Отзывы об онлайн школе «Karpov.courses»
Хочу поделиться своими впечатлениями от прохождения курса StartML.
Обучение проводится на платформе Karpov Courses. Лекции размещены в виде записанных уроков, которые открываются по расписанию, задания проверяются системой автоматически, а взаимодействие с командой КС осуществляется в Discord.
Обращаю внимание тех, для кого важное «живое» общение с преподавателем и обратная связь — здесь их количество сведено к минимуму. Существует возможность задавать вопросы на проводимом раз в месяц вебинаре, а при возникновении сложностей во время решения заданий, следует обращаться за помощью к экспертам в Discord. К работе команды экспертов нареканий нет: отвечают быстро, вежливо и действительно стараются помочь разобраться. Также после дедлайна по заданию открывается урок с его разбором, где свое решение можно сравнить с эталонным.
Я об этой особенности знала и лично меня такой формат устроил, но все же полное отсутствие код-ревью на начальных этапах можно отнести к минусам.
Касательно самого обучения:
Перед началом посоветовала бы познакомится с синтаксисом Питона и вспомнить основы математики (у KC есть бесплатные курсы).
Охватывается огромный массив информации, и самостоятельно его изучение и структуризация заняли бы огромное количество времени, именно поэтому я выбрала курс вместо самостоятельного изучения.
Особенного хотелось бы отметить первые два блока — Алексей и Никита просто преподаватели от Бога! Сложные темы объясняются очень просто, интересно и доходчиво. За блок классического машинного обучение вообще жирный плюс.
В блоке по Deep Learning немного «утонула», но он позиционировался как ознакомительный, и задания в нем были очень схожи с разобранными на лекции.
От блока по статистике тоже осталось много пробелов, но он наложился на другие трудности, не связанные с курсом, поэтому его мне сложно как-то комментировать.
В последнем блоке ведется разбор наиболее часто встречающихся вопросов на собеседованиях. Полезно как с точки зрения трудоустройства, так и просто вспомнить пройденное.
Главный недостаток курса на мой взгляд — это темп. Совмещать с работой в офисе 5/2 ОЧЕНЬ тяжело. На учебу уходило все свободное время, и даже его не хватило, чтобы как следует вникнуть в материал. В общем-то, в основном за это и снимаю звезду, так как курс придется пересматривать повторно, уже в своем темпе и вникая в то, что в спешке оставила на «потом разберусь». С оставшимися пробелами, если честно, уверенности в своих силах пока недостаточно, и такой продолжительный срок даже морально тяжело находится в режиме автрала.
В качестве пожелания для команды: рассмотреть возможность либо покупки отдельных блоков, как на HardML, либо выбора нагрузки и продолжительности.
Справедливости ради отмечу, что существует возможность перевестись в другой поток, но я ей не пользовалась, так как 7 месяцев уже оказались довольно утомительными, и хотелось завершить поскорее. Доступ к курсу сохраняется после его завершения.
Резюме: курс рекомендую, но советую учитывать отсутствие код-ревью и очень высокий темп обучения.
Цель моего прохождения курса — освежить знания о базовых концепциях ML и их применении. В конечном счете цель была достигнута, но расскажу чуть подробнее про сам процесс.
Платформа, на которой проходят занятия, и прилагающиеся инструменты показались мне достаточно удобными и юзер-френдли, чтобы без проблем находить то, что мне нужно (именно с точки зрения навигации). Курс делится на 4 модуля, три из которых на мой взгляд довольно неплохи, чего не скажешь про четвертый.
Сначала о приятном: модули «Прикладная разработка на Python», «Машинное обучение и приложения», «Статистика и А/В-тесты» для начинающего ML-щика / дата-аналитика сделаны весьма сносно, хотя фундаментальные основания часто заметались под ковер. Мне, как человеку с базовым мат. Образованием, иногда это резало слух, но думаю среднему человеку, проходящему курс, так даже лучше. Порадовало, что присутствовал блок со статистикой и практическими примерами, а также была «пробежка» по airflow, git и прочим вещам, которые лично у меня в работе случаются всегда редко, но метко) Были замечены 5-10 опечаток/ошибок по ходу курса, но я списываю это на замыленность глаза создателя. В целом после каждого модуля начинающий может начать (неуверенно, но все же) писать какой-то программный код на Python, работать с БД, строить простейшие модельки (без глубокого на мой взгляд понимания ситуации изнутри), сравнивать их качество и определять значимые улучшения, и даже выкатывать свой сервис с простейшими запросами и ответами.
