Аналогов этого курса нет, своих денег он стоил. Скорее всего, через несколько месяцев возобновлю подписку, чтобы дорешать оставшиеся задачи.

Достоинства
После формулировки каждой задачи следует подробнейшее описание теоретической части, которая помогает эти задачи решить. Очень круто, что в конце многих задач предоставляется список дополнительной литературы для собственного ознакомления.

Сайт курса имеет очень удобный и интуитивный вид. Техническая поддержка оперативно (в течение нескольких часов) отвечает на любые вопросы, связанные с «непонятками» студентов — приводят примеры, но напрямую не раскрывают фишки каждой задачи.

Недостатки
К сожалению, задачи настолько сильно декомпозированы составителями, что студенту остается только следовать инструкциям без какого-либо своего вмешательства, от чего почти все задачи симулятора имеют единственное верное (с точки зрения начисления баллов) решение. Плюс взаимодействие в дискорде для меня не очень удобное, но я почти быстро к этому привык.

В целом курс мне понравился, но как и везде есть свои плюсы и минусы. Так как я уже был знаком с Python и статистикой, блоки по разработке и АБ тестам не являлись для меня очень полезными, но это не минус школе, материал вполне достойный, для старта начинающим должно хватить. Блок по Машинному обучению вызывал только восторг. Никита Т. и этот блок — это огромный жирный плюс этого курса. Никита очень доступно объяснял каждую тему, уроки шли последовательно, из одной темы мы плавно перетекали в другую и, что мне очень понравилось, преподаватель давал мотивировку и доступно объяснял на примерах что, зачем куда и почему. После лампового и доступного идет совсем не радужный блок по DL, который мне совсем не зашел. Ждал его очень сильно, но то ли преподаватель не зацепил, то ли материал показался непроработанным, то ли сама тема довольно-таки сложная и я уже подустал. В общем, хоть и говорится, что этот блок просто обзорный, после прохождения осталось ощущение, что я ничего не выучил и ничего не понял. В целом курсу спасибо, свою задачу он выполняет. Понятное дело, что в 6-7 месячный курс невозможно засунуть все, в любом случае нужно самостоятельно искать доп. информацию, благо есть саппорт, который может помочь с вопросами. Считаю, что после курса вполне реально найти работу, если действительно у вас стоит такая цель (у меня такой цели не было). Дорогу осилит идущий…

Обучалась дистанционна впервые. Учебный материал изложен доступно, объёмно, интересные видеоматериалы.
Очень удобно прохождения тестирования - сразу же получаешь оценку. Самое главное, что учиться можно в удобное для себя время, не прерывая свою трудовую деятельность.
Обучение удобное, позволяет сохронять себе информацию для последующего использования в работе.
Большое Спасибо организаторам, экспертам и кураторам Карпов курса❤️👍🏻

Очень здорово, что именно наши ребята пришли к такому продукту, ведь аналогов буквально нет. Если вы человек горящий идеей трудоустройства в сфере ML, но даже понятия не имеете что вас ждет — это реально классный продукт, так как есть возможность потрогать реальные задачи с приближенной инфраструктурой, а не просто написать в своем ноутбучке логрег модель.

За последние несколько лет прошел несколько курсов, этот, к сожалению, входит в число худших. Давно наблюдал за karpov.courses и очень жаль, что мое знакомство с платформой состоялось в рамках этого курса. К сожалению, особо плюсов для себя не могу выделить, т.к после первых двух недель стало все предельно ясно и горящие глаза потухли. Итак: 1. Записи лекций абсолютно не воспринимаются на слух, это и монотонность повествования, это и путанница в окончаниях, это и монтаж лекции, когда каждые 0.01 секунды идет склейка. Хорошо, что есть конспекты, подумал я. Но, как сказал один учеников в одном из отзывов тут же — это низкое качество конспектов. Материал в разы меньше, разнится с содержанием лекции, ошибки. 2. Если говорить про сам материал, то на мой взгляд это халтура. На сайте курса говорится о middle+, senior, teamlead, как о тех, кому подойдет этот курс. Но я не предствляю инженера, который заинтересуется верхнеуровневой базой из курса и почерпнет из этого верхнеуровневого материала что-то новое. 3. Ужасная коммуникация. На конструктивную критику от учеников были следующие аргументы, цитирую «… у системного аналитика всегда есть кейсы когда нет полноты информации и тогда стоит прийти к коллегам по команде или оунеру и задать уточняющие вопросы», с последующим утверждением, что это прокачка скилов уточнения требований, а не дыра в материале. Также на задержку в ответах, задержку в проверках домашних заданий раз за разом получали ответы, цитирую: «поток студентов далеко не один и приходить в каждый тред возможности нет», аналогичные ответы на вопросы о задержках в проверках дз. Почему информация о других потоках должна быть нам известна? В какой-то момент к менеджеру курса с вопросами о возможности возврата средств за курс, тут было интересно, получил сразу ссылку на возврат и только последующую коммуникацию. Поставил бы 2 звезды из 5, но оставляю надежды, что остальные курсы созданы с более глубокой проработкой и не ставлю крест на всей платформе, потому что многие знакомые хорошо отзываются о ней.

Меня зовут Александр, сейчас мне 32. Я 8 лет проработал в продажах, точнее в продажах фармацевтической продукции и лабораторных исследованиях. Когда я задумался, что хочу попробовать свои силы в it, мне было 30 лет. Этому способствовало мое желание ближе быть к цифрам и руководительница, которая из раза в раз повторяла, что у меня аналитический склад ума. За это я ей благодарен, и вы поймете сейчас почему.

Сначала я начал смотреть видео по информатике на ютубе, где узнал про Степик, но не пошел сразу туда — даже не знаю почему. Именно на нем я начал проходить курс программирования на Python, там присоединился к разным сообществам, откуда и узнал про должность аналитика и вообще про курсы.

Когда я попал на Степик, все свободное время я просиживал за решением задач и получал дикое удовольствие.

Спустя полгода, в ноябре 2022, я поступил на курс по Аналитике в Karpov Courses. Сначала все было просто, так как многие вещи были знакомы, но я заканчивал медицинский университет (да, я врач по образованию), и у меня не было серьезной математики с 9 класса, на занятиях по мат.стате и теории вероятности мне стало туго. И опять же спасибо сообществу, Степику и Анатолию Карпову за его курс там.

