Курс «Специалист по data science»

Закончил курс по Data Science в мае 2023. В начале казалось, что 8 месяцев - это целая вечность, столько всего незнакомого: математика, алгоритмы, новый инструментарий. Но оглядываясь назад, скажу честно - пролетело неожиданно быстро, и материал действительно нарастал постепенно, без резких скачков.

Формат со спринтами по 2 недели очень удобный - сразу понятна структура, дедлайны не давят, но и не дают расслабиться. Рабочее пространство организовано толково: каждый спринт разбит на разделы под теорию, вопросы преподавателю задаешь прямо там же, видишь, что спрашивали другие. Проекты тоже идут отдельно, по шагам, и там тоже живой преподаватель, который реально отвечает.

Проверка проектов реальными специалистами из отрасли - наверное, самое ценное в курсе. Комментарии были содержательными, со ссылками, иногда присылали дополнительный материал. В начале идут с шаблонами и примерами, потом их становится меньше, и в какой-то момент понимаешь, что уже привычно открываешь Jupyter и просто начинаешь работать.

Еженедельные вебинары с наставниками - идея хорошая, но в нашей группе они часто не совпадали по теме с тем, что мы проходили. Качество тоже было неравномерным. Слышал, что в других группах попадались отличные лекторы - видимо, это лотерея. Площадка большая, людей много, а умение хорошо вести вебинар - это отдельный навык, не у всех он есть.

Куратор нашей когорты - невероятно доброжелательный человек, после общения с ней реально поднималось настроение. Преподаватель по проектам вообще поразил: отвечал очень быстро, часто за пределами рабочего времени, и каждый ответ был развернутым - со ссылками, примерами, объяснениями. Просто не оставалось шансов не разобраться.

Напоследок скажу вот что: не сидите в одиночестве над сложным вопросом. Общайтесь с командой сопровождения, с однокурсниками - и во время учебы, и после. Оказаться в кругу людей с общим интересом и целью - это само по себе ценно, и Практикум такую возможность дает.

Выбирала курс по Data Science долго - сравнивала с другими школами, перечитала кучу отзывов и в итоге остановилась на Яндекс.Практикуме. Начала в мае 2020-го, закончила в декабре. Самым ценным для меня оказались еженедельные консультации с наставниками - это люди, которые реально работают в DS на интересных проектах. Теорию сейчас найти легко, а вот живое общение со специалистами, их кейсы из практики - это дорогого стоит и реально вдохновляет. Учеба построена на спринтах по две недели, в конце каждого делаешь свой проект. Задания на реальных данных и из разных предметных областей, что приятно. Вся теория и упражнения идут в тренажере - слышала, что кто-то на него жалуется, но у меня сложностей не было, а если что-то и шло не так, поддержка решала вопрос быстро. Общение с преподавателями и одногруппниками в Slack: там и проекты обсуждали, и организационные мелочи. Народ на потоке попался адекватный и доброжелательный, на любой вопрос откликнутся и помогут. После классического образования особенно поразило, что никто не пытается тебя "подловить" и ткнуть носом в ошибку - наоборот, на код-ревью подчеркивают, что получилось хорошо. Есть еще бесплатный курс по трудоустройству: помогают с резюме, сопроводительным письмом, портфолио, разбираются, куда тебе двигаться. Врать не буду - крутым профи с нуля не станешь ни после какого курса, без практики никуда, учиться придется всю жизнь. Но как старт курсы Практикума очень хороши.

Оставлю честный отзыв - без перекоса ни в одну сторону. Когда выбирал курс, заметил, что отзывы на Практикум делятся на два лагеря: либо восторг, либо ненависть. И теперь понимаю почему. Это курсы для людей, которые готовы реально пахать. Тут прочувствуешь всю гамму: от "я гений" до "я ничего не понимаю", от паники перед дедлайном до настоящего кайфа, когда всё-таки разобрался.

Я учусь на Data Science. За 4 месяца уже успел поучаствовать в хакатонах и познакомиться с нормальными специалистами в области ML и DL. По основной работе я занимаюсь обработкой спутниковых снимков, и новые знания уже нашли там применение - перспективы выглядят очень интересно. Честно говоря, вернулась страсть к работе, которой давно не было. Могу не спать ночь, потому что хочется проверить гипотезу или посчитать модельку - и мне это нравится.

