Отзывы о школе Karpov Courses

Имею опыт работы в ИТ с уклоном в автоматизацию и бизнес/системный анализ. Последние годы больше работаю с данными в части моделей данных и дашбордов, т.е. более "инженерный" профиль, чем исследовательский. На платформе прошел курс "Симулятора аналитика". Перед этим здесь же проходил курсы по аналитике и hard-аналитике. Без них (или любого другого обучения/реальной практики в решении именно аналитических/поисковых задач) было бы сложнее выполнить цельную цепочку задач аналитика от построения описательных дашбордов до прогнозирования метрик и подготовки небольшого конвейера обработки данных. Курс показался базовым, но цельным и вполне дающим общее представление о работе аналитика данных. Курс довольно интенсивный, времени на раскачку практически нет, особенно если совмещать с работой. Хорошая возможность поработать с реальными инструментами на реальных данных и пополнить/завести свой репо на GitHub.

Курс «Машинное обучение: от технической базы до создания ИИ-продукта». Теория сразу закрепляется на реальных задачах. Курс не просто учит писать код, а дает глубокое понимание проектирования ИИ-продуктов и их ценности для бизнеса. Наработки из курса удалось успешно внедрить в текущую работу, что заметно повысило личную продуктивность. Материал подается структурировано, менторы и преподаватели всегда на связи и дают качественную обратную связь. Защита диплома стала отличным финальным аккордом и мощным кейсом в портфолио. Курс рекомендую, но советую заранее освободить график под учебу.

Сейчас заканчиваю курс по машинному обучению в Karpov.courses. Начали мы ещё в Октябре. Я пришла на курс без каких-либо базовых знаний, поэтому меня обрадовало, что это не «курсы за 2 недели». Здесь реально много математики и понимания того, что под капотом у алгоритмов. Курс очень интенсивный. Совмещать с полным рабочим днём было сложно — иногда приходилось тратить все выходные, чтобы закрыть дедлайн. Но куратор Марина всегда приходила на помощь при необходимости продлить какой-либо дедлайн, спасибо ей за это! Если планируете идти — закладывайте минимум 10-15 часов в неделю, просто так «проскочить» не получится, если хотите приобрести хорошие, упорядоченные знания. Очень порадовало большое количество практики. Видео в курсе короткие и по делу, без лишней воды. Конспекты к лекциям — это отдельная база знаний, к которой я часто возвращалась при выполнении заданий.

Курс дает знания, информации довольно много. Но не могу сказать, что структура и последовательность изложения мне понравились. У меня математическое образование, поэтому было проще. Для не столь подготовленных людей такой курс может показаться сложным, как мне кажется. Тем не менее, курс можно 3 раза на месяц переносить, чем я и воспользовалась 2 раза. Наличие дедлайнов действительно подстегивало, без них вот так вот взять и углубиться в тему крайне тяжело. В целом, я примерно это и ожидала от курса, поэтому довольна тем, что получила.

Прошел обучение на курсе MLE и хочу поделиться честными впечатлениями. Если вкратце: это было мощно, местами больно, но максимально полезно. Что понравилось больше всего: Преподавательский состав: Огромный респект всем лекторам (Алексей Кожарин, Никита Табакаев, Алексей Биршерт и Эмиль Каюмов). Чувствуется, что это не просто теоретики, а практикующие специалисты из бигтеха. Материал подается глубоко, без лишней воды, с акцентом на то, как это работает в реальном продакшене. Практическая направленность: Это не тот курс, где вы просто переписываете код из туториалов. Задачи заставляют думать, проектировать и учитывать ограничения реальных систем. Проекты в портфолио получаются действительно «взрослыми». «Чаепития» с преподавателями: Это, пожалуй, уникальная фишка. Формат неформальных созвонов, где можно разобрать сложную тему на пальцах или получить фидбек по своей карьерной стратегии — бесценен. Помощь с консультациями по будущему поиску работы реально придает уверенности. С чем пришлось побороться: Настройка окружения: Пожалуй, это был самый «колючий» этап. Конфигурация локальной среды, зависимости — местами приходилось знатно потанцевать с бубном. Также стоит отметить актуальность материалов, на момент обучения использовались записи лекций от 2023 года. Мир ML меняется очень быстро, появляются новые фреймворки, библиотеки и инструменты. Итог: Курс однозначно стоит своих денег и времени, если вы готовы пахать. Это не «легкая прогулка», а полноценный буткемп для тех, кто хочет реально понимать, как устроено ML-инженерное дело.