Сказать, что курс прошел гладко, было бы неправдой, да и тогда в нем не было бы толку. Было сложно, а когда все закончилось, стало немного грустно.

Дальше начался новый квест — устроиться на работу. Скажу сразу и не буду вас томить ожиданиями, работу я нашел не быстро. Но в этом есть и мои ошибки, и излишняя самоуверенность в том, что справлюсь сам, ведь я продажник, а значит смогу и себя представить в лучшем свете. Однако пара месяцев без собеседований спустила меня на землю, и я обратился в карьерный центр. Мой вам совет — сделайте все, что советуют ребята, тогда вы устроитесь на работу.

Сейчас я успешно прошел испытательный срок, работаю в отличной компании, в которой кофе и фрукты бесплатно, дружелюбная атмосфера, кресла-мешки и много других крутых вещей (это мне казалось нереальным). И еще можно работать из дома (так не бывает, думал я). Должность — бизнес-аналитик, но успеваю помогать и системному аналитику.

Огромное спасибо Анатолию, Беслану, Роме Бунину (слушал на матемаркетинге) и всем, кто составляет программу и участвует в жизни школы! Спасибо сообществу. Рекомендую школу и, кстати, SQL симулятор 100% добавит скиллов для прохождения собеседования и решения тестовых!

Достоинства
Курс дает много базовых знаний, уверенность и веру в то, что сменить профессию можно.

Недостатки
Важные темы не раскрыты, необходимо более детально изучить библиотеки и построить несколько дашбордов в табло.

Понравилось учиться на курсах у Карпова. Хорошо проработан Python, SQL. Лучше всех реализована статистика. Улучшить стоит API Python, Airflow. В качестве BI систем рассказывают про Tableu. В целом по хардам знаний достаточно, чтобы зайти на стажера, джуна. Самое главное, что курсы реально объясняют материал с полного нуля, если у вас нет опыта, то вы сможете научиться с любого уровня. Также вы учитесь сами находить информацию, правильно гуглить - это поможет вам везде. В итоге сейчас почти год работаю аналитиком данных, доволен результатом.

Ужасно
Я настоятельно не рекомендую данный курс. Все его материалы были записаны примерно три года назад, и нет никакой возможности общаться или взаимодействовать с преподавателем. Они просто проверяют домашние задания, а поддержка обычно отвечает, что нужно искать ответы в поисковике. Утверждение о 84% трудоустроенных явно неверное. В группе только выкладывают вакансии, и это все, на поддержку рассчитывать не стоит. Я считаю, что этот курс не стоит своих денег. Он в целом не стоит никаких денег

Мой уровень понимания ML вырос на порядок
До курса был опыт работы 20 лет, основная специализация — оптимизация SQL-запросов для MS SQL Server. Выбрал этот курс, чтобы получить качественную базу и убрать пробелы после самостоятельного изучения ML.
Курс в целом супер. Многократно превысил мои ожидания. Конечно, есть и недостатки, но ничто не совершенно в этом мире.
Блок по Python изложен божественно (возможно, сам блок несложный), блок по классическому ML отличный и изложение почти такое же отличное, как в блоке по Python. Также отдельная благодарность за объём охваченной информации в блоке по DL. Блок хоть и ознакомительный, но отдельно Deep Learning можно изучать хоть год, если не больше, и ознакомительный характер тут идеален. По блоку статистики мои ожидания (завышенные) не оправдались, но тут я был уже избалован курсом Анатолия Карпова на Степике. Блок хороший, раскрыл ключевые вещи. Также в блоке по прохождению собеседований понравились уроки по алгоритмам.
Из плюсов ещё хочу отметить отличную поддержку, за это отдельное огромное спасибо! Чувствовалась прямо поддержка и заинтересованность, ребята всегда давали много информации, а не просто делали свою работу «на отстань», как частенько бывает в жизни. В общем, я просто в восторге!
После курса почувствовал себя, как Нео в «Матрице», когда он сказал «я знаю кунг-фу». Мой уровень понимания ML вырос на порядок.

Про 84% ложь, в конце курса с вами просто час пообщается HR менеджер проверит ваше резюме, поможет исправить его, скинет кучу файлов, в которых мало информации, а половина ссылок не работает. Посоветуют накрутить опыт (сам курс как опыт типа) и на этом вся помощь кончается.

На курсе понял, что не боюсь этой сферы
Я был преподавателем экономики и статистики в нескольких вузах. Никакого опыта в IT не было — я мог на бумажке посчитать доверительный интервал по t-таблице, но не мог и двух строчек написать на Python.
Преподавание в вузе — это очень тяжёлый труд. Я начал выгорать, да и денег не хватало, и я понял, что нужно менять работу. К тому времени я уже начинал посматривать в сторону анализа данных, но никакой практики у меня не было, только немного теории. Я хотел понять, насколько это моё, но уверенности не было, никаких «горящих глаз», «хочу стать дата-сайентистом» и «аналитика это так классно». Была только усталость и желание круто повернуть свою жизнь. Любопытство победило, друг посоветовал этот курс, и я пошёл.
Первый блок «Введение в Python» стал действительно хорошим посвящением для людей вроде меня, которые имеют мало опыта работы с языками программирования. Однако ближе к концу блока на лекциях стало очень много обзорного материала по достаточно сложным системам, и я закончил его с ощущением лёгкой растерянности.
Второй блок «Машинное обучение» пошёл гораздо лучше. Понравилось обилие картинок, теории, практики. Это самый большой блок в курсе, и, возможно, это как раз и позволило лектору развернуться. Но главное то, что в целом результат получился отличный. Здесь был один из самых ярких моментов курса: нужно было написать вручную алгоритм градиентного спуска, причём в виде класса, а с ООП у меня не заладилось ещё с первого блока. Я начал ныть в чате, но лектор пришёл, сказал мне «Давай, ты справишься!», и да — я поверил в себя и справился. И это было здорово.
На третьем блоке по нейросетям я, скажу честно, слился примерно после трёх уроков. Тема сложная, не было достаточно мотивации в плане того, что мне это будет нужно в работе. Не удивлюсь, впрочем, если в будущем их знание всё-таки понадобится. Буду знать, где посмотреть.
Четвёртый блок, статистика, прошёл хорошо. Возможно, здесь сработало то, что я уже был знаком с некоторыми понятиями, хотя многое оказалось новым.
Последний блок посвящён подготовке к собеседованиям. На самом деле, примерно половину блока составляли задачи на алгоритмы. Человеку без опыта, вроде меня, они вынесут мозг, но в моменты, когда удается самому построить алгоритм правильно, испытываешь радость.
Нет, я не получил работу в IT. Я даже, честно говоря, не достиг изначальной цели — так и не понял до конца, нравится ли мне Data Science. Моменты радости часто сменялись разочарованием. Вопросов осталось много. С другой стороны, одного очень важного результата я достиг — понял, что не боюсь этой сферы. Если когда-нибудь я займусь этим всерьёз, то буду знать, что делать.