Поддержка кураторов и группа, с которой учишься, - это реально ценно. Но лёгкого пути нет: при решении настоящих задач никто не будет разжёвывать каждый шаг. Практикум учит не только специальности, но и тому, как искать, усваивать и применять информацию. Это курс для тех, кто умеет не опускать руки.

Признаюсь - дважды брал академический отпуск и стабильно делаю всё в последний момент. Но у меня три работы, аспирантура и несколько параллельных проектов, так что если справляюсь я, справитесь и вы. О трудоустройстве пока не могу говорить - я ещё на середине пути. Но отзывы тех, кто уже закончил, и регулярные карьерные мероприятия внушают оптимизм.

Итог простой: оно того стоит. Результат будет зависеть прежде всего от вас - от того, будете ли искать отговорки или реально учиться. Практикум со своей стороны даёт всё необходимое.

Про Практикум узнала ещё летом перед 11 классом, но попробовать бесплатный модуль по Data Science собралась только весной. Впечатления - очень позитивные. Тренажёр сделан аккуратно: интерфейс понятный, всё проработано до мелочей, приятно заходить. Техподдержка реально удивила - обращалась к ним раз 5, и по техническим вещам (тренажёр завис), и просто по заданиям. Отвечают минут за 10-15, всегда вежливо, и совершенно без разницы, платный у тебя курс или бесплатный. Посоветовалась с семьёй и купили полную версию - об этом не жалею ни секунды. В платном доступе в каждом спринте есть проекты на закрепление, их проверяют ревьюеры. Проверяют тщательно: часто пишут рекомендации даже сверх темы - как лучше оформить, что можно улучшить. Сейчас учусь на первом курсе универа, параллельно прохожу курс - пока всё устраивает.

Недавно закончил курс по Data Science, и главное, что хочу сказать: Практикум действительно помогает освоить профессию - без всяких оговорок. Это не хобби-курсы выходного дня, а полноценное обучение по глубине и нагрузке сравнимое с очной университетской программой. Дистанционность практически не ощущается.

Общение с преподавателями, наставниками и другими студентами идет в слаке - удобно и без лишней бюрократии. Регулярно проводятся видеоконференции, где наставник разбирает все сложные моменты по пройденным темам. Материал хорошо структурирован: дают то, что реально нужно для старта карьеры, без лишнего балласта.

Но главное - это практика. Много практики. За 8 месяцев я самостоятельно сделал полтора десятка проектов, причем все цельные и объемные - халтуру не примут, придется поработать. Каждый из них, даже самые ранние, можно показывать работодателю. Ну и атмосфера в потоке хорошая - учиться среди людей с похожими целями заметно продуктивнее.

Записался на data science за пару месяцев до начала потока - как раз накрыла самоизоляция, так что прошел весь 8-месячный курс, пока сидел на удаленке. Глупо было бы рассчитывать, что за это время станешь профессионалом, но профильную базу и понимание, куда двигаться дальше, точно получил. Кураторы приятные, наставники реально толковые - с ними повезло. Из минусов: некоторые задания в тренажере работают медленно или требуют слишком точного решения, без права на альтернативный подход. Плюс бонусом - познакомился с кучей людей из той же сферы.

Всё что дают на курсе, в большей степени никому не нужно в реалиях. Обещают помогать с трудоустройством, но по факту это не эффективно. Количество откликов никак вам знаний не добавит, только навыки поиска работы и прохождения собеседования. Почти в каждой вакансии есть стек, о котором на курсе даже не упоминалось. С багажом курса вы никогда работу не найдёте, это всё миф. Ниодного тестового вы сделать не сможете после курса, даже если вам его пришлют. За 5 месяцев поиска ниодного приглашения, и так почти у всех. Получить оффер получиться только если вы учились где-то ещё или у вас уже есть опыт в IT и программировании. Не верьте красивой обложке и названию. Не знаю как на других курсах, но после Data Science вы не аналитик и не программист. Сам Яндекс вас на работу никогда не пригласит ни на джуна ни на стажировку после этих курсов, только если у вас есть знания помимо курса. Положительные отзывы кажутся купленными, если честно.

