Специалист по Data Science

Структура и подача — материал разбит на логичные блоки: от основ Python и статистики до машинного обучения и нейросетей. Всё без «воды», с упором на практику.
Практические задания — после каждой темы сразу применяешь знания в реальных кейсах: от EDA до построения моделей. Особенно круто, что работаешь с настоящими данными.

Было бы неплохо перед стартом подтянуть математику и пройти какой-то небольшой курс по питону и статистике, но это не обязательно

структурированная подача материала, практические проекты, ревью проектов, поддержка наставников. В целом очень хороший курс.

Отсутствие разного уровня сложности задач . Хотелось бы больше заданий разного уровня: от простых до продвинутых. Иногда задачи были слишком легкие.(

Комьюнити и обсуждения полезны, но хотелось бы больше активного взаимодействия с наставниками и другими студентами.

Некоторые темы проходились слишком быстро, без глубокой практики.

Хотелось бы больше примеров из реальной работы Data Scientists.

Нужно быть готовым регулярно заниматься, иначе будет сложно догонять.

Лучше иметь базовые знания по Python и математике, хотя многие темы разбирают подробно.

Chatgpt обязательно использовать при обучении.

Курс охватывает работу аналитика по получению, предобработке данных, их подготовке к машинному обучению и несколько задач классического ML: NLP, Timeseries, Computer Vision. Курс очень понятный и доступный.

Хотелось бы больше внимания ML задачам, но у Яндекса есть отдельный курс по этой теме.

Есть чувство погружения в специальность, актуальные темы, временные рамки. Формулировка задач с каждым спринтом становится немного расплывчивее, из-за чего укрепляется собственное понимание того как подступиться к задаче. Сложность курса регулируешь ты сам, если времени совсем нет, то можно выполнять только обязательные задачи спринта, а если есть возможность и желание, можно читать ссылки из дополнительных материалов, которые помогут понять, как решать задачи эффективнее, найти новые инструменты, подходы, соревнования. Понравилась работа ревьюеров, они не просто указывают на ошибки, но и дают информацию для размышления.

Мне очень понравились практические задачи, которые были интересными и реалистичными. Они помогли применить теорию на практике и сделали курс более вовлекающим. Ревьюеры также предоставляли ценные советы и делились полезными дополнительными материалами, что способствовало углубленному пониманию тем.

Основной недостаток курса для меня – это поверхностное изложение теоретической части, особенно в области математики. Часто приводятся формулы, но без углубленного объяснения или ссылок на дополнительные ресурсы для желающих изучить материал более глубоко. Также были проблемы с производительностью платформы, что иногда мешало комфортному обучению.

Курс в первую очередь ориентирован на практическое применение знаний, а теоретическая часть представлена довольно поверхностно. Если вам важна глубокая теоретическая база, вам, возможно, придется искать дополнительные материалы самостоятельно. Это курс для тех, кто хочет научиться работать с инструментами Data Science и готов самостоятельно разобраться в более сложных теоретических аспектах.

Удивительно, но они смогли в короткий курс (9 мес) запихать уроки программирования на python, повторение универских курсов по лин-алгебре, теорверу, статистике. Покрыли более менее все классические области применения машинного обучения, насколько это было возможно в такие сжатые сроки. На каждую тему отдельный логически завершённый модуль. Дают даже на их удалённом сервере пообучать нейросети для распознавания картинок.
Выдержан баланс, чтобы не перегрузить теорией, много знаковых но безнадёжных устаревших подходов к решению задач либо упоминается вскользь, либо опущено. Всё более менее самое актуальное, разве что генеративные нейросети пока ещё не добавлены в программу. По сравнению с алгоритмами или C++ - свобода творения, нет задач над которыми бьёшься по несколько вечеров.

Первую половину будет достаточно скучновато. Основы питона пройдут быстро и увлекательно, но потом месяца 2-3 будет много возни в jupyter notebook с рисованием графиков и выводом табличек. На этом этапе ревьюверы очень сильно придираются к их оформлению. Будут заворачивать из-за того, что оси не по-русски или просто неправильно подписал, не все связи нашёл, не через тот тип графика распределение нарисовал. В общем недостаточно красивый "отчёт для начальника" подготовил. Это немного отвлекает от непосредственно работы с данными, но потом привыкаешь и попутно хорошо овладеваешь работой в jupyter, pandas и matplotlib.

Ещё есть отдельный обязательный модуль без человеческих проверок по JSON. Отнимает много времени и нервов, но в курсе нигде до или после него не используется, могли бы внедрить.