Спасибо за такой качественный контент!
На данный момент я работаю в сфере телекоммуникаций на должности руководителя направления, мы занимаемся планированием сетей связи. До этого училась в техническом ВУЗе, так что математическая база изначально у меня была.
Мне захотелось сменить сферу деятельности, поэтому стала смотреть, что предлагается на рынке онлайн-обучения. Выбирала между многими школами и остановилась на karpov.соurses, потому что вы специализируетесь на Data Science и меня привлекла такая узкая направленность. Мне кажется, DS — очень крутое направление. Это то, что нас уже окружает: от рекомендательных сетей и банковского скоринга до нейросетей, которые генерируют изображения и убирают шум с аудиодорожек. Я уверена, что в будущем в очень многих сферах эти технологии будут использоваться и спектр применения очень широк уже сейчас.
Курс мне в целом понравился, он хорошо структурирован, очень много материала охвачено: от очистки данных и визуализации до Machine Learning и Deep Learning. Задания в блоках были сложными, но преодолимыми, я многому научилась методом проб и ошибок. Мне субъективно кажется, что при общении в DS-коммьюнити я всегда понимаю, о чём идёт речь в разговорах на ML-темы. Иногда я вижу решение вопроса, который ребята задают, например, в чатах, потому что мы это разбирали в курсе. Мои самые любимые блоки — это Python и «Основы машинного обучения». В них было очень много интересных нюансов, например, в блоке Python — работа с Git, Airflow и SQL; в модуле по МО были подробно разобраны все основные алгоритмы и много фишек по обработке признаков. Очень классно, что был обзор Deep Learning: можно теперь применять Трансформеры в соревнованиях.
Я пока не начала искать работу в сфере DS, но в ближайшее время собираюсь это сделать. Также планирую воспользоваться помощью рекрутеров karpov.соurses. Для меня этот курс был вводным в новую специальность, и этим летом я планирую поступать в магистратуру ИТМО по направлению «Искусственный интеллект», потому что хочу дальше развиваться в этой сфере.
Отдельное преимущество курса — это коммьюнити. Во время учебы я подружилась с однокурсницей, и теперь мы регулярно общаемся и встречаемся на дата-ужинах, которые устраивает Open Data Science.
Спасибо за такой качественный контент! Хотелось бы больше поддержки во время выполнения финального проекта, но в целом курс получился очень крутой.
Хочу дать совет тем, кто начинает: в учёбе главное — привычка. Мне помогло чёткое следование расписанию занятий. Так легче было садиться за выполнение заданий и проще дойти до конца. Я училась 6 дней в неделю минимум по часу и старалась придерживаться этого расписания, даже если отставала из-за отпуска и больничного.

Курс — бомба
На момент, когда началось обучение на курсе, я уже заканчивал курс «Аналитик данных» от karpovꓸcourses и работал около трёх месяцев на должности аналитика данных в крупном офлайн-ритейле.
Решил пойти на дата-инженерию, выбирал между ней и Data Science (ML), так как было интересно расти дальше. Для меня это первый опыт работы в сфере IT, моё профильное образование совершенно другое — инженер-конструктор в области машиностроения.
Курс — бомба. Честно. Сейчас, уже работая инженером данных, я добрался до middle-позиции и, оглядываясь назад, могу сказать, что я безумно благодарен за курс. Всего за несколько месяцев я сумел найти работу инженером данных, увеличил зарплату в два раза (по сравнению с аналитиком) и до сих пор использую стек технологий, который был на программе.
Более того, сейчас на текущей работе я даже внедряю некоторые инструменты, с которыми познакомился на курсе, отвечаю за их настройку и обучаю других ребят.
Конечно, уже сейчас, спустя несколько месяцев работы, я мог бы найти какие-то «минусы», придраться к тому, что иногда не хватало более глубоких примеров и боевых задач (а ещё лучше — сквозного проекта, который научил бы студентов всей Data Lineage: от источника до потребителя). Но эта придирка была бы с моей стороны не совсем корректна, если учесть, что курс практически с нуля ведёт до Junior+. Кстати, я до сих пор обращаюсь к некоторым преподавателям за советом.
Резюме: я очень доволен курсом, не жалею ни секунды о потраченных ресурсах и времени. Более того, с удовольствием бы продолжил обучение актуальным open source инструментам и технологиям, так как в нашей стране всё-таки дата-инженер — это некий мастер на все руки, и конкретно мне нужно ещё очень многое изучить и переварить.
В частности, жду курса по Docker, и поглядываю в целом за новыми направлениями у karpov.courses.
Всем рекомендую курс, но предупрежда:; здесь придётся пахать, читать, спрашивать, а уж когда будет Big Data и облака — ух! :) Эмоций будет море, но оно того стоит.

