Специалист по Data Science плюс

Я из приверженцев старого мнения - ~Учебное заведение должно научить учиться~.

Поэтому я не разделяю мнение о том, что в данном курсе "дали мало знаний", "какие-то темы неполные", "поверхностное прохождение".

Я пришла на курсы с нуля, мое образование и рядом не стояло с техническими специальностями. Не скрою, что было тяжело, но курс построен в стиле "френдли", поэтому я действительно знала куда и по какому вопросу можно обратиться.

----> После окончания я получила представление о новой профессии, знаю четко, что именно мне нужно подтянуть для поиска работы. То есть, я получила достаточно базовых знаний, которые помогли мне сложить своеобразный образ профессии. Меня научили думать по-новому и научили учиться в сфере IT.

Раздел о Численных методах действительно сыро составлен. Я за то, чтобы мотивировать студентов проводить дополнительные ресерчи, так лучше закрепляется материал. Но данный раздел слишком уж грубо заставляет лезть в доп материалы.

Если вы не гений и не человек с техническим образованием, будьте готовы к большой работе над собой. Формировать новый, технический, тип мышления тяжело, но зато открывает новые горизонты! Всем удачи.

Много практики, хорошая база, быстрая работа всех преподователей

Подходит для всех, кто хоть немного умеет программировать и хочет прокачать свой DS

Мои ожидания курс удовлетворил, я увереннее работаю с питоном получил обзор и возможные применения различных ML моделей, лучше понимаю развитие отрасли. Опыт программирования был (C, C++, Matlab). Понравилось работа преподавателей, всегда полноценные, качественные отзывы с множеством ссылок. Курс предполагает достаточно много самостоятельного изучения, на основе преподанного материала. Но не думаю, что это недостаток. Понравилось много случаев применения различных моделей. 

Я особо не отмечу таковых. Да, немного затянут модуль SQL, из-за перехода в группу ниже (болезни, командировки, праздники)) теряются выполненные задания на платформе, преподаватель правда направляет их файлами + меняется немного программа и предыдущие уроки бывают не актуальными. 

Важно, что курс начинается с базы по питону и дает представление и применение основных моделей. Сильно углубленного погружения ожидать не стоит, достаточно находить / разбираться самому.

В целом, удобно, что ты в тренажере пишешь маленькие задания ручками, тем самым лучше закрепляешь материал. Иногда попадаются интересные наставники, которые хорошо выстраивают взаимодействие, также есть мастерские, где +- уже задачи, где можно подумать.

Также есть карьерный трек, где вроде бы помогают с трудоустройством.

Минусов много, давайте по порядку.

1. Очень скудная теория, по сути рассказывают, как вызвать метод в python и все, в теорию вообще не вникают, а это важно для работы, для дальнейшего образовательного роста.

2. По итогу, куча практики, где просто нужно сделать анализ данных, нарисовать графики, вызвать catboost и задача решена. В продакшене конечно же не так, и построение ML-моделей занимает меньшую часть времени.

3. На работе же нужно уметь делать микросервисы, где ты разворачиваешь свои ML-решения. К сожалению, на этом курсе ничего об этом не было. Да, есть курсы, где это дают.

4. Выпускной проект представляет из себя обычное задание, которое решается вызовом катбуста из коробки. Я потратил два вечера на это задание, а ведь это выпускной проект.

Больше написать не могу, ограничение на буквы)

1. Изучите другие варианты, здесь не учат быть data scientist'ом. Максимум Дата аналитиком, и то в узком плане, так как придется самостоятельно потом осваивать нужные компетенции помимо python и sql.

Этот курс не для ребят, которые хотят с нуля стать специалистами. По всем темам объяснения поверхностные.