Блок «обзор основ deep learning», на мой взгляд, лучше было не добавлять совсем. Совершенно непроработанная программа, для новичка это 100% будет сравнимо с абракадаброй. У меня конкретно опыт с deep learning (опять же, с фунд. Математикой) имелся, и как человек с опытом, делюсь мнением, что так преподносить информацию не стоит. Преподаватель старался, это было видно, и первые 4 урока даже шли довольно бодро, но воткнуть с 5-го по 10-й уроки кучу разных шаблонных сетей — не лучшее решение. Не запоминается ничего. К тому же, задания из этого блока нужно было выполнять на kaggle, где есть некоторые проблемы с регистрацией (у меня она отняла минимум неделю). Своих инструментов для работы в этом модуле платформа не предоставляет. Мне попадались негативные отзывы в чате «студентов» курса именно об этом блоке, так что думаю, что я не исключение)
Отдельно расскажу про систему автооценивания — она хороша, но не совершенна. Иногда текст ошибки ограничен словом «неверно» и трудно представить, где искать промах. Мне понравилось, что сертификат получить непросто. Нужно выполнить первые две части фин проекта на максимальный балл и в целом за курс набрать хотя бы половину баллов. Это не просто.
Расстроило, что в эталонных (!) Ответах, открывающихся преподавателями студентам после дедлайнов, есть ошибки, и просто запустить код из ipynb не получится, нужно потрудиться и исправить промахи. Составители курса — такого точно допускать нельзя!
А в целом выражаю благодарность авторам, рассказчикам и всем, кто трудился! Вышло на твердую 4 из 5. Спасибо!
Хороший вводный курс в базовые концепции ML, его стоит рассматривать как стартовую точку для дальнейшего погружения в данную область. Из всех основных блоков (а их 4) — часть по ML разобрана максимально подробно.
Вводный блок хотя и содержит информацию про основы работы в python и базовый SQL всё же будет сложноват для тех, кто вообще не знаком с этим. В начале всё максимально подробно, но применяемые принципы ООП в блоке ML потребуют определённых знаний по написанию классов, собственных методов. Основные концепции желательно уже знать.
Блок по ML разобран настолько, насколько это возможно в рамках выделенного на него времени. Разобрана подкапотная жизнь основных алгоритмов, понимание на какой математической базе они построены будет.
Блок по DL очень-очень вводный, к нему не стоит предъявлять завышенные требования. Такого глубокого и детального разбора как в ML не будет. Все же достаточно подробно рассмотрены такие базовые вещи как тензоры и операции над ними. Понимание как выстраивать архитектуру точно будет. Дальше уже копать в глубину самим.
Блок по статистике и a/b тестам знакомит с основными статистическими критериями, вероятностью и их применением в a/b тестах. Здесь тоже без глубокого погружения в математику.
Поддержка осуществляется через Discord, живого общения здесь нет. Можно ходить на вебинары, но прям задачи курса там детально не разбираются. Вот эту часть хотелось бы добавить — хотя бы 1–2 раза за курс живое общение с экспертом.
Данный отзыв я хочу разделить на три части с плюсами, минусами и общим впечатлением.
Плюсы:
Ведущие:
Понравилась часть, в которой преподавал сам Анатолий Карпов. Анатолий является отличным преподавателем, который объясняет все доступным языком, демонстрирует иллюстрации и делает материал понятным. От такого преподавателя заряжаешься энергией. Темы, которые преподавал Анатолий заслуживают оценку — 10/10.
Также мне понравился преподаватель Беслан Курашов. Хотя у него нет такой же энергии, как у Анатолия, материал после его уроков был хорошо усвоен. У него получилось вызвать интерес к своей теме — 8/10.
Формат обучения:
Общий формат обучения также понравился: лекция (видеоурок), конспект (подробное описание темы и дополнительный материал), задания (хорошо структурированы), и минипроект (проект, в котором можно применить свои знания, полученные с урока, на приближенных к реальным задачам). Времени на выполнение домашних заданий было достаточно (если вы не работаете или не учитесь где-либо еще).
Оценка формата обучения в целом будет в разделе минусов.
Обратная связь:
Многие эксперты старались отвечать быстро и информативно. Хочу выделить Vladislav S, Olesya O, Pavel D и Alexander M. Куратор также предоставлял хорошие и оперативные ответы (Ангелина З.).