Курсом осталась очень довольна
Я записалась на курс Data Engineering после неудачного опыта обучения в другой школе. Моё терпение лопнуло и я пошла доучиваться, а на деле переучиваться.
По образованию лингвист. До того как решила вкатиться, отработала 6 лет репетитором английского. Захотелось получить навыки, которые позволили бы релоцироваться по рабочей визе, получать стабильный доход и не оказаться выкинутой с рынка труда очередным мегаобразовательным стартапом. Ещё привлекла возможность решать сложные задачи, ржавеющие мозги — явление малоприятное.
Так что в учебе было больно, тяжко и сложно. До этого что-то читала по аналитике и пыталась делать мини-проекты, но опыта в IT не было вообще никакого, только базовые знания по Python и SQL. Это был путь сплошных ошибок — бурной мотивации и дофаминовых всплесков не было, на это я даже не надеялась. Очень часто отзывы пропитаны энтузиазмом с пафосными фразами типа «влюбился сразу». Это совсем не про меня — выбирала направление прагматично, настоящий интерес появился уже ближе к концу обучения, до этого полагалась на дисциплину и чёткую цель. Сейчас кайфую, так что если вы вдруг начитались нашедших себя и не испытали особого душевного подъёма от учёбы после нескольких недель — не спешите бросать, вспомните, зачем вам это надо.
Курсом осталась очень довольна — было сложно, узнала много нового. Особенно зашли модули по куберу и DWH. Хотелось бы только больше развёрнутого фидбека и практических задач. Больше всего рада, что мне помогли найти работу. Только помощь не подразумевает, что за вас сделают всё — вам помогут, но откликаться надо будет самим. Я изначально понимала, что в эмиграции и без опыта мне дата-инжиниринг не светит: таковы были реалии мирового рынка на март этого года. Но за 6 месяцев активного поиска устроилась дата-аналитиком в международную компанию. А с опытом в аналитике уже можно будет перекатываться в инженеры.
Так что курс рекомендую, потому что он очень насыщенный и актуальный, а помощь карьерного центра — не просто маркетинговая уловка.

Знания пригодились как на собеседованиях, так и в самой работе
Я воспользовался программой помощи в трудоустройстве, которая включена в курс. И именно через специалиста karpov. courses меня нашла моя новая работа (хотя я и сам искал вакансии). Я устроился в небольшой, уютный, но подающий надежды стартап, где с нуля развивал продукт по кредитному скорингу малых предпринимателей для продажи банкам.
Перед тем как начать искать работу, я прошел только модули «Ранжирование и матчинг» и «Динамическое ценообразование». И эти знания пригодились мне как на собеседованиях, так и в работе. Также, конечно, в ежедневной работе помогают «Сценарии деплоя ML-сервисов».
Применить непосредственно на практике заглавные темы модулей «Uplift-моделирование» и «Продвинутое A/B-тестирование» пока не довелось, но полученные знания всё равно не были лишними: продвинутое A/B-тестирование подтянуло статистику, а в модуле по uplift была тема по проектированию библиотеки факторов, что актуально в любых ML-задачах.
В целом, в каждом модуле для меня было что-то новое, полезное, интересное. Но если говорить о личных предпочтениях, то особенно понравились «Ранжирование и матчинг» и «Uplift-моделирование». Тут сыграли роль и обаяние преподавателей (не в обиду преподавателям других блоков), и структура модулей, и какие-то мои собственные интересы.

Еще обучаясь на курсе, выиграл свой первый хакатон
Немного предыстории: за спиной у меня инженерное образование с отличием, несколько книжек по машинному обучению (Тарик Рашид, Франсуа Шолле, Орельен Жерон) и несколько курсов. В рамках университета пробовал себя в различных областях: от гидродинамики в криогенных условиях в рамках вечной мерзлоты и моделирования идеального прикуса у человека до топологической оптимизации и аддитивных технологий. Сейчас аспирант по направлению «Моделирование с помощью функционально-градиентных материалов с использованием топологической оптимизации».
Познакомился с ML впервые в 2017 году, когда ездил в США на стажировку в Wolfram Research Inc. Помимо метода конечных элементов с топологической оптимизацией, там я реализовал алгоритм исправления опечаток в коде. Алгоритм был реализован достаточно дубово и мне предложили привлечь ML. Собственно тогда я и начал понемногу изучать эту область, но алгоритм завершить не успел, поскольку кончился контракт по времени.
В рамках основной работы я занимался задачами календарного планирования, неградиентными методами оптимизации, изучением новых подходов к решению таких задач. Попутно читал книжки по ML и решал курсы на Cтепике. Со временем понял, что с таким подходом у меня не получается выработать для себя однозначное решение в плане выбора ML как основного направления деятельности и развития.
На курс HARD ML я поступал с целью понять, осилю/не осилю, зайдет/не зайдет, и обрести уверенность в себе в области ML. Уверенность в себе появилась после блока Игоря. Я понял, что мне нравится глубоко копать и узнавать что-то новое, попутно применяя новые знания для решения практических задач. Тем не менее я решил поучаствовать в каких-нибудь хакатонах и опробовать полученные навыки (к этому моменту я прошел 2 первых блока). Сначала хотел поучаствовать в Raifhack, но его я благополучно «проспал», закрутился на работе, поэтому пошел участвовать в Лидерах Цифровой Трансформации 2021. Для меня это был первый хакатон и вообще проба себя именно в ML. Там выбрали задачу «Рекомендательная система для стартапов города Москва». Выбрал по достаточно простой причине — блок Игоря как раз про рекомендательные системы, а блок Стаса частично посвящен теме многоруких бандитов, которые тоже используются в рекомендательных системах. Мое предположение в целом оказалось верным, данные были предоставлены такие, что можно было сделать рекомендательную систему на многоруком бандите в первом приближении. В итоге смогли выиграть хакатон. Сейчас идет разговор о том, как эту систему довести до «production ready» уровня и выкатить «в прод» для города Москвы.
Хотелось бы просто сказать спасибо преподавателям (хотя мне и осталось пройти ещё 2 блока). Я ни капли не пожалел, что пошел к вам учиться.
Прим. от Андрея о времени, затрачиваемом на обучение: «У меня уходило по 8 часов в день на блок матчинга, поскольку Python для меня был „неродным“ языком, на 2-й и 3 -й блоки я уже тратил по 2−3 часа в день, так как к тому времени Python уже не был такой сильной проблемой».

