тяжелее в разы. То есть основному обучению надо уделять достаточно много времени, плюс как-то и дополнительные материалы полезно изучать, и вебинары смотреть.

Такой формат подходит тем, кто готов уделять достаточно много времени обучению, любит самостоятельно в удобном ему темпе проходить темы, дисциплинирован. Хотя можно три раза перейти в поток ниже, если не будете успевать проходить темы и сдавать проекты. Программа в целом наполненная, уроки сделаны интересно, проекты тоже. Насчет пригодности всего, это уже можно будет оценить только в будущем с опытом.

Текстовая структурированная подача материала. Но если у вас мало времени на учебу (параллельная работа) то лучше конечно было бы также видео подача материала (для большего восприятия у многих такой способ лучше воспринимается). Интересные проекты задачи. Говорят что доступ к материалам будет "всегда доступным". Не уверен насчет техподдержки на этот период.

Как и говорил ранее, если мало времени, а время дают всего 2 недели и потом нужно делать проект (а надо прочитать и впитать в себя очень много новой информации, особенно для тех кто "гуманитарий") приходилось гуглить, искать материалы с более "информативной" подачей (в т.ч. видео). С python и sql еще куда не шло, а когда пошла статистика и машинное обучение.... тут мое не техническое образование (алгебру решал в крайний раз в далеком 2001 году в школе на экзамене) сильно дало о себе знать. Было ужасно трудно. Нужно тут авторам подумать про более адаптивную подачу материала.

Еще момент, до этого проходил другие курсы "Бизнес аналитик" от министерства цифровизации, там тоже был python и в нем, кстати, был ООП. Не знаю почему в нашем курсе этого не было, но говорят сейчас добавили.

Очень желательно быть готовым сидеть за компьютером большое количество времени, а также в выходные, праздники и читать дополнительный материал.

Текстовая структурированная подача материала.

Ревьюверы (наибольшая польза - это от ревью, там многому научился) - особенно запомнился Александр Непомнящий, из преподавателей - Денис Абрашин, из менторов - Светлана Чиж, у нас хороший куратор Сергей Труш - он пытался вытянуть ситуацию по сопровождению и под конец курса ему это удалось - нам компенсировали (дали классного преподавателя Дениса Абрашина) некоторое неустройство из-за поведения некоторых членов команды сопровождения.

Заявленный доступ к материалам - навсегда.

Круглосуточная техподдержка - очень качественная.

Дополнительные материалы для подготовки к собеседованиям.

Заявленная помощь в трудоустройстве.

Ожидалось большего согласно описанию - но часть команды сопровождения очень сильно разочаровала.

Текстовой формат - это хорошо, но желательно и немного дублирующего видео как иной способ подачи информации.

Качество и удобность понимания в начале была отличной, но чем дальше, тем чаще встречался сыроватый материал, трудно усвояемый, приходилось самостоятельно до заниматься, смотреть ролики на Ютубе.

Думаю, что для успешного полезного прохождения курса нужно очень хорошо подумать насколько Вы готовы быть посвященными обучению.

Времени нужно много, с работой тяжело будет совмещать - тогда лучше DS+ (там времени больше как я понял, но сам не сильно отличается, судя по программе).

Очень сильно желательно:

- иметь хоть какую-то подготовку по какому-то языку программированию,

- иметь хороший компьютер (!), не смартфон,

- знать высшую математику на уровне 1 курса ВУЗа.

Желательно:

- читать на английском и понимать,

- быть готовым сидеть за компьютером иногда и 8 часов в день и также в выходные, праздники.

- быть готовым читать дополнительный материал.

Структура и подача — материал разбит на логичные блоки: от основ Python и статистики до машинного обучения и нейросетей. Всё без «воды», с упором на практику.
Практические задания — после каждой темы сразу применяешь знания в реальных кейсах: от EDA до построения моделей. Особенно круто, что работаешь с настоящими данными.

Было бы неплохо перед стартом подтянуть математику и пройти какой-то небольшой курс по питону и статистике, но это не обязательно

структурированная подача материала, практические проекты, ревью проектов, поддержка наставников. В целом очень хороший курс.

Отсутствие разного уровня сложности задач . Хотелось бы больше заданий разного уровня: от простых до продвинутых. Иногда задачи были слишком легкие.(

Комьюнити и обсуждения полезны, но хотелось бы больше активного взаимодействия с наставниками и другими студентами.

Некоторые темы проходились слишком быстро, без глубокой практики.

