Отзывы о школе «Карпов курсы» — страница 2

Курс полностью оправдал мои ожидания: именно такую структуру, глубину и поддержку я и рассчитывал получить. Я бы однозначно рекомендовал его друзьям и коллегам — особенно тем, кто только начинает путь в ML: курс даёт крепкую, системную базу без перегруза. По соотношению цена/качество — всё более чем честно: программа плотная, длительная, охватывает всё необходимое, поэтому свою стоимость он определённо оправдывает. Достойных аналогов не рассматривал, но, честно говоря, и не возникло ощущения, что что-то упущено. Пока ещё не применял знания в работе или собеседованиях, но как фундамент для дальнейшего роста и проектов курс даёт очень прочную основу.

Karpov Courses посоветовал мне приятель, работающий в data science. Раньше я учился на фронтенд-разработчика в другом месте, но по ходу дела мне разонравилось. Какое-то время думал, куда двигаться дальше, а потом услышал про инженерию данных — и сразу зацепило. Скажу сразу: это первый курс, который я довёл до конца. Причина в том, как подают материал, в симпатичных лекторах, в чувстве, что учат нужным и современным навыкам, в удобной платформе. Ну и, разумеется, чем дальше я учился, тем сильнее нравилось само направление. Впечатления от учёбы хорошие. Пойду ли сюда ещё? Весьма вероятно, тут хватает смежных направлений — например, продвинутый курс для дата-инженеров, которые уже работают и хотят подрасти. В целом могу посоветовать тем, кто хочет с нуля «потрогать» это направление. Если уже есть какие-то навыки программирования (как у меня JS) — хорошо, но совсем не обязательно. Что посоветую будущим студентам? Стараться не выбиваться из дедлайнов. Учиться без спешки гораздо приятнее.

С положительными отзывами я, если честно, не согласен. По-моему, программа сильно недотягивает до идеала. Продуктовая аналитика — самое слабое место, модуль по Airflow с Баталовым вышел мутным, а материал подаётся не так, как должен преподаватель. Табло и Бунин — воды много, по делу мало. В SQL оконные функции вроде бы даются, но разжёвано слишком поверхностно. Часть домашних заданий проверяют по нескольку недель — за это время уже и не помнишь, что там было. Учиться в таких условиях тяжело. До техподдержки порой не достучаться, складывается ощущение, что она есть только на бумаге. В общем, курс я не советую.

Отличный вариант, чтобы начать путь в аналитике! 🚀

Опасалась, что знания окажутся поверхностными, но в итоге получила больше, чем ждала, и осталась в полном восторге. Хочу поблагодарить всех, кто создавал школу, лекторов, экспертов и лучших кураторов Марину и Юлию!

Курс «Инженер машинного обучения» для меня стал реально нужным и прикладным. Раньше я работала с данными только в Excel, а тут смогла нормально разобраться в Python, SQL и машинном обучении. Больше всего зашла работа с настоящими данными и бизнес-задачами — стало понятнее, как всё это применять на деле.

Домашки помогли хорошо усвоить материал, а эксперты и кураторы отвечали быстро, так что учиться было комфортно. Модуль по нейросетям прошла с огромным интересом — появилось понимание, как устроены модели и где их использовать.

Советую с самого начала завести GitHub и складывать туда проекты, в том числе финальную работу — для портфолио это пригодится. Курс дал мне технические навыки вдобавок к бизнес-опыту, и теперь я хочу двигаться в сторону роли на стыке бизнеса и данных. Однозначно рекомендую!

Ожидания совпали на 8 из 10, ничуть не жалею и очень рада, что наконец решилась пройти обучение в karpov.courses!

Начинала учиться, уже имея за спиной два года коммерческого опыта, правда в классическом ML. Даже с этим курс оказался довольно сложным, так что новичкам я бы посоветовала сначала подтянуть базу, хотя всё, конечно, индивидуально) Домашки очень различались по сложности — некоторые были совсем непростыми, теории для их решения не хватало (в блоке База DL). А какие-то, наоборот, чересчур лёгкие. Но теория, которую дают преподаватели, выше всяких похвал. Объяснить такие сложные вещи простыми словами может не каждый. К тому же на karpov.courses можно найти и вполне хорошие бесплатные курсы, без которых сложно представить себя dl(ml)-инженером/аналитиком!

Спасибо создателям курса, я получила огромное удовольствие от прохождения, теперь умные статьи по NLP меня не пугают, и я могу смело развиваться дальше в этой области!