Окончил программу в ноябре 2020, общее впечатление очень хорошее. Основам профессии Data Scientist здесь учат основательно. Единственное, что не зашло - раздел по компьютерному зрению: для такой темы двух недель явно мало, хотелось бы глубже. Онлайн-тренажер иногда подвисает, хотя видно, что его постоянно дорабатывают. Наставники и преподаватели - без вопросов, поддержка на высшем уровне.

Закончил программу Data Science в августе. До этого мой опыт ограничивался статистическим анализом и R - языком, который популярнее в академии, чем в индустрии, где правит Python. За время курса вырос как специалист и, что для меня не менее важно, существенно пополнил портфолио: проекты по классическому ML, NLP, временным рядам, Computer Vision.

На курсе учились люди разного уровня - были те, кто вообще впервые писал код уже во взрослом возрасте, и все успешно закончили. Но и тем, кто уже работает аналитиком и знаком со стандартными библиотеками, учиться было чему. Программа реально сложная, зато рассчитана и на новичков, и на тех, кто совмещает с работой.

Побывал в двух когортах (третьей и четвертой) - не потому что отчислили, просто не всегда учеба давалась с первого раза. Наставники щедро делились опытом на вебинарах, задания выполнял в тренажере, общался с однокурсниками. Тренажер иногда не принимал формально верное решение - это раздражало, но потом всегда можно посмотреть образцовый вариант. Куратор закрывает организационные вопросы и модерирует Slack.

В начале курса были задержки с проверкой проектов из-за нехватки ревьюеров, но за последние полгода об этом почти забыл - похоже, ситуация выправилась и качество проверок выросло. Техподдержка дружелюбная, хотя я с ней больше общался до старта обучения.

Программа готовит до уровня джуниора, дальше надо самому выбирать специализацию. Есть блок по трудоустройству - помогают с резюме, сопроводительными письмами, подготовкой к собеседованиям. В целом считаю, что сейчас даже лучшее время заходить на этот курс.

Учусь на Data Science в Яндекс Практикуме - направление модное, но по факту оказалось куда сложнее, чем ожидала. По ходу обучения навалилось всё сразу: сдавала диплом, параллельно работала, статистика периодически вызывала тихое отчаяние, да ещё и карантин с сериалами. Но именно в такие моменты понимаешь, насколько важна команда поддержки.

Куратор (у меня их сменилось несколько из-за академотпуска) решает все организационные вопросы - про правила публикации на GitHub, про академы, про каникулы - и как-то умудряется ещё и морально поддержать. Наставники по тренажерам разбирают косяки в коде, объясняют непонятные моменты прямо в процессе работы. Отдельно есть наставники по проектам - и вот это реально спасение, когда перед тобой пустой лист с едва намеченной структурой и голова пухнет от вопросов.

Проекты я сдаю традиционно со второй попытки, зато потом смотришь вебинар-разбор, видишь, как однокурсники оформили то же самое - красиво и нестандартно - и хочется сделать не хуже. В Slack между занятиями кто-нибудь скинет датасаентистский мем или полезную статью, и становится теплее на душе от того, что комьюнити вокруг живое и своё.

Из приятных мелочей - периодически прилетают промокоды на бесплатные подписки и другие бонусы. Казалось бы, мелочь, но приятно, что думают о студентах. Недостатков за всё время не нашла.

Узнал о Яндекс Практикуме от знакомых - у всех были нормальные впечатления, все в целом довольны. Сначала попробовал бесплатные спринты в нескольких направлениях: python, frontend, data science, backend. У меня уже есть опыт в IT и профильное образование, поэтому бесплатные программы показались слишком базовыми и особо не зацепили.

В итоге захотел углубиться в data science и привести в порядок знания из универа - их было много, но все разрозненные. Пробовал несколько раз начинать курсы на Coursera, Stepik, YouTube - всё заканчивалось на первых уроках, где шла совсем простая информация. Через несколько месяцев уговорил компанию оплатить обучение, договорившись о задачах, где новые знания будут полезны. Так и начался путь в Практикуме по направлению data science.

Сейчас прошел примерно половину курса. Материал интересный, знания структурируются, плюс добавляются новые. Но главное для меня - это обилие закрепляющих материалов и тренажеров. Работает на каком-то интуитивном уровне: запоминаешь, что куда и как.

С распределением времени нужно аккуратнее - сам сейчас попал в ситуацию, когда накопились долги по трем спринтам. Частично из-за лени, частично навалилось всего по жизни. Помогает то, что куратор группы сам пишет и спрашивает как дела - у них есть доступ к роадмапу, они видят, что что-то зависло. Не давят, но легонько подстегивают. Ну и возможность уйти в академический отпуск на месяц - хорошая подстраховка.