Плюсы: 1. Общая стилистика оформления лекций, видеоматериалов. То есть сначала видео, потом конспект, презентация. Плюс цветовое оформление в едином стиле. 2. Почти после каждой лекции есть практические задания, тесты. 3. Есть эксперты для помощи и консультации. 4. Есть бесплатная вступительная часть. 5. Также есть проверка знаний, что очень здорово. Минусы: 1. Есть опечатки в текстах лекций, в некоторых предложениях могут быть пропущены слова. Выглядит так, будто впопыхах писали текст либо не перепроверяли, что написали. 2. Попадались задания с ошибками. Например, ошибка при проверке кода задания (уже исправили). 3. Мало практических заданий. Какая бы теория ни была хорошей, без практики от неё толку 0. 4. Некоторые вопросы или задания описаны неочевидно, трудно понять, что нужно. Особенности курса: 1. У вас не будет одного цельного проекта. Вместо этого у вас будут несколько небольших проектов: - Pipeline для считывания данных с диска и загрузки в Greenplum. - Архитектура DWH. - Визуализации. Для кого-то это плюс, для кого-то минус, тут просто особенность курса. 2. Также по видеоматериалам — огромное количество склеек при монтаже. Складывается впечатление, что либо лектор плохо изучил материал лекции, либо не подучил перед записью, поэтому вырезали паузы, оговорки. Мелочь, но бросается в глаза. 3. ИИ-помощник Ева, который предназначен для помощи в решении задач, в основном мешает. Вместо того чтобы подсказать, куда копать нужно, — ещё больше вопросов задаёт. Пару раз эти наводящие вопросы помогли, но в остальных случаях — только усложняет дебаг. 4. Некоторые видеоматериалы — как будто выдернуты из другого курса со схожей тематики. 5. Нет раздела по описанию и подбору параметров Spark/Yarn для запуска заданий. Эта тема очень обширная, и было бы здорово добавить в лекцию. 6. Ещё некоторые задания нужно выполнять в VK Cloud, какие-то в Yandex Cloud. ИМХО, проще в одном сделать. 7. По проверке начальных знаний перед прохождением курса — это хорошая идея. Знать нужно Python, SQL. По SQL у них есть бесплатный тренажёр, который сделан если не идеально, то близко к этому. Итог: если вы ни разу не видели Airflow, Greenplum, не занимались проектированием хранилищ и т.д., то вы можете ознакомиться с курсом. Скорее всего, будет сложно на практических заданиях, так как задания не совсем очевидно расписаны. Но если опыт хоть какой-то есть, то, наверное, лучше всё-таки подыскать что-то другое, так как этот курс познакомит только с основами основ.

Я начал учиться на курсе "StartML: Машинное обучение для начинающих" от Karpov.Courses без какого-либо опыта в аналитике данных. До этого я знал Python только на уровне "hello world", но не больше. Моя цель была простой: получить базовые навыки в машинном обучении, чтобы перейти в data science или хотя бы применять это в будущей работе для автоматизации задач. Я хотел понять, как работают алгоритмы, и научиться строить простые модели. Ожидания оправдались на все 9 из 10. Я думал, что курс будет слишком сложным для полного новичка, и он действительно был сложноват, но структура оказалась логичной: сначала основы Python, Git и инструментов вроде Airflow, потом классические ML-алгоритмы. Конечно, без базовой математики (типа дифференциалов) иногда приходилось подтягивать знания самостоятельно, но это не помешало. Поддержка на курсе была на высоте — кураторы отвечали быстро в чате, помогали с домашками, и было много вебинаров. Мне всего хватило, хотя в пиковые моменты (типа дедлайнов) иногда ждал ответа пару часов, но это нормально. Контент понравился: лекции в видеоформате, с примерами из реальной жизни, и много практики на реальных датасетах. Преподаватели объясняют просто, без лишней воды, и блоки связаны между собой — от получения данных до деплоя моделей. Общее впечатление супер: курс дал мне уверенность в ML, я даже сделал пет-проект по рекомендательной системе, который добавил в резюме. Я не совмещал учебу с работой или другой учебой, и все равно было трудно — как полный новичок, я тратил много времени на освоение. Оценка: 9/10. Готов ли я порекомендовать курс другим? Абсолютно да, особенно если у вас есть базовые навыки в программировании и вы мотивированы учиться. Если вы полный новичок, то лучше освободить побольше времени для учебы, чтобы не торопиться и все усвоить.