1) Теория. В курсе отлично раскрывают всю нужную теоретическую базу: всё детально объясняют в видео-уроках, а затем повторяют в текстовых конспектах. Такого объёма знаний хватит с запасом, чтобы пройти собеседования на мидла. 2) Практика. Заданий в курсе очень много, и они разного уровня сложности. Нередко их получается решить самому, но если что-то не выходит, команда поддержки всегда придёт на помощь. Сами задания достаточно разнообразные и учат применять только что полученную теорию на деле. 3) Команда поддержки. Ещё раз отдельно отмечу работу кураторов и экспертов: они всегда готовы помочь с любым заданием и отвечают на все вопросы

Прошёл курс START ML, на это ушло больше полугода. До начала обучения у меня уже была работа аналитиком данных. Учился одновременно с работой. В общем, курс оставил хорошее впечатление. Все блоки сделаны качественно. Лично для меня часть тем была повторением, потому что раньше я уже брал несколько курсов в этой школе. Хочу отдельно сказать про куратора — Юлию Рожкову: она помогала сдвигать дедлайны и подталкивала меня не бросать учёбу. Во многом благодаря ей я дошёл до конца))). Ещё отмечу поддержку — отвечали быстро. Надеюсь, ещё вернусь к вам на другой курс.))) Всем советую)))

Этот отзыв скорее про моё отношение к дистанционке (когда нет живого контакта с преподавателем), чем про конкретно этот курс. Но всё же, по-моему, раз работающие люди платят за обучение, у них должна быть возможность получить исчерпывающие разъяснения по непонятным моментам до того, как истечёт дедлайн, а не после — в виде разбора урока. При этом отмечу, что преподаватели отвечают на вопросы студентов очень быстро. Цена относительной доступности курса — недостаточная глубина проработки с преподавателями, особенно когда часовые пояса разные: семинары и чаепития (а они большой плюс) посещать трудно, да и воспринимать информацию поздно вечером или ночью тяжеловато.

Технические сложности коллеги решали довольно быстро, хотя альтернативные платформы были не всегда такими же удобными, как те, на которых начинали учиться (D...d, Y...e). Порекомендую ли я эти курсы — да, но с оговорками: 1. Если вы молоды и удалённый формат обучения и общения вас вполне устраивает (я же сторонник полноценного академического образования), 2. Если у вас есть базовые знания программирования, 3. Если у вас нет синдрома отличника (дедлайны очень напряжённые).

Спойлер: работу я нашёл, но не без нюансов.

Курс взял в феврале 2024. До этого опыта в ML и DS почти не было. Бэкграунд: инженер-электронщик, писал на Си и немного на Python. Пришёл по совету друга, который там же прошёл «Аналитику данных». Цель была такая: попробовать, что это вообще за штука такая, ваш ML.

Лучшим на рынке я бы этот курс не назвал, но базу он точно даёт хорошую и представление о мире ML, и даже чуть-чуть о DL. После него перестаёшь шарахаться от непонятных терминов, а магическая субстанция под названием «Искусственный Интеллект» обретает вполне осязаемые и понятные математические очертания. После всех технических модулей я бы не назвал себя ни уверенным ML-инженером, ни даже уверенным пользователем Python, зато теперь могу сказать, чего именно я не понимаю. Я знаю, куда копать дальше, что учить, куда тыкаться, что пробовать. Интерес к знаниям, которые меня ещё ждут, во мне реализовался.

Теперь совсем немного подробностей. Материала много-много. Совмещать работу с освоением нового было очень тяжело. Больше всего хотелось спросить у разработчиков курса: может, растянете ещё чуть-чуть даты выхода новых лекций? Хотя я почти всегда всё закрывал до дедлайнов, сам факт дедлайна в неделю на три довольно объёмных урока меня угнетал. Также у меня есть вопросы к модулю DL, а именно к лектору и к его подаче информации. В его профессионализме я не сомневаюсь, но было бы хорошо, если бы лекции были более «разжёванными» и структурированными. Это бы заметно облегчило восприятие нового материала. В итоге я привык, но печали было много. Ещё мне не очень нравится подход курса к созданию «рабочей» обстановки, как при решении реальных задач. Погружаться в это хорошо, но не тогда, когда получаешь базовые знания. Очень многое зависит от того, насколько крепкая у тебя база, поэтому её важно изучать основательно и размеренно. Курс я закончил, но начинаю изучать всё заново. Только теперь — с пониманием, что именно мне нужно. Впереди ещё много всего интересного, и я со смирением «вечного студента» иду вперёд:)