Прошел 5 ML собеседований в компании из США и получил работу
У меня изначально были менеджерский бэкграунд и широкие, но неглубокие знания в области ML и DE. Поэтому мне было бы довольно сложно конкурировать с людьми, которые специализируются в CV, NLP, RL или DE. Но зато сейчас появилось много позиций DS Manager, где большую роль играют софт скиллы, умение быстро находить общий язык с HR, DS, AI Directors, VP и SVP, а также опыт управления командами и решения конкретных бизнес задач.
Поначалу я стеснялся сходить с инженерного трека, так как мне интересен и ресёрч, и инжиниринг, но потом понял, что если мои суперспособности — это двигать проекты и решать конфликты, то нечего и отпираться. По результатам тех самых 5 собеседований я проходил в небольшие и средние компании в США на DS, MLE и DS Manager позиции. В конечном счёте я выбрал DS Manager трек — с марта начну работать на позиции Data Science Manager в DISH.com.
По моему опыту, каждое ML интервью состояло из двух частей: базовый ML и продвинутый ML (этап с кодом в расчёт не берём).
В базовой части было важно не только правильно ответить на вопросы, но и объяснить ответы простым языком. Ожидается, что все это могут, поэтому выделиться на этом этапе особо нечем — разве что софт скиллами, улыбчивостью и ответами на каверзные вопросы.
А вот продвинутый ML — эта та часть собеседования, где действительно можно проявить себя. С этим этапом мне очень помог HardML. Люди, конечно, не прочь обсудить продвинутые/редкие штуки, которые вы оба знаете, но будет гораздо интереснее, если вы сможете рассказать о каких-то полезные вещах, которые они не знают. Особенно если есть проект с кодом, в котором можно покопаться. Из общих знаний обсуждались MultiArmedBandits, Fast Nearest Neighbors, CUPED, Clusterization, Uplift Trees. Из того, чем получилось похвастаться — Dask Feature Lib, Contextual MABs, target encoding, probabilistic forecasting, Толока и построение labeling pipelines, а также LambdaMART.
Ещё я для себя понял, что интервью — это не полностью заскриптованный процесс и им можно в некоторой степени управлять. Обычно работало хорошо, потому что слушать в 100 500 раз ответы на базовые вопросы мало кому охота, а обсуждать продвинутые темы всегда интересно. Для себя выбрал такую стратегию, которая работала с переменным успехом:
— Break the ice — small talk, чтобы снять дискомфорт: с кем-то пошутить про новый год, с кем-то посмеяться про гололёд и т. п.
— Понять, что делает команда и выбрать подходящие проекты и знания из своей копилки.
— Рассказывая о себе, обязательно упомянуть подходящие заготовки для продвинутой части.
— Побыстрее проскочить базовую часть.
— Поговорить про продвинутую часть, не сильно углубляясь в дебри.
— По возможности поразбирать код из своего проекта, чтобы сопоставить ожидания и свои возможности.
Так что для меня «ОБУЧЕНИЕ У НАС == КАРЬЕРА В IT» вполне сработало: D

Самый сложный квест в моей жизни
Я из Челябинска, начал обучение на курсе, имея уровень junior и совсем небольшие знания и опыт в Data Science и машинном обучении. Курс дался мне неимоверно сложно! Такого квеста в моей жизни до этого раньше никогда не было :)
Много сил и времени было потрачено на освоение программы, приходилось читать много дополнительных источников, так как три четверти материалов курса оказались для меня абсолютно новыми. Джунам не советую заходить на курс без кучи свободного времени и сильной мотивации победить.
К счастью, мне удалось окончить Hard ML с отличием. Из сильных сторон курса хочу выделить следующее: компетентность преподавателей и качество материала в модулях, активное участие преподавателей в учебном процессе, интересные и актуальные практические задачи с разными нюансами (обычно в лоб задание не выполнить), достаточно хорошая образовательная платформа и удобная инфраструктура. Благодаря курсу я стал кодить в 2−3 раза быстрее, приобрёл навыки решения задач в жёстких временных рамках, стал увереннее в своих знаниях, и, конечно, получил новые знания в предметной области. Теперь совсем не боюсь браться за сложные задачи :)
У меня была сильнейшая мотивация окончить курс успешно, так как я стремлюсь стать профессионалом в области DS/ML, и у меня всё получилось. Это настоящая победа для меня! Новые навыки и знания собираюсь применять в коммерческих компаниях, чтобы помогать им достигать успехов в бизнесе.
Большую благодарность хочу выразить Станиславу Гафарову за онлайн-разборы и Владиславу Ладенкову за активную помощь в решении проблемы с GitLab. Также прошу лично поблагодарить Шишкина Андрея из команды поддержки за оперативные и исчерпывающие ответы в модуле «Сценарии деплоя ML-сервисов», которые помогли мне выполнить задания!

Получил удовольствие от решения сложных задач
Интересный материал: из курса можно узнать много нового, что можно найти лишь в специализированной литературе. Сложные задания: над многими задачами приходилось сидеть по много часов. Но зато я действительно радовался, когда наконец получалось самостоятельно дойти до решения.
Я поступил на курс, так как хотел расширить кругозор за счет решения нетиповых задач. К сожалению, практического применения полученным навыкам на текущем месте работы нет. Особо хочу поблагодарить Владислава Ладенкова за то, что не только записал прекрасные лекции, но и лично подробно обсудил со мной финальный проект.

В System Design нет единственно верных решений, поэтому тут нужна только практика. Как минимум, чтобы не страдать синдромом самозванца, вам в вашей жизни рано или поздно нужно обучиться проектированию систем на разных уровнях. Данный курс предоставит шаблон и поможет разобраться в последовательности обязательных действий для дизайна систем. Поэтому этот курс больше подойдёт начинающим DevOps, опытным Machine Learning инженерам, всем специалистам по Data Science, кто планирует закрыть свои инженерные пробелы, и, очевидно, backend- разработчикам разной весовой категории. Перед покупкой курса рекомендую обратить внимание, что курс позиционирован как интенсив, то есть здесь будут домашние задания и лимит по времени. Выполняя их в срок, вы сможете выработать свой стиль высокоуровневого дизайна систем.
Если вам удастся серьёзно подойти к курсу, то могу точно сказать, что после него у вас будут развязаны руки и вы сможете легко понимать любые ролики по System Design на Youtube. Это поможет более плодотворно подготовиться к интервью на любые позиции в тех. гиганты либо же самостоятельно спроектировать систему для своего стартапа.