Цена и глубина материала - единственное, к чему есть вопросы. Для тех, у кого уже есть база, некоторые блоки кажутся поверхностными. Но люди - проверяющие, кураторы, та атмосфера, которую они создают - это реально сильная сторона Практикума.

Учусь на программе Специалист по Data Science, прошел ровно половину. Выбирал недолго - до этого пробовал Coursera, завершил там несколько курсов, но особого толка не было. Здесь зацепило то, что курс рассчитан на базовый уровень, плюс бренд сыграл роль. Пока не пожалел.

Структура мне подходит: одну неделю делаешь тренажер (теория сразу отрабатывается в коде), следующую - закрепляющий проект. Раз в неделю встречи с менторами - людьми, которые реально работают в сфере, не просто читают лекции. Можно спрашивать что угодно, они сами разбирают нюансы по пройденной теме, советуют литературу. Вопросы по тренажеру и проектам разбирают преподаватели в Slack - отвечают живо. Формат без жесткого расписания для меня удобнее, чем учиться строго по будням в одно время.

Из минусов: тренажер порой принимает только тот конкретный код, который в него зашит, даже если твое решение дает тот же результат другим путем. Проверка идет с заметной задержкой. И еще - делать проекты в своей IDE бывает неудобно из-за несовместимости версий библиотек, это раздражает.

Про трудоустройство ближе к концу курса говорят, что есть специальные люди, которые помогают с резюме и подготовкой к интервью, исследуют рынок. Гарантий никто не дает, и правильно - нужно и самому включаться, а не ждать готового места.

Прохожу курс по Data Science в Яндекс Практикуме, на момент написания закончил чуть больше половины программы. До этого из релевантного - только небольшой опыт программирования на Java, всё остальное (линейная алгебра, статистика, теория вероятности, машинное обучение) - с нуля. Совмещаю с работой 5/2, основная часть заданий приходится на выходные или вечера. Справляемо, иногда даже остается свободная неделя когда тема несложная.

Формат построен на онлайн-тренажере: учишься в своем темпе, что мне подходит, хотя это явно не для всех. Программа разбита на модули по 2 недели - первая на теорию, вторая на сдачу проекта. В конце каждого модуля - разбор с наставником, можно задать вопросы и разобрать то, что осталось непонятным. Некоторые темы раскрыты сжато, приходится докапываться самому - но для этой сферы это скорее плюс, потому что самоорганизация и постоянное самообучение тут в любом случае необходимы.

Отдельно понравился модуль по трудоустройству: как составлять резюме, сопроводительное письмо, как разговаривать с работодателем. Уже сходил на 2 собеседования "для интереса" - эти навыки реально работают. Недавно пригласили ещё на одно, хотя обучение ещё не закончено.

Преподаватели и кураторы в Slack - на высоте. Ни разу не видел, чтобы вопрос завис без ответа, ощущение живой обратной связи есть - для онлайн-формата это много значит. Ещё периодически присылают мелкие подарки: футболки, стикеры, скидки на IT-ресурсы - приятная мелочь. В целом доволен, если всё пойдет по плану - буду продолжать и брать курс по Python.

Занимаюсь уже 8 месяцев - срок немаленький, и иногда думаю, как вообще нахожу силы не бросить при своей загруженности. Держусь на двух вещах: во-первых, я точно понимаю, зачем это начал - хочу применить data science в своем приложении и расти как разработчик, а не топтаться на месте. Во-вторых, сама поэтапность курса реально помогает не потеряться. Материал структурирован нормально, и главное - есть реальные проекты с последующим code review, это для меня самое ценное. Единственное, чего не хватает - теоретической базы, её откровенно мало. Но как точка входа в Data Science - вполне рабочий вариант.

