Мы не раз говорили о карьерном центре. Настало время поделиться и опытом наших учеников, которые смогли найти работу по новой профессии с помощью наших HR-специалистов!

Студентка курса «Инженер данных» Екатерина Крупкина осознанно выбрала направление, справилась со всеми трудностями учёбы и получила работу в международной компании. Подробнее — в отзыве 👇

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.

На следующей неделе начнётся фестиваль Yandex DataLens, где можно познакомиться с, собственно, DataLens: разобраться в нюансах работы, сравнить с уже известными вам BI-системами, научиться решать практические кейсы и задать вопросы экспертам. В их числе, кстати, будет преподаватель блока «Визуализация» Роман Бунин :) 

Начало 5 декабря. Участие бесплатное по предварительной регистрации.

Рекомендуем! 

P.S. В качестве подготовки к фестивалю рекомендуем наш обзор DataLens (тоже с Романом Буниным!)

Всем привет! На связи karpovꓸcourses

Сегодня запускаем новые потоки сразу трёх курсов:

● «Аналитик данных» для тех, кто хочет начать путь в Data Science или добавить своим знаниям системности и подтянуть hard skills;

● «Инженер данных» для специалистов, которые уже имеют опыт работы с данными и хотят освоить новую профессию, расширить круг компетенций и повысить свою ценность на рынке труда;

● System Design для тех, кто хочет научиться выстраивать передовые архитектуры современных сервисов, подготовиться к интервью в BigTech и выделиться из массы других разработчиков.

В следующий раз «Инженер данных» и System Design запустятся уже в 2023 году! Успейте записаться, если планировали начать учёбу до праздников :)

Мы написали текст о том, что такое машинное обучение. Или всё-таки это нейросеть ChatGPT? Попробуйте угадать!

Что такое машинное обучение?
Машинное обучение - это область искусственного интеллекта, которая занимается изучением алгоритмов, которые могут улучшать свою производительность на основе опыта. Это позволяет компьютерам автоматически извлекать закономерности из данных и принимать решения на основе наблюдений. Машинное обучение используется в различных областях, включая маркетинг, финансы, медицину.

Чтобы освоить машинное обучение, необходимо пройти следующие шаги:
1 Получить образование в области искусственного интеллекта и математики. Это может быть специализированный курс или университетская программа.
2 Изучить язык программирования Python и библиотеки, которые используются в машинном обучении, например, NumPy, Pandas, Matplotlib и другие.
3 Обучиться использованию моделей машинного обучения, таких как линейная регрессия, дерево решений, классификация и кластеризация.
4 Получить практический опыт работы с данными и моделями машинного обучения. Это может быть в виде участия в курсах или стажировки в компании.
5 Обновлять свои знания и навыки в области машинного обучения.

Машинное обучение можно изучать в университетах, колледжах или через онлайн-курсы. Также можно посетить специализированные тренинги или конференции, где преподают машинное обучение.

Последние в этом году потоки некоторых программ уже стартовали, а новые — запустятся уже в следующем, но немного позже, чем обычно.

Чтобы вы могли лучше спланировать начало обучения, делимся январскими датами стартов:

● Start ML и System Design — 9 января;
● Аналитик данных — 11 и 23 января;
● Инженер данных — 11 января;
● Симулятор A/B-тестов — 18 января;
● Симулятор аналитика — 20 января;
● Hard ML — 25 января.

Набор на Симулятор ML-инженера будет приостановлен с 31 декабря по 8 января. Если хотите начать обучение в праздники, рекомендуем оформить подписку до Нового года :)

А подробнее об изменениях в учебном процессе во время каникул мы расскажем немного позже.

Изучать машинное обучение можно не только для того, чтобы перейти в новую сферу, но и чтобы расширить скиллы для работы и научиться решать более сложные и интересные задачи.

Так поступил выпускник курса Start ML Слава Назаров. После курса он повысил грейд и перешёл в новую компанию с окладом на 35% выше. Мы взяли у Славы мини-интервью 👇

Какой бэкграунд был у тебя до курса?

