Екатерина Дмитриева

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.

Записался на "Машинное обучение. Базовый курс" в Otus, потому что давно интересовался темой и хотел наконец разобраться системно. В целом остался очень доволен. Университетской математики вполне хватает, чтобы понимать всё, что там объясняют, - не нужно заранее штудировать что-то сверх стандартной программы.

Преподаватели умеют объяснять не только по формулам, но и "на пальцах" - это важно. Хочу отдельно выделить Дмитрия Сергеева и Дмитрия Музалевского, которые вели большую часть курса: материал всегда разбирали предельно понятно, на вопросы отвечали развернуто и без формализма. Понравились и лекции Андрея Сухобока с Валерием Бабушкиным - у каждого было по одному занятию, но запомнились.

Практический уклон чувствуется и в подаче, и в домашних заданиях - всё заточено на реальное применение, а не просто теорию ради теории. Домашки разные по объему: одни делал часа за три-четыре, другие могли занять целый день, пару раз и больше. Удобно, что нет жестких дедлайнов - можно сдать в конце курса, если работаешь и не всегда успеваешь вовремя. Хотя лучше стараться делать сразу, пока занятие свежо в памяти.

Дополнительные занятия по запросам студентов - отдельное спасибо за это организаторам.

Минус один, и небольшой: 3-4 лекции из примерно 35 показались слабее остальных - по подаче или по содержанию. Но на общем фоне это скорее исключение, чем правило.