Поступал на Python-разработчика, примерно с середины перешёл на другой факультет. В целом впечатление неплохое, хотя есть куда расти - и это чувствуется, школа явно на ходу что-то меняет и подстраивает. Формат обучения очень самостоятельный: много гуглишь, много доходишь сам. Для практики это, пожалуй, хорошо, но если ждёшь, что тебя будут вести за руку - разочаруешься. Есть образовательная лицензия и сертификат по итогу. По времени - реклама говорит про 10 часов в неделю, по факту нужно больше, особенно если совсем с нуля. Мой совет: сначала пройдите бесплатный вводный курс и честно оцените свои силы. Если уже учитесь и что-то не идёт - не молчите, теребите наставников и поддержку, за это им и платят. Иногда одна мелочь тормозит всю тему, и проще спросить, чем застрять. Цена чуть ниже рынка. Пятёрку ставлю авансом - посмотрим, оправдают ли.

За плечами почти 3 года в нефтегазе - занимался анализом данных газоперекачивающих агрегатов, предсказывал аварии, ковырялся в огромных массивах цифр. Сначала писал на VBA, потом перешел на C++. В какой-то момент понял, что хочу делать это системно, и записался в Яндекс.Практикум - можно сказать, совсем не раздумывая.

И вот тут в голове начали складываться пазлы. Спринт за спринтом - и обучение буквально затягивает, ждешь следующего как чего-то долгожданного. В итоге я все-таки построил ту модель предсказания выхода из строя камер сгорания, которую раньше не мог довести до ума. Написал рекомендации по использованию - сейчас ею пользуются сервисные инженеры, уже без меня.

Прямо во время учебы уволился с прошлой работы - настолько был уверен, что дальше только ML. Сейчас заканчиваю курс и ищу работу в этой сфере. Минусов за время обучения не нашел - возможно, потому что попал в свою тему.

29 лет, за плечами колледж и институт в Подольске, первый код написал в 16 на php - тот самый, ещё без ООП. До 21 работал в интернет-провайдинге, потом официально устроился программистом на java. Три года назад перешёл в небольшую компанию data engineer-ом, где высоконагруженные сервисы плотно пересекаются с хранилищами данных - и больших, и маленьких.

Спустя год стало понятно, что хочется понимать, что делают ребята из смежных отделов - ml-инженеры и data science. Data engineering после того, как большинство процессов отлажено, превращается по большей части в рутину. Хотелось чего-то похожего на исследование - и чтобы можно было плотнее знакомиться с бизнесом и клиентами.

Около года-двух потратил на самостоятельное изучение матчасти. Периодически бросал, потом возобновлял. В итоге понял: без видимого результата мотивации учить теорию не хватает. Почитал отзывы о Яндекс Практикуме, наткнулся на страницу одного из учащихся на потоке data science, поинтересовался - и решил попробовать.

На момент написания заканчиваю 3-й спринт, 6-я неделя. Сложностей хватает - от непонимания задачи в целом до борьбы с тренажером (первые 3 недели он сыроват, потом нормально). Поначалу честно выводило из себя. Где-то на 4-5 неделе дошло: за этот короткий промежуток реально узнал много нового. И дело не в теории, которую тут подают, а в практике. Когда перед тобой ставят задачу в ограниченный срок, сам на своей шкуре прорабатываешь кучу моментов, выходящих за рамки этой задачи. Обучение идёт своим ходом, а ты порой не замечаешь. Даже по самым скучным темам, которые казались давно знакомыми, на практике прибавилось скилла там, где не ожидал. По ощущениям - как тот самый первый официальный рабочий опыт: бери больше, кидай дальше, наращивай.

Тем, кто только собирается: вас ждёт челендж, и он того стоит - хотя порой вы этого и не будете замечать. Кто сомневается из-за матчасти - не сомневайтесь, нужное для практики здесь дадут.

Начала с бесплатной части - просто из любопытства, без мыслей об IT вообще. Питон зацепил. Тренажер оказался удобнее, чем те же темы на Coursera: не нужно прыгать между вкладками, интерфейс понятный, техподдержка отвечает быстро, задачи интересные. Теория не оторвана от жизни - примеры реальные, не высосанные из пальца.

Когда бесплатная часть закончилась, решила продолжить, но единым платежом было тяжело. Написала в поддержку - разбили на части. Сейчас это уже есть прямо на сайте, но тогда договаривалась вручную, и мне пошли навстречу без лишних вопросов. Приятно, когда сервис работает по-человечески.

Сама схема учебы простая: спринты по две недели, в каждом - теория в тренажере и проект по теме спринта. Проект уходит на ревью - там указывают на ошибки, советуют, что доработать. Для меня это была лучшая часть: хотелось получить побольше замечаний, чтобы было что улучшать.