Минусы:
Ведущие:
Почти все блоки визуализации, которые вел Роман Б. , Заключались в демонстрации его экрана, в котором он просто показывал работу программы, параллельно вставлял свои комментарии. Приходилось просто смотреть, как работает Роман, он мог где-то ошибиться, из-за чего ему приходилось возвращаться обратно, из-за этого урок казался плохо подготовленным. По итогу этот формат обучения показался мне не самым удачным. Главный плюс Романа — позитивный настрой на его уроках. Оценка за его уроки — 5/10.
На мой взгляд, наименее увлекательными оказались лекции Жанны А. Ее монотонный голос и повторение информации, которая и так написана на слайде, делали уроки утомительными. Казалось, проще просто прочитать конспект, чем слушать подобные уроки. Ее лекции были наименее интересными, оценка — 3/10.
Преподаватель Алексей Б. Также не вызвал особого восторга. Его монотонный стиль рассказа хоть и комбинировался с примерами, но он так и не смог преподнести интерес к своей теме. Оценка — 4.5/10.
Формат обучения:
Информация, что с материалом можно ознакомиться за пару часов, а также разделить его прохождение на 2-3 дня, уделяя ему 30-40 минут ежедневно. На деле на это все уходит прилично больше времени, если вы первый раз сталкиваетесь с программированием и хотите подробно ознакомиться с темой. Лично у меня уходило примерно 4-8 часов в день на учебу.
Обратная связь:
Не все эксперты были достаточно активны в обратной связи и реагировали неохотно особенно к окончанию курса. Хотелось бы видеть систему рейтинга для экспертов, чтобы выделить лучших и поощрить их труд. Общий балл 8/10.
Общее впечатление:
Рекомендую курс, но советую уделить внимание тому, кто именно будет вести лекции и делать упор на то, чтобы большинство лекций вел именно Анатолий Карпов, тогда от курса будет намного больше пользы.
Лично по моим ощущениям, я бы поставил курсу 7/10 баллов.
Пользовался симулятором ML на Karpov courses. В целом неплохой набор практических заданий. Задачи достаточно разнообразные. Решать интересно. Единственный минус — неинформативный грейдер. Очень часто бывало непонятно почему-то или иное решение не проходит валидацию, поэтому приходилось дергать саппорт.
Проходил Симулятор DS, в целом понравился. Много практики, различных рабочих инсайдов и best practices из мира ML и DA. Дают подробную информацию по решению той или иной задачи, которая может встретиться в работе + теория по работе алгоритмов машинного обучения, и разумеется есть задачи на реализацию того или иного алгоритма руками.
Из недостатков:
— не всегда понятно, что от тебя хочет грейдейр (система, принимающая задания), то есть выскакивает ошибка, но не понятно, что именно ее вызвало; для таких ситуаций есть помощник Ада, но она далеко не всегда дает дельные советы; лично я прям каких-то серьзных затруднений с этим не испытывал, но людям, только вкатывающимся в тему, в некоторых задачах придется туго
— поддержка работает довольно медленно, иногда ответ может занимать по несколько дней
Всем привет!
Я работаю в ИТ с 2012 года. Около 10 лет работал как Full-Stack Oracle Developer. 3 Года отработал на позиции DE — занимался миграцией данных из Oracle в Snowflake (~10-20 петабайт).
На курсы я решил пойти, потому что у меня был отличный проект (подработка) по построению хранилища данных в БД Snowflake для крупного инвестиционного фонда, но понимания как строить DWH у меня не было, поэтому проект со мной не продлили. Это и сподвигло меня пойти на курсы DE — получить знания по DWH, более глубоко изучить Airflow, попробовать что такое Machine Learning и обучение моделей, что такое Spark, Hadoop и почему они чаще всего встречаются в вакансиях, визуализация данных с помощью Tableu и прочих инструментов. Ну и конечно же расширить свой кругозор в области DE.
Про Karpov/Courses я видел информацию в интернете + на сайте Linked In в новостной ленте увидел информацию о том, что кто-то закончил эти курсы.
Выбирал между 2 — Яндекс. Практикум и Karpov/Courses.
Выбрал K/C потому что:
1. Срок обучения 6 месяцев против 1.5 Года у Яндекса
2. Понравилась программа обучения (темы и стек) — DWH, MPP, ETL (Airflow), Big Data, Cloud, ML, Model & Data Management
3. На момент оплаты была скидка.
Курсы начались 18 января 2024 года. Так же в начале января 2024 года руководство компании предлагает мне 2 варианта на выбор: релокация на Кипр или увольнение с компенсацией. Тк почти год назад мы пробовали себя на Кипре и нам не понравилось, 2 вариант предполагался сам собой.