Главные перемены в жизни: я уволился с работы и ушёл из своей профессии. Начал преодолевать психологические барьеры. Заново начал учиться тому, как учиться. И до сих пор это делаю. Ну и самое главное — уже где-то в середине обучения я нашёл работу в маленьком зарубежном стартапе, хотя это скорее результат удачного стечения обстоятельств. Получится и захочется ли мне развиваться дальше — увижу. Пока я оптимистичен и наслаждаюсь каждым моментом, когда мне удаётся понять очередной метод или поднять качество модели хотя бы на 0.1:)

Готов ли я порекомендовать этот курс? Пожалуй, да. Особенно если замечания выше были бы учтены. Особенно если у вас довольно много времени и вы готовы уделять его учёбе. Моя оценка курсу: 7.5/10.

Прошёл семимесячную программу на ML-инженера в Carpov Courses и хочу рассказать, как это было.

Курс выстроен последовательно: стартует с азов Python, а заканчивается классическим машинным обучением и deep learning. У каждого раздела были свои плюсы, но и трудности тоже встречались.

По Python всё было достаточно легко, зато материал разложен по полочкам — тем, кто только осваивает язык, самое то для старта. Машинное обучение — пожалуй, лучшая и самая захватывающая часть. Объясняли понятно, с упором на то, чтобы разобраться в теории и применить её на деле. Больше всего запомнились задания, где нужно было самому писать алгоритмы: после них появились и знания, и вера в себя. Deep Learning дался тяжело и вышел скорее ознакомительным — чувствуется, что тема бездонная и в один курс её не уместить, но для первого шага хватает. Статистика оказалась полезной, особенно для тех, кто раньше с ней не имел дела; мне лично было комфортно, правда, часть материала пересекалась с тем, что я уже знал.

Отдельно про поддержку Carpov Courses: на связь выходили постоянно и помогали разобраться с вопросами, из-за этого учиться было спокойнее.

Что в итоге: курс дал не только знания, но и понимание, куда двигаться дальше. Пока не решил, останусь ли в Data Science, но стал заметно увереннее и чувствую, что готов к новым задачам.

В общем, своих денег курс стоит. Он подойдёт и новичкам, и тем, кто хочет привести в порядок и углубить знания по машинному обучению. Если готовы вкладываться в себя, это хорошая ступенька для роста.

Забавно, но первые домашние задания оказались наиболее сложными, однако со временем процесс становится более понятным и привычным.

Записался на этот курс, раньше он назывался start ml, чтобы освоить базу машинного обучения и потом сменить профессию.

Курс построен на заранее записанных лекциях, практике и разборе практических задач.

1. Прикладная разработка на Python. Модуль по python отличный, немного есть про pandas, numpy, airflow, основы бд. У меня опыт разработки был, правда не на python, но всё равно модуль даёт хороший "быстрый старт" — в итоге можно написать небольшой сервис на fastapi как финальное задание.

2. Машинное обучение и приложения. Тоже отличный модуль, даёт больше чем базовое понимание классических алгоритмов машинного обучения. В финальном задании начинаешь делать рекомендательную систему.

3. Обзор основ Deep Learning. Вот этот модуль отличным уже не назову, потому что ожидал другого. Даются самые-самые основы, но подано очень скомканно, мне лично вникать в материал было крайне тяжело, часть уроков так и осталась непонятой.

4. Статистика и А/В-тесты. Тоже, на мой взгляд, скомканный модуль: у меня не было знаний статистики и теорвера к началу этого модуля, поэтому много времени уходило на подтягивание "базы".

5. Карьерный курс и Собеседования и как их пройти. Есть лекции и задачи по структурам данных и алгоритмам на python. Эти лекции могут стать отправной точкой, чтобы дальше изучать dsa, например на leetcode. Также есть лекции с вопросами и ответами с собеседований, они помогают обобщить пройденный материал.

Тем, кто собирается идти на этот курс: не думайте, что сразу после него вы устроитесь инженером машинного обучения. Курс даёт основы, которые придётся самому укреплять и развивать дальше, особенно это касается глубокого обучения.