В курсах Практикума люблю проекты, широкий выбор методов реализации идей, качественную обратную связь от ревьюеров

В некоторых темах непонятно расписана теория и нет никаких мероприятий для закрепления именно теоретический знаний, а на собеседованиях спрашивают именно их

Нужно будет дополнительно погружаться в теорию, закреплять понимание того, как модели работают под капотом

Все понятно структурировано. Получила и отработала новые знания. Классная программа поиска работы

Иногда преподаватели отвечали на вопросы не вникая в проблему. Очень поверхностно.

Необходима самоорганизация, что бы выстроить процесс обучения. Темп высокие, отчисляют если не сдашь во время проекты.

Самое полезное, это возможность получить фидбэк по домашке и исправить ее. По большей части, именно это и требуется от обучения. Материалов достаточно, чтобы иметь какую-то базу, а остальное можно доизучить самостоятельно.

Большой и очень нудный модуль по SQL. Если есть вменяемый опыт в этой теме, то в процессе прохождения - хочется вообще забиться на все и вся.

Курс дает базовые знания + фидбэк от живых людей, правильно ли вы понимаете, как пользоваться инструментами, но не более. То есть, после прохождения - у вас будет знание только инструмента на нормалном уровне и можно будет уже готовиться к реальным собесам, но не более.

Курсы Практикума предлагают большое количество полезной практики и регулярные проверки проектов. Особое внимание уделяется основам машинного обучения, что служит отличным фундаментом для дальнейшего развития. Глубоко изучаются математическая статистика, теория вероятностей и базовая математика. Также я получил ценные знания в области анализа данных, что крайне важно для реализации реальных проектов.

Особенно хочется отметить, что здесь не дают поблажек студентам: многое приходится осваивать самостоятельно, преодолевая себя. Это позволило мне научиться работать с современными нейросетями, грамотно использовать поисковые системы и связанные с этим навыки.

В целом, это был ценный как образовательный, так и жизненный опыт.

А вот что не понравилось, так это непотребно мизерное время, уделённое на основые современные вехи развития ML и нейросетей - NLP и ComputerVision. Именно это нужно работодателям, а не дерево решений и логистическая регрессия. Также я столкнулся с довольно банальной проблемой - в связи со спецификой моей текущей професии я не мог лично присутствовать на вэбинарах вечером. А преподаватель просто забывал делать записи. В итоге я вообще отказался от занятий с наставником (хотя заплатил деньги за обучение), а зотельсь бы смотреть на эти занятия оффлайн или слушать в дороге.

Однако мне хотелось бы отметить некоторые недостатки. Во-первых, крайне мало времени было уделено таким важным современным направлениям развития машинного обучения и нейросетей, как NLP и Computer Vision. Эти темы особенно востребованы среди работодателей, в отличие от дерева решений и логистической регрессии.

Во-вторых, из-за специфики моей текущей профессии я не мог посещать вечерние вебинары лично. К сожалению, преподаватель иногда забывал делать записи. В результате я отказался от занятий с наставником, хотя и оплатил обучение. Было бы удобнее просматривать эти занятия в офлайн-режиме или слушать их в дороге.

Однако, Практикум никак не контролирует вэбинары со студентами, а хотелось бы!

Получение новых знаний, приобретение связей, интересные знакомства.

Полученных знаний недостаточно для поиска работы. Во второй части курса, где появились наиболее серьезные темы, материал подан скомканно. Все очень сжато. В теоретической части присутствуют опечатки, в тренажере много ошибок, из за чего приходилось постоянно писать в техподдержку. Хочу добавить, что студентам также было заявлено, что знаний полученных в курсе DS будет точно достаточно для позиции аналитика. Однако, не было знакомства с такими основными инструментами работы аналитика как: дашборды в средах визуализаци (Tableau, Power BI и т д), практики Ad-hoc аналитики, реализации AB тестов, работы с метриками качества для аналитика.

Курс хорош для ознакомления с ds. Возможно года 3 назад знаний полученных в курсе было достаточно, но по нынешним требованиям трудоустроиться довольно сложно.