Старалась и переживала тут сильнее, чем в университете - отчасти потому что сложнее, но во многом из-за обратной связи. Преподаватели объясняют дотошно, спрашивать не страшно. Еще повезло с группой - однокурсники активно помогали друг другу, это реально добавляет желания не бросать.

Из минусов - проект могут проверять долго, и ревью иногда поверхностное, хотелось бы поподробнее.

Сейчас заканчиваю курс анализа данных на Яндекс.Практикуме и меняю работу. Думаю вернуться на Data Science.

10 лет в логистике - и в какой-то момент понял, что это совершенно не то, чем хочу заниматься. Начал искать что-то своё, наткнулся на курс по анализу данных в Практикуме - обещали Python и работу с данными - записался. Полгода прошли быстро, потом два месяца поиска, и вот уже три месяца работаю аналитиком. Можно считать, цель достигнута.

Программа устроена спринтами по две недели: первая - теория, вторая - практика. Формат хорошо дисциплинирует, потому что если не начинать сразу в понедельник, до конца второй недели просто не вывезешь.

В Слаке помогали и кураторы, и сокурсники - последние постоянно скидывали в общий чат какие-то дополнительные материалы, если основной программы казалось мало. Сообщество оказалось неожиданно сильным: все целеустремлённые, вместе ходили на профильные мероприятия, встречались отдельно, чтобы обсудить учёбу.

Карьерный блок мне был особенно нужен - за 10 лет я ни разу не менял работу и даже резюме не делал. Разобрались с тем, как его составлять, что писать в сопроводительных письмах, как откликаться и готовиться к собеседованиям. Без этого, наверное, искал бы до сих пор.

Важный момент, который стоит понимать заранее: диплом Практикума - это не пропуск в Яндекс. Может, на собеседования звали охотнее, но дальше всё равно нужно самому показывать, что умеешь и чем полезен бизнесу. Диплом открывает дверь, а не гарантирует результат.

Знания оказались реально прикладными - до сих пор возвращаюсь к коду, написанному на курсе: посчитать retention, построить когортный анализ. Ещё одна привычка, которая осталась - записывать всё в бумажный блокнот: задачи на день, новая информация, пометки где что искать. На новом месте информации много, и несколько раз эти записи реально выручали.

Из минусов - автоматические тесты для теоретической части. Не самый удобный формат, хотелось бы чего-то живее.

Аналитик не первый год, но шла за новыми инструментами и востребованными знаниями - и, кажется, получила их сполна. Оффер пришёл в последнюю неделю выпускного проекта, ровно такой, как хотела.

Из того, что реально помогало: поддержка 24/7, живое сообщество в чатах и база знаний - это работало на протяжении всего курса. Бесплатные 20 часов были великолепны, платная часть чуть скромнее, но пройти полностью однозначно стоит - это оптимальная база для джуна, без которой не постигнуть остальной дзен. Курс вышки или ШАДа здесь не ждите, но и задача другая.

Теперь о том, что раздражало. Ревью проектов затягивалось - порой дольше обещанного. Команда с тех пор обновилась, возможно стало лучше. Но главный минус лично для меня - жёсткое расписание спринтов. Четыре дня на спринт хватало с запасом, а дальше просто ждёшь открытия следующего. Очень охлаждает, когда есть время и силы двигаться, а система не пускает.

Спасала себя параллельно: курсы по статистике на Степике, трек по data science на DataCamp, несколько курсов по Python там же и бесплатные вводные от Практикума. Если так же срывать куш на всех платформах - времени хватит на всё.

Программа трудоустройства открывается ближе к концу обучения - помогают с резюме и сопроводительными, если вдруг теряетесь. Минус 0.5 только за то, что оригинал диплома ещё не получила - говорят, всему виной коронавирус.

Начинал с бесплатного вводного курса по Data Science в июле 2020 - зашло, решил продолжить на платном. Оплатил первый месяц, подключился к потоку, появился чат в Slack. Но через несколько недель понял, что это не моё, хочу в Python-разработку. Спросил куратора в Slack, как отказаться - она отправила в службу поддержки. Написал туда, получил ответ, что вернут остаток в течение 2-3 рабочих дней. Прошла неделя - тишина. Написал снова, мне ответили что-то вроде "заявка в работе у коллег, ждем ответа". И буквально на следующий день с карты списывается 13 000 р. за обучение, от которого я уже отказался. Написал и в чат, и на почту - молчание. Обратился в банк, оспорил операцию, деньги вернули. Но через 7 дней их снова списали. Снова писал - снова ни ответа. Ощущение, что там либо никто не работает, либо сидят боты с одними и теми же шаблонами. Сама платформа и формат обучения мне понравились, честно. Но финансовый отдел - это что-то за гранью.