Хотелось бы больше примеров из реальной работы Data Scientists.

Нужно быть готовым регулярно заниматься, иначе будет сложно догонять.

Лучше иметь базовые знания по Python и математике, хотя многие темы разбирают подробно.

Chatgpt обязательно использовать при обучении.

Курс охватывает работу аналитика по получению, предобработке данных, их подготовке к машинному обучению и несколько задач классического ML: NLP, Timeseries, Computer Vision. Курс очень понятный и доступный.

Хотелось бы больше внимания ML задачам, но у Яндекса есть отдельный курс по этой теме.

Есть чувство погружения в специальность, актуальные темы, временные рамки. Формулировка задач с каждым спринтом становится немного расплывчивее, из-за чего укрепляется собственное понимание того как подступиться к задаче. Сложность курса регулируешь ты сам, если времени совсем нет, то можно выполнять только обязательные задачи спринта, а если есть возможность и желание, можно читать ссылки из дополнительных материалов, которые помогут понять, как решать задачи эффективнее, найти новые инструменты, подходы, соревнования. Понравилась работа ревьюеров, они не просто указывают на ошибки, но и дают информацию для размышления.

Мне очень понравились практические задачи, которые были интересными и реалистичными. Они помогли применить теорию на практике и сделали курс более вовлекающим. Ревьюеры также предоставляли ценные советы и делились полезными дополнительными материалами, что способствовало углубленному пониманию тем.

Основной недостаток курса для меня – это поверхностное изложение теоретической части, особенно в области математики. Часто приводятся формулы, но без углубленного объяснения или ссылок на дополнительные ресурсы для желающих изучить материал более глубоко. Также были проблемы с производительностью платформы, что иногда мешало комфортному обучению.

Курс в первую очередь ориентирован на практическое применение знаний, а теоретическая часть представлена довольно поверхностно. Если вам важна глубокая теоретическая база, вам, возможно, придется искать дополнительные материалы самостоятельно. Это курс для тех, кто хочет научиться работать с инструментами Data Science и готов самостоятельно разобраться в более сложных теоретических аспектах.

Удивительно, но они смогли в короткий курс (9 мес) запихать уроки программирования на python, повторение универских курсов по лин-алгебре, теорверу, статистике. Покрыли более менее все классические области применения машинного обучения, насколько это было возможно в такие сжатые сроки. На каждую тему отдельный логически завершённый модуль. Дают даже на их удалённом сервере пообучать нейросети для распознавания картинок.
Выдержан баланс, чтобы не перегрузить теорией, много знаковых но безнадёжных устаревших подходов к решению задач либо упоминается вскользь, либо опущено. Всё более менее самое актуальное, разве что генеративные нейросети пока ещё не добавлены в программу. По сравнению с алгоритмами или C++ - свобода творения, нет задач над которыми бьёшься по несколько вечеров.

Первую половину будет достаточно скучновато. Основы питона пройдут быстро и увлекательно, но потом месяца 2-3 будет много возни в jupyter notebook с рисованием графиков и выводом табличек. На этом этапе ревьюверы очень сильно придираются к их оформлению. Будут заворачивать из-за того, что оси не по-русски или просто неправильно подписал, не все связи нашёл, не через тот тип графика распределение нарисовал. В общем недостаточно красивый "отчёт для начальника" подготовил. Это немного отвлекает от непосредственно работы с данными, но потом привыкаешь и попутно хорошо овладеваешь работой в jupyter, pandas и matplotlib.

Ещё есть отдельный обязательный модуль без человеческих проверок по JSON. Отнимает много времени и нервов, но в курсе нигде до или после него не используется, могли бы внедрить.

Год назад подбирал какой-нибудь курс, чтобы влиться в новомодные машинное обучение и нейронные сети. Ничего более подходящего чем этот не нашёл. В целом это оно. Конкретно по этим темам пробежитесь галопом по европам, только вторая часть курса 3-4 мес. Но для затравки достаточно. Слишком много теорией и практикой не грузят, но если какая-то тема очень понравится - спокойно может во время её прохождения углубиться, чё-то почитать дополнительно и в контрольной работе выложится больше необходимого - там вообще нет рамок. Полезных ссылок в чатах и после ревью накидают очень много, на несколько месяцев доп. изучения хватит.
Нагрузка не очень большая, со скрипом на грани фола задействовав все отсрочки удалось совмещать с другим курсом практикума (а в моменте и 3 одновременно) и с работой.