Это была пушка-бомба ракета!
До начала обучения на курсе мне уже приходилось работать над проектами по созданию тех или иных информационных систем и сервисов. Я успел поработать на разных позициях и прошёл профессиональный путь от аналитика и разработчика до техмена и CEO.
На волне развития рекомендательной системы одного небезызвестного видеохостинга мне приглянулась серия записей интервью по System Design, наиболее глубоким среди которых, на мой взгляд, оказался 4-й выпуск с Женей Нижибицким (Uber-like сервис). Какое-то время назад ко мне попала в руки довольно известная книга «System Design Interview — An insider’s guide», а чуть позже я увидел анонс курса-интенсива по System Design от karpov. courses, где преподавателями выступили Валера Бабушкин (Blockchain.com) и Женя Нижибицкий (AliExpress). По долгу службы на фоне реальной проектной деятельности я и сам промышляю преподаванием ИТ-дисциплин по проектированию систем в столичном инженерно-физическом вузе, поэтому решил начать с ознакомления со структурой курса, затем посмотрел welcome-ролик и подумал: а почему бы и нет? Знаний у меня не убудет, да и стоимость довольно демократичная. Сказано — сделано!
Что меня встретило на курсе:
Отлично структурированный модульный контент с постепенным горизонтальным расширением по мере достижения адекватной вертикальной глубины каждой из тем. Здесь и Scope Refinement, и Functional/Non-Functional Requirements, и Capacity Estimation, и High-level + Component Design, и много чего ещё. Каждая из тем сопровождается наглядными схемами, подготовленными в популярном веб-туле для коллаборативного рисования.
2. Через каждую тему курса красной нитью проходят последовательные разборы довольно популярных паблик-сервисов: фотоаппов, сервисов такси, видеоплатформ, чуть более простых сокращателей ссылок и хостингов текстов. В общем, всё то, чем люди регулярно пользуются в обычной жизни и с достаточно высокой вероятностью могут встретить в качестве задачи на реальном интервью по System Design в BigTech-компаниях.
3. Весь материал курса здорово упакован в веб-ориентированную Learning Management System с видеолекциями и конспектами лекционных материалов. Для тех, кому интересно углубиться в тематику, в ряде уроков присутствуют ссылки на дополнительные более расширенные материалы — например, по тем же брокерам сообщений, кэшам, консистентному хэшированию и т. п. Также на платформе в каждом модуле есть практические задания с дедлайнами. Заданий в среднем порядка 20 на модуль, одна часть которых — это разные тесты, а другая — более углублённые практические задачи с обратной связью от преподавателей. Венец курса — финальный проект, в котором необходимо применить все накопленные интегральные знания.
4. Курс не случайно позиционирован как интенсив, что, на мой взгляд, довольно удачно. В каждом из модулей имеются адекватные дедлайны, которые на фоне прочей реальной деятельности помогают поддерживать учебным темп и, проще говоря, не дают «забить» :) Балльно-рейтинговая система курса подразумевает прозрачную систему начисления баллов. В случае несоблюдения дедлайнов система тебя штрафует, и баллов за задания начисляется меньше. Это мотивирует регулярно заниматься и не отставать от учебной программы.
5. Наконец, с коммуникационной точки зрения курс сопровождается, с одной стороны, достаточно оперативно реагирующей поддержкой, с другой — чатом сокурсников. Отдельно стоит отметить, что преподаватели сами находятся в чатах, поэтому какие-то более глубокие вопросы можно обсудить напрямую. Также нельзя не упомянуть и то, что чат с сокурсниками позволяет не только обмениваться идеями, но и вовсе самоорганизовываться в мок-интервью с единомышленниками, если задачей вашего пребывания на курсе является одна из форм подготовки к FAANG-like System Design интервью.
Подведу итоги: если вам интересно расширить свои знания в контексте построения высоконагруженных сервисов, разложить на атомы наиболее популярные из них, сформировать для себя алгоритм быстрого проектирования или прохождения реального интервью по System Design, то стоит обратить внимание на этот курс, безотносительно ознакомления с другими материалами по тематике.
Желаю успехов всем будущим студентам в покорении их академических и реальных дедлайнов, расширении кругозора актуальными технологическими знаниями и возможном прохождении System Design собеседования в одну или несколько BigTech-компаний. Выражаю большую благодарность команде karpov.courses. Это была пушка-бомба ракета!

Курс проходится довольно быстро и легко
Меня, как системного аналитика, заинтересовал курс по System Design. Я часто общаюсь разработчиками one-to-one, и мне очень важно разговаривать с ними на одном языке. На работе я создаю компонентные/модульные схемы и защищаю их на архитектурном совете. Именно благодаря обучению я понял, как это должно быть на самом деле, какие частые ошибки я совершал во время проектирования и что нужно делать, чтобы их избежать.
Многие моменты в обучении пересекаются с моими знаниями по системному анализу (ACID, CAP теорема). С помощью курса я смог структурировать свои текущие знания, провести параллели и узнать много нюансов. Я понял, как на основе требований оценивать нагрузку, масштабировать систему и повышать её отзывчивость, и разобрался, как работают разные алгоритмы поиска. Реализация поиска была мне особенно интересна, такую информацию мало где встретишь: чёткая, структурированная и по делу.
Рекомендую этот курс всем системным аналитикам — он позволит посмотреть на вашу работу под другим углом. Курс проходится довольно быстро и легко. Имея возможность применить полученные знания в работе, вы всегда будете на одну ступеньку выше своих коллег.