Проходил специализацию Data Science, стартовал осенью 2019-го - был во втором потоке программы, так что заранее настроился на какое-то количество шероховатостей. За плечами к тому моменту уже был Python на рабочем уровне и опыт с большими данными, Spark, SQL - то есть совсем новичком не пришел. Тем не менее комбинация теории и проектов заставила реально покопаться: задачи можно решить формально лишь бы сдать, а можно разобраться по-взрослому - разница ощущается.

Самое ценное в курсе - это проекты на реальных кейсах: классификация текстов, предсказание временных рядов, цены автомобилей. Учиться на объемных датасетах принципиально интереснее, чем на игрушечных примерах. Плюс наличие наставника из индустрии и живая проверка проектов - именно через эту обратную связь и инсайты реально узнаешь что-то новое и делаешь следующую работу лучше.

Что стоит иметь в виду перед записью: программу можно пройти с нуля по Python, но тогда готовьтесь тратить больше времени и много гуглить - возможно, лучше зайти сначала через Аналитику данных. Курс дает хорошую базу по основным темам DS, но в глубину по конкретным направлениям придется копать самостоятельно. Некоторые темы разобраны поверхностно - это минус. Баги тренажера периодически случались, и тут здорово выручал Slack с однокурсниками: умение внятно объяснить проблему и решить ее совместно - само по себе полезный навык, востребованный потом в работе.

Я физик по образованию, так что с математикой было чуть легче, чем другим, - но именно здесь нормально прокачал программирование. Сейчас фактически выпускник курса Data Science, остался только финальный проект.

Группы небольшие, около 30 человек, работа идет двухнедельными спринтами - за счет этого реально чувствуется командный дух, а не просто смотришь видео в одиночку. Тренажер строгий, иногда придирается к коду, но баги в нем правят, разработчики реагируют. Сырость платформы немного раздражала, но в целом терпимо.

Самое ценное для меня - проекты. Вот там можно реально закопаться и сделать что-то интересное. Для сдачи хватает курсового материала, но если хочешь сделать лучше - проверяющие только рады.

Наставник отдельная история: благодаря его заряженности на развитие мы начали ходить по конференциям и участвовать в соревнованиях. Может, после карантина и сами там выступим.

Математики в программе маловато - это честный минус. Ну и вся сфера DS настолько широкая, что курс физически не может покрыть всё. Для любопытных есть канал в Slack, где студенты и наставники кидают полезные статьи - выручает.

Учусь на Data Scientist с января 2020, прошла уже больше половины программы. Формат обучения мне нравится - курс разбит на двухнедельные спринты, каждый посвящен одной широкой теме (например, машинное обучение в бизнесе). Внутри спринта - теория в виде конспектов с примерами, потом тренажер с небольшими упражнениями, и в конце проект с реальным ТЗ. Логика изложения выстроена хорошо, всё идет последовательно. Плюс всё обучение в браузере - можно зайти с любого компьютера в любое время.

По поддержке: вопросы преподавателям задаются через Slack, отвечают всегда, но иногда ждешь ответа целый день - видимо, люди совмещают с другой работой. Общение с однокурсниками тоже выручает, иногда кто-то из них отвечает быстрее.

Есть и минусы. Задания в проектах бывают сформулированы так, что сначала вообще непонятно, что от тебя хотят - приходится разбираться через дискуссию с преподавателем и несколько стадий осознания. Это опыт, но нервов иногда стоит. Курс дает базу и представление о профессии, но не глубокое погружение в технологии - это точно не ШАД, нужно понимать заранее. И если совсем нет опыта программирования, первые несколько недель будут тяжелыми.

Учусь в Практикуме с января 2020 на специалиста по data science - пошел туда, чтобы сменить профессию на что-то менее напряженное. В целом процессом доволен, расскажу как есть.

