Курсе Data Scientist (Machine Learning). Курс постоянно переименовывается (еще раньше он назывался Разработчик Big Data), видимо, чтоб нивелировать негативные отзывы.
Порог входа на курс занижен. Некоторые темы, подразумевают гораздо более серьезную подготовку, нежели заявленные базовые знания высшей математики. Большая часть материала для самостоятельного изучения предлагается на английском, но никто не указывает требование к знанию этого языка, как пререквизит курса.
В раздаточных материалах курса множество ошибок в математических выкладках, а также устаревший код, скопированный с различных ресурсов. Видимо авториские курсы, как они позиционируются на сайте, подразумевают авторскую компиляцию внешних источников, а не их авторское прочтение.
Попытки задавать вопросы преподавателям в конечном итоге приводят в никуда, по ходу проще самому разобраться, нежели просить разъяснений, поскольку, не разобравшись, они на одну ошибку могу с легкостью налепить другую.
Преподаватели к занятиям не готовятся "от слова совсем". То есть видно как они по ходу читают текст и пытаются пересказать его своими словами. Отсюда и изрядная доля эканья и меканьня, которая в общей сложности отжирает минут 10 от лекции.
Есть там один преподаватель — очередной практик из Германии, так он вообще говорить по-русски нормально не может, у него половина слов английские, поданные в русском прочтении. Плюс к этому мекает постоянно и повторяет одно и то же по нескольку раз меняя местами слова (или заменяя на синонимы). Повторение — это, безусловно, мать учения, но лучше однократно дать интуитивное понимание материала, а не повторять на разные лады, только что прочненный на слайде текст.

Мораль:
1) большая часть "объяснений" — это зачитывание формул, то есть никакого интуитивного понимания не дается. Роль преподавателя мало чем отличается от роли чтеца корявого раздаточного материала. Преподаватель к занятиям не готовится. И еще практический бэкграунд не делает практиков преподавателями. ПрепоДАВАТЕЛЬ — это тот кте умеет давать знания, а не тот, кто умеет хорошо применять их на практике.
2) цена завышена, те же знания можно получить за меньшие деньги из книг и оффлайн курсов на том же udemy или edx.

ДОСТОИНСТВА:
Много практики, минимум теории. Изучили полезные темы по парсингу сайтов и pipeline.
НЕДОСТАТКИ:
Присутствуют темы, которые не очень зашли, например - Vowpal Wabbit. Без базовых знаний машинного обучения будет сложно. Многовато домашних заданий. В некоторых темах очень быстро пробегаются по коду, что не позволяет разобраться в нем.
Курс интересный, много практики. Хотя по ощущениям многовато домашних заданий, не успеваешь сконцентрироваться, тщательней обдумать выполнение заданий и заодно осмыслить теорию, почитать что-то сверх материала. Может быть имело бы смысл их уменьшить штук до 13-15. По мне идеально одно задание на неделю в среднем.
Полезно, что проходили темы не на прямую связанные с машинным обучением, например - pipeline, парсинг.
Нравится подача материала Дмитрием Сергеевым тем, что темы начинает объяснять с простого на пальцах, постепенно увеличивая сложность.
Также очень хорошо, что Дмитрий Музалевский даёт обратную связь при проверке дз, подсказывает где можно что-то еще улучшить в будущем, задает направление. Ну либо подчеркивает, что сделано отлично)
Может быть ещё бы добавил при прохождении каких-либо алгоритмов на занятиях объяснение где в каких моделях стоит на какие параметры обращать больше внимания, а на какие нет в конкретных часто используемых библиотеках. Что требует настройки, а что нет. Понятно, что в документации всё есть, но она не всегда понятна обычному не опытному человеку. Потому как в итоге работать придется с этими библиотеками, поэтому подробности не помешали бы.
Было бы круто сделать интергацию резюме с hh или каким-нибудь моим кругом, поскольку очень не охото копи-пастить оттуда резюме, и при внесении изменений в hh, оно бы поменялось и у вас.
Ну и надеюсь, что ваш сервис поможет найти работу связанную с машинным обучением)