Курс понравился
Экономист по образованию, работал 8 лет в одном и том же банке, как окончил универ. Изначально работал кредитным инспектором, андеррайтером, оценивал всякие дорогие машины и дома в залогах, выезжал на бизнес клиента — лесопилки, молочные фермы… В общем такая неинтересная банковская специфика. Ещё писал роботов на RPA, чего только не делал :)
Потом постепенно перешёл в аналитику (от VBA/Excel до ML/PySpark), так как хотелось автоматизации и ухода от рутины + благодаря прошлому опыту неплохо понимал устройство банковской сферы и слабости/возможности наших продуктов. Считаю прикладной опыт в области более важным, чем хард скиллы (с оговорками, конечно). Последние полтора года работал лидом небольшой команды аналитики в том же банке.
Проводил A/B-тесты на работе, но больше со стороны бизнес-заказчика, без возможности технической реализации. При этом по своей инициативе писал Python скрипты для проверки «соседей», пытался разобраться в специфике. Много всего смотрел, читал даже «Trustworthy Online Controlled Experiment», но почти не понимал, как это применить в жизни. Теперь после симулятора — думаю, что понимаю. Конечно, в реальности всё гораздо сложнее :)
Недавно пришлось покинуть организацию, появилось свободное время + зарубежные компании требуют этот навык. В wait листе на курс был давно, но продвинутую, к сожалению, так и не дождался. Теперь думаю и её приобрести, когда появится.
Самое главное — это структура! На этом уже можно закончить :)
Десятки ранее просмотренных видео, сотни часов контента (без преувеличения) не давали такого ощущения, что всё по полочкам. Примерно до 12-го урока я прямо «преисполнялся в знании», что всё получается, всё могу. Писал бывшим коллегам в стиле «вон оно как!», советовал. Два предпоследних урока немного тяжелее пошли, планирую вернуться к ним, закрепить. Старался каждое занятие переводить формулы из таблиц в Python скрипты, что вызывало эйфорию, когда все сходилось. И это даже лучше, чем если бы дали готовое решение.
Получается, что прошёл симулятор за 5 дней (я и отдыхал, если что). Но оговорюсь, что до этого очень много смотрел ваши видео и читал прочих хаброписцев. Был западающий момент, когда на конференции показывают, например, ту же CUPED, но тяжело продраться через формулы, перематываешь обратно туда-сюда, вроде бы понял, а как проверить? А у вас посмотрел формулы и понимаешь, что абсолютно ничего сложного в этом нет (кстати, хотелось бы понять разницу между курсом и жизнью).
Планирую дать посмотреть курс супруге (она что-то около продакта/проджекта). Она «с нуля», и очень интересно, что она скажет.
Спасибо преподавателям, не было желания Вас перематывать (sic!) :)
Александр показался очень компетентным и, я бы сказал, человечным, говоришь с ним на одном языке. Боялся математики, а там так все разжёвано, очень доволен! Все недостатки расписал ранее в отзывах к урокам.

Вы делаете очень крутой продукт
Спасибо вам, что делаете такие клёвые задачи!
У меня уже давно такого не было, чтобы я решал задания из онлайн-курсов (обычно покупаешь курс и потом забываешь о нём, если никто не трогает и не напоминает).
А тут я сам от себя в шоке: у меня огромное желание решать задачки без всяких напоминаний.
Вы делаете очень крутой продукт.

Интересный опыт
В IT и в разработке я давно. Больше 10 лет опыта в 1С. В последние 2 года переключился в Data Science. Сейчас работаю в роли DS над созданием рекомендательных систем в ритейле.
A/B-тесты давно не давали мне покоя. Коллеги в индустрии говорят об их важности. В вакансиях отмечают пунктом «должен уметь». Но в сети практически нет последовательных материалов как разобраться в этой теме. Читал статьи, смотрел видео, а картинка «как именно делать по шагам 1-2-3» так и не складывалась.
Симулятор как раз закрыл этот пробел. Буквально на пальцах объясняется «что делать», «как делать» и «почему делать». Без лишнего углубления в математику. После симулятора у меня сложился пазл в голове. Прочитанные раньше статьи и просмотренные видео встали на свои места.
Как делать дизайн эксперимента, на что обращать внимание
Как правильно делить пользователей на группы
Как проводить А/А и А/B симуляции перед самим тестом, и почему этот шаг нельзя пропускать.
Как контролировать ошибки I и II рода, и как убедиться, что мы их контролируем
Как правильно оценить время и размер групп для эксперимента
Как статистически обосновано принять решение, что группа B лучше, чем группа A, или не лучше.
Как правильно тестировать конверсии, средний чек и в чем там подвох И еще много других «Как».
Прикольно, что сначала очередную идею доносят без кода на Python в простых табличках. Меня это даже сначала оттолкнуло. Зачем? Я же не буду в Excel считать?! Даже часть заданий я все равно сделал, написав код :) #Яжепрограммист.
Но это оказалось интересно. Не отвлекаясь на код, я понял суть и порядок шагов. А дальше уже докинули и шаблоны кода на Python, и задания попрактиковаться. Так что к пазлу в голове у меня добавились и шаблоны кода для внедрения.
Сейчас работаю над тем, чтобы применять эти навыки у себя на работе и привнести культуру правильных A/B-тестов в наши проекты.

Хороший разбор и удобная собственная платформа для тестов
Я закончила НИУ ВШЭ 2,5 раза: прервала свой университетский путь посреди аспирантуры :) Сейчас работаю там же на исследовательской позиции, мы занимаемся экспериментами.
Коллега нашла этот курс и посоветовала мне. Все мы когда-то слушали лекции Анатолия на Степике :) На тот момент я планировала подавать резюме на продуктовые вакансии, поэтому для меня программа оказалась актуальной.
Хороший разбор на пицце, удобная собственная платформа для тестов. Объяснения в тексте понятные, я много конспектировала. Я получала удовольствие даже от решения простых задач. Как ни странно, понравился финальный тест — было ощущение прохождения босса.
Теперь могу написать в резюме, что разбираюсь в А/В-тестах на базовом уровне. Планирую перепройти курс ещё пару раз, когда будут конкретные задачи на работе, поэтому благодарна, что доступ к нему не закрывается.