Год назад подбирал какой-нибудь курс, чтобы влиться в новомодные машинное обучение и нейронные сети. Ничего более подходящего чем этот не нашёл. В целом это оно. Конкретно по этим темам пробежитесь галопом по европам, только вторая часть курса 3-4 мес. Но для затравки достаточно. Слишком много теорией и практикой не грузят, но если какая-то тема очень понравится - спокойно может во время её прохождения углубиться, чё-то почитать дополнительно и в контрольной работе выложится больше необходимого - там вообще нет рамок. Полезных ссылок в чатах и после ревью накидают очень много, на несколько месяцев доп. изучения хватит.
Нагрузка не очень большая, со скрипом на грани фола задействовав все отсрочки удалось совмещать с другим курсом практикума (а в моменте и 3 одновременно) и с работой.

Очень понравилась подача, теории, разнообразность тем и наличием мобильного приложения! Я работал поваром 24 дня в месяц с 9 до 23 и получалось совмещать теорию на работе и выполнять проекты дома после работы, без приложения не знаю что бы делал)) Команда сопровождения всегда на связи и выручало когда это было нужно. Так же при мне обновили среду для проектов и хочу заметить что очень даже хорошо!! Общение с преподавателями и ревьюерами было наполнено смыслом и дополнительными советами, материалами которые можно изучить за пределами платформы

Учёба в практикумах делится на определённые части, и по мере учёбы было много эмоциональных качелей, то кажется что не вывожу программу, то казалось что я вообще так быстро справляюсь и это подмечают со стороны) Доп материалы которые выдают структурированно и по существу очень интересно читать на досуге, не бойтесь учиться и развиваться, это по истине очень занимательно и интересно!

Понравилась подача материала, все четко структурировано, информация подается от простого к сложному.

Не понравилась работа преподавателя, его работа сводится к найди ответ сам, однако это тоже хороший опыт.

Очень понравилась структура курса, присутствуют дополнительные необязательные задания по sql и теории вероятностей. Работа наставника, куратора, ментора и ревьюеров на высоте. Помогала для усвоения знаний именно работа ревьюеров. По моему мнению проекты после ревью становятся похожи один на другой, однако ты учишься новым визуализациям данных, определенным подходам к построению моделей. Фишка с ревью проектов просто супер! Лично мне в начале курса было архитяжело, а к концу втянулась и задания выполнялись быстрее. Очень интересный был дипломный проект по энергосбережению. Еще мне понравился проект по линейным моделям, прогнозирование удоя коров. Все проекты жизненные, интересные их выполнение помогает развиться в специальности Data science.

Мне понравился формат текстового представления теории в тренажере. Это гораздо лучше, чем записанные на видео семинары. Все оформлено круто и с картинками, чтобы не заскучать. Понравились проекты, они разноплановые, дают представление о реальных задачах, а в процессе ревью чувствуешь как растет твой скилл.

Мне не понравилось как поверхностно составлены курсы по машинному обучению для текстов и компьютерного зрения. Я конечно понимаю, что это отдельные очень объемные направления, но объем этих курсов все равно непозволительно мал, и сдача проектов там тоже реализована неудобно.

Этот курс хорош, чтобы изучить классические методы машинного обучения и пайплайн исследования данных. Но читать и изучать самому все равно придется много. И после завершения курса тоже, кучу всего надо будет изучить.

Очень хорошо объясняется вообще суть этой профессии, задается вектор обучения, по которому можно двигаться даже после завершения обучения.

Некоторые темы объясняются ну ужслишком поверхностно.

Тектсовый формат обучения (нужно много читать и конспектировать).

1. Понятная теория. Нет сложных формулировок, бесконечного количества терминов без пояснений, а также трехэтажных формул. Новая функция yandexGPT устраняет всё оставшееся недопонимание.

2. Множество интересных и емких проектов, наполняющих портфолио. Есть возможность отработать все этапы жизненного цикла моделей машинного обучения, обсудить спорные моменты с ревьюером, получить актуальные советы специалистов из индустрии. Возможности ограничены только личным временем.

3. Материала более чем достаточно. Множество ссылок на книги и статьи, а также дополнительные мини курсы по текущим темам попадаются в рекомендациях как в конце уроков, так и в комментариях ревью.

1. Распределение времени. Хотя чаще всего время выполнения и указано, но фактически оно может отличаться. Для теоретических уроков прогнозируемое время соответствует действительности, а вот на тренажёры и проекты может уйти сильно больше времени.

2. Работа тренажера. Иногда возникают спорные моменты с принятием задания, так как тренажер считает, что задание должно быть выполнено по другому, при этом исчерпывающих подсказок нет и приходится искать решение наугад. Наиболее актуально в модуле повещённом SQL. 20 минутная задачка превращается в мучительную 2 часовую.

1. Рассчитывай время на выполнение проекта как x2.

2. Советую иметь нормальные навыки владения python. Хоть в описании и сказано, что не обязательно, но в больших проектах может быть множество не очевидных ошибок, которые в совокупности с новых материал будут снижать конечное качество вашего обучения.

3. Согласно исследованиям внешних экспертов, курсы практикума заканчивают 60%, но фактически в официальной беседе при старте было где-то 200 человек, а к концу 40 (20%).