Я работаю продуктовым аналитиком, к началу обучения общий стаж в IT был 9 месяцев, выполнял задачи по стриму продуктовой и маркетинговой аналитики.
Образование не совсем профильное, но всё же техническое — в 2013 году закончил строительный университет по специальности промышленное и гражданское строительство.

Почему ты решил изучать ML?

Решил пройти курс, чтобы расширить свои возможности в аналитике (в том числе чтобы работать с предикативными моделями) и, возможно, перейти в ML полностью. Сам ML решил изучить для решения кейса на работе — нужно было сделать рекомендательную систему. Но по стечению обстоятельств собрать полноценную модель не успел, перешёл в другую компанию

Какие у тебя впечатления от курса?

Потрясающий курс с максимально широким охватом всех тем из перечня. Непростой темп обучения, который довольно сложно совмещать с фулл-тайм занятостью. Эмоции только положительные.

Благодаря курсу подтянул харды, расширил экспертизу в Data Science и повысил свой грейд до middle+. Всё это позволило получить оффер от Сбермаркет с окладом на 35% выше и найти работу с более интересными задачами и сильной командой.

Алексей Кожарин — лучшего преподавателя по Python в русскоязычном пространстве я не встречал. Отдельное спасибо за блок по алгоритмам!

Никита Табакаев — супердоступные объяснения математики и принципов работы ML-алгоритмов. Теперь тоже часто говорю "чиселки"))

Алексей Биршерт — не представляю, как удалось уместить столько тем в блоке по Deep Learning, но спасибо огромное, что собрал всё в одном месте!

Эмиль Каюмов — суперблок по статистике. Не знаю, сколько часов уходит у людей без бэкграунда на прохождение, но даже с опытом в A/B-тестировании скучно не было ни разу!

Нерсес Багиян — вечная поддержка по ходу курса. Спасибо, что поделился своим мнением о карьере и будущем Data Science на вебинаре.

Отдельная благодарность Алексею и Нерсесу за открытость и персональные консультации по рабочим вопросам.

Чем ты занимаешься сейчас?

На новом месте работаю с коллегами из ML. Сейчас буду пытаться реализовать PSM (мэтчинг пользователей) для решения бизнес-задачи.

Не могу сейчас точно сказать, перейду ли полностью в ML, но всё может быть 😊

Помните наш недавний опрос о том, кто написал текст о машинном обучении: человек или ChatGPT?

Трудно поверить, но это была нейросеть! И пока меня не уволили, расскажу, где можно научиться их создавать.

На курсе Start ML отдельный блок посвящён работе нейронных сетей. Начнём, конечно, с основ: освоим язык Python и разберёмся, что такое машинное обучение, а потом постепенно перейдём к статистике, А/В-тестам и глубинному обучению.

Стартуем сегодня, а записаться можно до 13 декабря.

[Узнать о машинном обучении больше и начать учиться]

Совсем скоро, 14 декабря, запустится Симулятор A/B-тестов!

Всё будет в лучших традициях наших тренажёров: минимум теории и максимум практики.

В течение пяти недель вы будете тренироваться на настоящей платформе A/B-тестирования, отрабатывать сложные и нестандартные ситуации и помогать бизнесу принимать грамотные решения. Хедлайнер курса — Александр Сахнов, руководитель отдела мультивариативного анализа в X5 Retail Group и автор блока по продвинутому A/B-тестированию программы Hard ML.

Симулятор подойдёт не только аналитикам, но и всем, кто хочет разобраться в A/B-тестировании без погружения в программирование и математическую статистику: например, продакт-менеджерам и маркетологам, которые работают в связке с аналитиками и хотят расширить круг своих компетенций. От вас потребуются лишь знание математики на уровне школьной программы и базовые знания Excel :)

[Присоединиться]

P.S. Продвинутая версия Симулятора A/B-тестов пока в разработке, но вы можете оставить заявку, чтобы первыми узнать о его старте!

