Алексей Кисляков

Брал курс Data Scientist (Machine Learning) - тот, что раньше назывался "Разработчик Big Data", и подозреваю, что переименования не случайны: так удобнее топить старые негативные отзывы. Порог входа заявлен как минимальный, но по факту часть тем требует куда более серьезной математической подготовки, чем написано в описании. Добрая половина материалов для самостоятельного изучения - на английском, хотя знание языка нигде не фигурирует как пререквизит. В раздатке куча ошибок в формулах и устаревший код, явно скопированный с разных сторонних ресурсов. "Авторские курсы" - это, судя по всему, авторская компиляция чужих материалов, не более.

С вопросами к преподавателям лучше не соваться - проще самому разобраться, потому что в ответ рискуешь получить новую ошибку поверх старой. Готовятся к занятиям они, мягко говоря, никак: видно, как человек читает текст прямо по ходу и пытается пересказать своими словами. Экание и мекание в итоге съедает минут десять от каждой лекции. Один из преподавателей - практик, работающий в Германии - говорит по-русски через слово, вставляя английские термины в русском прочтении, и постоянно повторяет одно и то же с перестановкой слов. Повторение, конечно, полезно, но когда вместо интуитивного понимания тебе просто перечитывают слайд на разные лады - это уже не педагогика.

В итоге большинство "объяснений" - это зачитывание формул без малейшего разбора логики. Практический опыт и умение преподавать - разные вещи, и здесь это особенно заметно. По деньгам курс явно переоценен: тот же объем знаний реально получить дешевле из книг или с тех же Udemy/edX.

Курс понравился именно тем, что практики реально много, а теории - по минимуму. Плюс затронули темы, которые напрямую с машинным обучением не связаны, но на деле очень полезны: парсинг сайтов, pipeline. Дмитрий Сергеев объясняет материал хорошо - начинает с простого, буквально "на пальцах", и постепенно наращивает сложность. Дмитрий Музалевский при проверке домашних заданий дает нормальную обратную связь: не просто ставит оценку, а подсказывает, что можно улучшить, или отмечает, что сделано хорошо.

Но домашних заданий, честно говоря, многовато. Не успеваешь толком вникнуть, осмыслить теорию, почитать что-то дополнительно. По ощущениям оптимально было бы штук 13-15 в среднем, примерно одно в неделю - сейчас темп сбивает, а не помогает.

Еще момент: в некоторых темах по коду пробегаются слишком быстро, и разобраться в нем не успеваешь. Vowpal Wabbit, например, вообще не зашел. Без базы по машинному обучению входить на курс будет тяжело - это стоит учитывать заранее.

Хотелось бы, чтобы при разборе алгоритмов объясняли не только как они работают, но и на какие параметры стоит обращать внимание в конкретных библиотеках, что требует настройки, а что нет. Документация есть, но она не всегда понятна без опыта, а работать с этими библиотеками в итоге придется.

Интеграция резюме с hh была бы удобной фичей - сейчас копипастить туда-обратно не очень.

Взял этот курс, чтобы разложить по полочкам то, что знал обрывками про NLP, - и он справился. Понравился преподавательский состав, структура выстроена логично, домашки реально полезные, не для галочки. Для базового уровня содержание в самый раз: не перегружают, но и пустоты нет. Единственное - если вы совсем с нуля, местами может быть непросто. Платформа удобная, продолжу на ней учиться дальше. Технологии меняются быстро, так что останавливаться смысла нет.

Брал курс по NLP как возможность разложить по полочкам то, что уже знал отрывочно, и понять, куда двигаться дальше. Преподаватели сильные, материал подан логично, домашки реально полезные - не для галочки. Для базового уровня содержание подобрано грамотно: всё по делу, без попытки запихнуть всё подряд. Платформа удобная, продолжу ей пользоваться. Единственное - если вы вообще без опыта в теме, местами может быть тяжеловато. Но в целом курс делает именно то, что обещает.