Что реально нравится: материал выстроен последовательно, темы не валятся в кучу. Среда удобная - теория сохраняется конспектами, тренажер дает сразу закрепить, а jupyter на серверах Яндекса вообще снимает головняк с установкой софта - можно учиться хоть с планшета. Преподаватели-практики, не теоретики - укажут на проблему и направят, а не просто дадут ответ. Двухнедельные спринты хорошо ложатся на совмещение с интенсивной основной работой. Слак с сокурсниками и наставниками - живой, там и ошибки не страшно делать, и опытом обмениваются, и соревнования на каггле устраивают. По цене - 90 тр за 9 месяцев считаю адекватным за то, что получаешь.

Но есть и то, что напрягает. Платформа дает базу, достаточную для стандартных задач, а дальше сам - лезешь в документацию разработчиков, на стак, гитхаб. Кому-то это в плюс, мне иногда хотелось бы чуть больше в самом курсе. И совсем новичкам в IT будет тяжело: хотя бы базовое понимание языков программирования и математическое мышление нужны на старте. Параллельно советую подтягивать линейную алгебру и статистику - точно пригодится.

В декабре 2019 я понятия не имел, как вообще строятся модели и пишется нормальный код. Сейчас это уже не кажется чем-то недостижимым.

Решила попробовать Яндекс Практикум, чтобы освоить новую специальность. Пока почти доучилась - в целом впечатления положительные. Объясняют подробно, даже если раньше с темой вообще не сталкивалась - всё равно понятно. Приятно, что есть наставник и нормальная техподдержка, не бросают один на один с материалом. Это реально помогает не бросить на полпути. В конце выдают сертификат. Направление, как мне кажется, будет только набирать спрос, так что вложение времени оправданное.

Архив видеолекций и докладов довольно богатый, материал разбит по направлениям - программирование, дизайн, мобильная разработка и прочее. Смотреть можно бесплатно, что удобно. С готовыми записями вообще просто: мотаешь вперед, если тема знакома, переключаешься на другой доклад в любой момент. Эксперты читают нормально, часть, насколько я понял, из Яндекса. Онлайн-курсы - отдельная история, там нужно записываться и учиться по расписанию. Прошел один по Machine Learning - не особо зашло, потому что все рассчитано на людей с нуля. Еще заметил, что Академия ориентирована больше на партнерство со школами и вузами, а не на обычных учеников.

Я проходил курс по Data Science, пока учился в университете, - совмещал вечерами, и это вполне реально. Никуда ехать не нужно: открыл ноутбук в свободное время и пошел дальше. Курс стоит 90 000 и рассчитан на 9 месяцев. Честно говоря, сначала сомневался, стоит ли продолжать после бесплатной части, но потом решил идти до конца - и не пожалел. Задания интересные, сервис работает нормально. Профессии, которые предлагает Яндекс, реально востребованы сейчас и будут только набирать популярность. Минусов для себя не нашел.

Я юрист. В 32 года я решил стать айтишником и объединить свои юридические знания со знаниями специалиста по Data Science. На этом пути я столкнулся с главной проблемой: за 15 лет после школы я основательно забыл математику, а теперь мне надо разбираться в теории вероятности и матрицах.

В этом выпуске я рассказываю, почему вообще решил учиться на Яндекс.Практикум и как самостоятельно начал учить математику. Привожу примеры хороших (на мой взгляд) книг и курсов. Рассказываю, с какими психологическими проблемами столкнулся и как их преодолевал.

Если вам понравился выпуск, то поставьте лайк. А если хотите подробнее узнать о том, как я учусь программированию, статистике, если есть вопросы по учебе, то пишите в комментариях.

ДОСТОИНСТВА:
Учеба дается легко.
НЕДОСТАТКИ:
Можно больше практических заданий.
Привет. Я хочу поделиться своим опытом обучения на сайте Яндекс. Практикум на специальность Data Science (язык программирования python)
Нужно сказать, что я имел опыт прохождения подобных курсов на площадке coursera (язык программирования R), поэтому мне было немного легче.
Я не выбирал. курсы, не сравнивал их, я сразу пошел на курс Яндекс. Практикума по DS поверив в бренд и не прогадал. Оплатил курс после прохождения пробного первого этапа, мне понравилось каким образом выстроен процесс обучения. Самым главным преимуществом является отзывчивые преподаватели, которые смогут объяснить все, что не понятно.