*три года с запуска первых уроков по Python, которые легли в основу курса «Аналитик данных»

«Я узнал о том, что существует Java, и программисты на Java получают в три раза больше. Поэтому я выучил Java и устроился программистом на Java»

Сегодня в гостях подкаста «IT-шниками не рождаются» Гена Евстратов, руководитель мобильной разработки в Яндекс Про.

Узнали у Гены, как разобраться в PHP за полторы недели и влиться в крупную IT-корпорацию с собственным стартапом.

[Смотреть]
[Слушать]

Вы интересовались, когда выйдет Симулятор SQL, а мы обещали запустить его до Нового года. Хорошие новости: этот день наступил!

Симулятор будет полезен всем, кто работает или планирует работать с данными: от аналитиков и менеджеров до тестировщиков и разработчиков. Вы будете решать задачи на реальной инфраструктуре, составлять запросы к базе данных PostgreSQL, строить дашборды в Redash, а также проверять гипотезы и рассчитывать продуктовые метрики (и это далеко не всё!).

Знакомьтесь с программой и присоединяйтесь :)

Хорошие новости не заканчиваются! Сегодня стартует ещё и симулятор А/В-тестов – для всех, кто хочет научиться принимать оптимальные решения в бизнесе.

На симуляторе вы научитесь грамотно проводить эксперименты и справляться со сложными и нестандартными ситуациями. Программа поможет аналитикам и продакт-менеджерам разобраться во всех тонкостях проведения A/B-тестов, чтобы избежать ошибок в реальной работе.

Если проходить по 3 урока в неделю, то обучение на «Симуляторе» займёт всего пять недель! Внутри нет дедлайнов — вы сами выбираете комфортный темп обучения.

Сейчас доступна базовая версия, а в течение пары месяцев выйдет продвинутая. Для базовой достаточно владеть Google Sheets.

Старт сегодня, а начать учиться можно до 19 декабря!

P.S. А если вы владеете Python и хотите пройти продвинутую версию симулятора, оставляйте заявку, чтобы первыми узнать о его выходе

Формат behavioral interview с Валерием Бабушкиным показался нам (и вам) интересным, так что мы решили не останавливаться на одной части!

На этот раз поведенческое интервью прошёл Артур Кузин, Kaggle Grandmaster, Head of Deep Learning в компании Eqvilent. В прошлом – Head of Computer Vision Platform в SberDevices. Звучит впечатляюще, согласитесь?

[Смотреть]

До Нового года осталось совсем немного, и это значит, что пришло время рассказать про изменения в учебном процессе в праздничные дни!

● С 31 декабря по 8 января включительно в kаrpov.соurses будут каникулы.

● Команда саппорта и кураторы курсов будут отдыхать с 31 декабря, а вернутся к работе 9 января. Все индивидуальные вопросы, связанные с переводами на другие потоки и выдачей доступов, будут решены уже после каникул.

● Дедлайны проверки домашних заданий, сданных после 19 декабря, могут быть продлены. Об этом дополнительно сообщат кураторы в чате потока.

● При оформлении подписки на Симулятор ML во время праздников вы получите доступ 9 января.

Желаем отлично отдохнуть, осуществить все планы, а в новом году вернуться к учёбе с новыми силами и целями!

P.S. Вы ещё успеваете записаться на следующие старты:

Аналитик данных — 19 декабря
Симулятор аналитика — 21 декабря
Симулятор A/B-тестов запустился 14 декабря, но вы ещё успеваете присоединиться к потоку :)

Нет времени объяснять, Анатолий Карпов (да!) принял участие в Киберспортивном фестивале МГУ: https://www.twitch.tv/murtournament_1

Не всегда же про статистику рассказывать, верно?

Симулятор А/В-тестов только запустился, а у нас уже есть отзыв!

Виктор Панькив прошёл первый поток и поделился своими впечатлениями. Не можем не отметить скорость прохождения — всего 5 дней! Мы впечатлены :)

Чем ещё запомнится Виктору симулятор? Читайте в его отзыве.