Симулятором остался очень доволен
Закончил бакалавриат Университета ИТМО по направлению «Физика наноструктур». Удалось немного поработать исследователем, выпустить статью, но это продлилось около полугода. На первом курсе магистратуры начал понемногу втягиваться в область анализа данных.
До симулятора уже был опыт прохождения различных курсов по машинному и глубокому обучению.
На симулятор я решил пойти, поскольку на предыдущих курсах мне казалось, что все задачи как бы немного оторваны от реальной работы ML-инженера, а в симуляторе как раз должны были быть реальные кейсы, по сути, как стажировка. И это оказалось правдой :)
Но всё же основной мотивацией было желание пополнить своё портфолио интересными задачами и проектами, о которых было бы не стыдно говорить на собеседовании. Рад, что это удалось сделать :)
Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом. Или взять задачу о неуверенности моделей (boosting uncertainty), где нужно прочитать статью и самому имплементировать виртуальный ансамбль, который позволяет оценивать уверенность предсказаний. От решения таких задач получаешь удовольствие :)
Но и из задач уровней intern и junior тоже получилось извлечь много полезного: это и построение асимметричных метрик, работа с SQL, обработка данных с помощью библиотеки pandas, работа с регулярными выражениями и т. д. В общем, я уверен, что каждый для себя сможет найти в симуляторе что-то полезное, будь он новичок или уже специалист.
Удалось пополнить своё портфолио интересными задачами. Наконец-то разобрался в бутстрапе, так как ему было уделено много задач. Сильно прокачал SQL, особенно оконные функции. Научился делать парсинг данных с помощью библиотек Python. В целом прокачались навыки написания кода на pandas и numpy, что позволяет уверенно выполнять тестовые задания.
Очень радует, что разработчики симулятора поддерживают связь со студентами и принимают во внимание их пожелания по задачам. Также выражаю большую благодарность преподавателям и кураторам, которые помогали, если задача ставила в тупик.

Впечатления от программы очень положительные
Я учился в МГТУ им. Н. Э. Баумана, проходил курсы на Stepik «Основы статистики» (2 первые части), «Программирование на Python» от института биоинформатики и на DataCamp курс по SQL и по Python.
В karpov. courses проходил программы «Аналитик данных» и Симулятор аналитика. Первая работа аналитиком была в бэттинге/гэмблинге, работал там с бонусными акциями, удержанием юзеров. По большей части работал с PowerBI, SQL: строил дашборды, немного обрабатывал данные. Python использовал по своей инициативе для обработки данных, автоматизации процессов и редко для обработки А/B-тестов До недавнего времени работал в Почте России. Инструменты схожи (PowerBI -> QlikSense), задачи в целом тоже близки, только работал с маркетплейсами.
На работе не так часто применялся Python, и появилось такое ощущение, что он потихоньку забывается. Думал между StartML и Симулятором. Выбрал в итоге Симулятор, так как хотелось попробовать прорешать что-то околореальное, да и ребята в чате сказали, что, если знаешь фит-предикт, то можно пробовать.
Впечатления от программы очень положительные. Приятно работать не с чем-то абстрактным, а будто с реальными задачами, с которыми может столкнуться человек на работе.
Очень понравилось, что проверяется не только работоспособность кода, но и его структура и скорость выполнения. Стоит сказать ещё, что сообщество курса очень живое.
На данный момент смотрю на свой ранее написанный код иначе: вижу то, что можно исправить, улучшить. На настоящей работе, к сожалению, не особо получается знания применять, но получилось оптимизировать некоторое количество функций. Топовый симулятор, команда шикарна. Единственное, что хотелось бы улучшить — скорость ответа поддержки в дикорде.

Симулятор дал большую уверенность в своих знаниях и силах.
По образованию я архитектор. На работе разрабатывал крупные проекты в центре Москвы. Прошел курс по DS в Практикуме. Опыта работы в DS нет.
После прохождения курса не хватало практики. Как обычно, стоял вопрос, где её получить. Пет-проект по анализу стандартных датасетов казался слишком посредственной задачей. Да и вряд ли она поможет в трудоустройстве. В симуляторе же представлены реальные задачи, есть возможность погрузиться в конкретную задачу/тему/проблему. Казалось (и до сих пор есть это ощущение, хотя не прошёл его до конца), что это лучший инструмент для практики!
При работе с симулятором проходишь через богатый спектр эмоций: воодушевление, страх, отрицание, гордость, любопытство, удивление, принятие, уверенность.
Самое интересное и мотивирующее, что симулятор постоянно развивается. Очень активное и отзывчивое коммьюнити. Пул задач регулярно расширяется, добавляются новые интересные вызовы.
Симулятор дает большую уверенность в своих знаниях и силах. Он позволяет «пощупать» реальные задачи на практике и они уже не кажутся такими страшными и сложными :)
Влияние на карьеру сложно оценить на данном этапе, так как я всё ещё в процессе поиска первой работы. Но получение нового полезного навыка всегда лучше, чем его отсутствие.
Спасибо ВАМ (привет Богдан)) большое, за возможность получить такой интересный инструмент! И бесценный опыт!

Огромная благодарность всей команде
Я закончил Санкт-Петербургский Железнодорожный Институт (ПГУПС) по специальности «Инженер путей сообщения». После этого работал в исследовательском институте, который занимается проектированием метро и тоннелей. Последние 5 лет работал в должности главного специалиста и вёл авторский надзор во время строительства новых станций московского метрополитена. Всего участвовал в пуске 13 станций метро
Основная мотивация была в том, чтобы получить знания и навыки, максимально приближенные к реальным, и получить преимущество перед другими кандидатами. А также посмотреть, как теория воплощается в практические вещи, приносящие деньги и пользу бизнесу.
Первые задачи, которые я открыл, были уровня middle. И это меня слегка повергло в шок: неужели я научусь и смогу решать подобные задачи?! Потом начал решать задачи интерна, быстро перешел к джуну. Постепенно моя уверенность в своих силах росла, сейчас я уверен, что скоро и мидловские задачи мне покорятся. Также нравится разнообразие задач. С одной стороны я могу составить под себя «трек» с задачами, которые мне сейчас наиболее релевантны, а с другой — могу нарешать разнообразные задачи, что даёт преимущество на старте карьеры.
Я прошел mock-собеседование у Богдана. Это для меня уже достижение :) Надеюсь, это поспособствует получению оффера.
Хотелось бы выразить огромную благодарность всей команде. С кем мне доводилось контактировать — все лапушки. Мне бы хотелось работать в такой тёплой команде, где все помогают друг другу.