Начинается тяжелая пора поиска работы. При этом мне надо передавать дела новому коллеге на проекте, учиться на курсах и проходить собеседования. Искал я работу на должность Data Engineer.
Курс начинается с архитектуры DWH. И самое удивительное, когда начинаются мои собеседования — к тому времени курсы идут уже 2-3 недели — на собеседованиях меня спрашивают именно то, что мы только что изучили — слои данных, схемы построения хранилищ (Кимпбалл, Инмон), SCD. То есть знания приобретенные на курсах уже помогают мне. По итогу работу я нашел спустя 1.5 Месяца.
Очень удобно выдавали доступ к материалу — 3 раза в неделю после 19:00. Видео понятные, разборы материала тоже. К каждому уроку идут видео (теория/практика), которые можно всегда повторно посмотреть либо для освежения информации можно открыть лекцию в Notion / PDF. Я делал задания через 1-2 дня после того, как выдавали доступ к нему и на выходных.
Обучение проходило легко первую половину курса. Потом стало немного сложнее — началась работа — времени свободного поубавилось. Я старался делать все задания по блокам, но на некоторые и забил — не было желания делать и я их просто пропустил.
Из всех блоков меня зацепили следующие: проектирование DWH, реляционные и MPP СУБД, Big Data (частично) — я так и не заценил Hadoop (и всю его экосистему), но очень понравился Spark, облачное хранилище — это просто улет, Big ML, Управление моделями и управление данными.
Не зашёл модуль Визаулизация данных. Я понял значимость графического отображения данных, но у меня и с Front-разработкой всегда были проблемы — а визуализация данных для меня как Front-end разработка — не пошло как-то.
Но зато с утроенной силой прошло обучение по другим модулям — Big ML, Управление моделями и данными.
Бывали проблемы при выполнении практик — но был создан канал в дискорде и иногда было достаточно заглянуть в поток по теме как решение уже было доступно. Либо можно задать вопрос по заданию — поддержка оперативно отвечает и подсказывает решение.
Подводя итог обучения — я набрал 400 баллов из 480. Это 83%. Результатом я доволен. Мог бы наверное набрать 440/460 — если бы сдал задания, которые я пропустил. Но уже как есть.
Мои ожидания от курса полностью оправдались. Готов советовать курсы K/C своим знакомым или людям, которые хотят подучиться на DE.
Работаю в нефтегазовой отрасли на различных проектах по моделированию месторождений и оценке рисков. Был необходим человек в команде со знаниям python и машинным обучением. Начал изучать самостоятельно. PYTHON Навык увеличивался, так как имеется множество хороших дешевых/бесплатных курсов, а вот с ML все было сложнее и понимал, что дешевого хорошо курса я не смогу найти. Начал изучать онлайн школы и наткнулся на карпов (знал его еще со времен курсов по статистике на степике). Купил курс и начал интенсивно работать. Очень понравился курс (от подачи до заданий). В частности, стоит отметить блок ML. Сильно улучшил навыки и получил повышени на работе. Финальный проект дался не просто, но дал много и пришло понимание некоторых вещей.
Теперь работаю в основном с данными на работе и пишу диссертацию по выбранной тематики. В ближайшее время пойду на курс Deep Learning + NLP от этой же компании, так как полностью устраивает подход и качество.
Если готовы учить и развиваться, то данный курс — то, что может дать вам эту возможность.
Курс кайфовый, оцениваю с точки зрения цены/качества.
Кураторы и эксперты шустрят как могут, чтобы быстро улаживать проблемы и отвечать на вопросы, респект Вам!
Программа очень плотная, прийдется выделить много времени, чтобы поспевать в deadline.
Хочу отметить, что курс уверенно наращивает в голове основу/базу, это касается не только блока ml, но и блоков по Python, А/Б тестам, статистике и даже dl.
Однако не стоит строить воздушных замков, помимо самой программы нужно будет уделять ещё больше времени на изучение доп инфы, так как с каждой новой темой появляются вопросы.
Короче, если верно оценить свои временные возможности и мотивацию, то обучение на курсе пройдёт гладко.
Особенно хотелось бы отметить первые два модуля — преподаватели очень хорошо и понятно объясняют основные темы, которые могут встретиться в будущей профессии. Модуль по нейронным очень обзорный, хотелось бы чуть больше и теории, и практики. В модуле по статистике тоже было бы неплохо добавить задач по теории вероятностей и математической статистике порешать, которые могут встретиться на собеседованиях.
В целом курс можно рекомендовать как начинающим разработчикам, так и людям, которые немного знакомы с машинным обучением и data science.