Лекции очень скудные, я бы даже сказал, куцые, заметно не хватает практики и/или хоть каких-то внятных разъяснений материала. Домашние задания, наоборот, будто рассчитаны на экспертов, а не на новичков, которыми по идее и являются студенты... Если что-то непонятно, говорят, внимание, ИСКАТЬ В ИНТЕРНЕТЕ! Самому! За что же мы тогда спрашивается платили такие деньги...

Совершенно не могу порекомендовать, проходим мимо!

Я прошёл два курса – аналитик данных и симулятор аналитика. Сейчас продолжаю учиться по программе инженер данных. На первом курсе я освоил много новых инструментов и понял, как их применять. Это много говорит о качестве подаваемого материала. Как специалист продуктовой команды я смог наладить мониторинг систем и выявить разного рода ошибки. Например, с помощью Qlik Sense я сделал дашборды по показателям. Ещё я создал новые продуктовые метрики для одного из наших проектов. И после консультации с действующим продактом их ввели в работу! Приятно, когда твою разработку внедряют в работу. Подводя итог, хочу сильно поблагодарить авторов курса и преподавателей! Благодаря вам я стал лучше разбираться в теме

Ходил на интенсив, и туда, понятное дело, требовались хоть какие-то познания в веб-разработке. Как минимум база и какая-никакая практика. Хотя бы умение решать абстрактные задачи точно пригодится. Лично мне было тяжеловато, но это лишь говорит о том, что курс стоящий. Преподаватели объясняют всё прекрасно, если что-то осталось непонятным, можно отмотать запись разок — и всё складывается. Методички у нас были хорошие, здорово выручали. Сокурсники тоже отличные, не упомянуть их не могу.

Программа содействия в трудоустройстве достойна отдельного спасибо! Специалисты и хорошо налаженная работа карьерного центра помогли мне применить свои навыки. Причём выгоду от обучения я ощутил уже на собеседовании. Выдали задание — и я решил его тем же способом, каким делал одну из домашних работ на курсе. Ещё поделюсь радостью: меня приняли в перспективный стартап! Пригодились знания и на этапе предварительной работы. Использую на практике тестирование, автотесты тоже. Эти модули помогли мне подтянуть статистику. Теперь могу шире работать с МЛ-задачами. Любой модуль, бесспорно, дал мне что-то новое. Даже там, где у меня была база, она заметно углубилась. Из личных предпочтений: самым интересным модулем оказалось ранжирование! Преподаватели в них обаятельные, материал сложный, но реально полезный. Иногда приятно почувствовать себя глупым, чтобы осознать, сколько ещё пространства для внутреннего, профессионального и личностного роста. Могу советовать этот курс всем, кто готов собраться в случае трудностей, безукоризненно следовать за педагогами и делать много ДЗ.

Обучение мне понравилось, могу советовать его всем, кто хочет учиться. Python я уже знал до курса, но здесь знания разложились по полочкам и сложились в систему.

Домашние задания составлены очень толково: они заставляют думать самому и подходить творчески, многое приходится искать в интернете — но это ведь тоже навык, так что только на пользу. ДЗ помогают закрепить материал и отработать изученные приёмы, скучать не придётся.

Лекции идут с наглядными материалами, поэтому темы усваиваются легче.

Минусов нет, всё понравилось, но кое-что я бы доработал:

1. разбор домашних заданий занимал очень много времени, потому что преподаватель начинал писать код с нуля, а лучше было бы разбирать ошибки

2. на регулярные выражения ушло слишком много времени, кажется, это было лишним

3. а вот на фреймворк Django одного урока явно не хватило, было бы здорово, если бы курс расширили и разобрали тему глубже.

Но в любом случае я очень благодарен школе и преподавателям: я получил крепкую базу для дальнейшего роста, и мой уровень в программировании заметно вырос. Дальше буду учиться сам, а если у курса появится вторая часть для продолжающих — обязательно запишусь!

Пишу отзыв про курс «Инженер данных». Коротко говоря, я в полном восторге. Если что-то оставалось непонятным, преподаватели всегда могли подсказать, где эту информацию можно найти. Лекторов было интересно слушать. Было много полезных практических советов, которые, я надеюсь, пригодятся в будущем. Отдельная благодарность за работу службы поддержки,

которая всегда была готова помочь и ответить на все вопросы. Общая атмосфера на курсе была очень дружелюбной и поддерживающей, что также оказало положительное влияние на процесс обучения. Большое спасибо всей команде за проделанную работу и за возможность учиться у таких профессионалов в своей области. Весь курс оставил отличное впечатление, и я с удовольствием буду рекомендовать его своим знакомым и коллегам.