Я долго сомневалась, идти ли на курс «Принятие решений на основе данных». Не потому что неинтересно, а потому что рынок таких курсов переполнен: везде обещают «научим аналитике», а на выходе — красивые дашборды без понимания, как именно данные влияют на решения. Потерянные деньги, время и никакого результата для роста в компании. Здесь ключевое отличие стало понятно уже в процессе обучения. Курс не про инструменты ради инструментов. Он про мышление: - как формулировать управленческий вопрос, - какие данные действительно нужны для ответа на ключевые вопросы бизнеса - где заканчивается аналитика и начинается интерпретация - и кстати , в каких местах аналитик легко начинает врать сам себе. Понравилось, что материал подаётся структурно и честно от действующих экспертов. Не создаётся иллюзия «данные всегда знают ответ». Наоборот — постоянно подчёркивается роль контекста, бизнес-целей и ответственности за принятое решение. Отдельно отмечу практику. Задачи не выглядят искусственными: они близки к реальным ситуациям, ( действительно, на текущей работе, мы решаем подобные вопросы); где данных либо недостаточно, либо они противоречат друг другу, а решение всё равно нужно принимать. Это сильно отрезвляет и формирует полезный навык — думать, а не просто считать. Если же вы хотите научиться принимать решения осознанно, опираясь на данные, но не перекладывая на них ответственность, — это один из немногих курсов, который действительно даёт эту основу. Мне так кажется!) Я бы рекомендовала его тем, кто работает на стыке аналитики, продукта и управления — и хочет меньше угадывать, а больше понимать, как принять верное решение. Я лично работаю как продакт менеджер в e-commerce.

Хотела бы поделиться отзывом о курсе «Инженер машинного обучения» онлайн школы Karpov. Courses. Узнала о школе Karpov. Courses и Анатолие Карпове, когда проходила курсы на платформе Stepik, которые вел Анатолий: «Основы статистики», «Введение в Data Science». Меня очень заинтересовала подача материала этих курсов, настолько увлекательно Анатолий преподносит контент и мотивирует в освоении, казалось бы, на первый взгляд, скучной дисциплины Основы статистики. Далее начала смотреть, какое направление IT мне было бы интересно. Познакомилась с направлением ML и решила, что это будет челлендж для меня стартовать в ML, так как закончила ВУЗ по специальности IT более 15 лет назад, после ВУЗа в IT не работала, решила тогда, что мне это не очень интересно. Работая в другой сфере достаточно долго, в итоге поняла, что пришло время вернуться в IT, так как чувствую свой потенциал, обладаю аналитическим мышлением, способностью и желанием развиваться в IT, а также достигать поставленных целей. Опыта в аналитике данных (python) на данный момент, к сожалению, нет. Получается, работаем с тем, что есть:) Считаю, что hard skills+soft skills+умение достигать поставленных целей рано или поздно приводят к желаемому результату. Если не получится сразу найти работу в ML, начну с аналитика данных, так как реально оцениваю рынок IT и свои возможности/приобретенные навыки. Главное — двигаться в нужном направлении и ощущать внутренне, что данное направление IT — это твое, и оно реально вдохновляет и мотивирует. Если неинтересно, вряд ли это сработает, это мое мнение. Сравнивала несколько известных онлайн школ по контенту курса ML, длительности и отзывам студентов, выбрала в итоге Karpov. COURSES И считаю, что сделала правильный выбор. Длительность курса 7 месяцев для меня оптимальна. Начала учебу в апреле 2025 г. Проходя обучение на курсе, узнала, что немало студентов уже имеют опыт работы в аналитике, знакомы с python и библиотеками и проч. Поэтому по моим ощущениям, обучение мне далось сложнее из-за отсутствия опыта в аналитике данных. Но все же материал реально освоить, если у вас все в порядке с аналитическим мышлением, математическими способностями, навыками кодинга и целеустремленностью. В курсе дается много теории и практики, ссылок на внешние ресурсы, так что материала более чем достаточно для изучения для новичка и старта в ML. Обучение, на мой взгляд, очень интенсивное, необходимо изучать теорию и выполнять практические задания (выкладываются 3 раза в неделю), есть дедлайны. Желательно это делать в тайминге. Первые 2 модуля по Python и машинному обучению — просто супер! Подача материала Алексеем Кожариным и Никитой Табакаевым такая же интересная и мотивирующая, как ведет курсы Анатолий Карпов (писала об этом в самом начале). Модуль по Deep learning дается в более сжатом виде, но подробнее выделен в отдельный курс на Karpov. COURSES, Если появится желание продолжить развиваться именно в направлении Deep learning. Модуль Статистика и A/B тесты, на мой взгляд, преподнесен менее интересно лектором, что не влияет на сам контент блока: теории и практики в нем также предостаточно: теория вероятностей, мат статистика, практические задачи. По мере прохождения модулей курса кураторы запрашивают по желанию обратную связь, и я делилась ей. В ответ рада была узнать от кураторов, что курс улучшается, учитывая обратную связь студентов, например, что уже запустили улучшенную программу и не только финальные модули дополнили и немного упростили, но добавили новый вводный блок, несколько новых уроков в python сделали, неточные формулировки в некоторых заданиях отточили. В плане поддержки эксперты всегда оперативно помогали, если возникали трудности в решении практических задач, за что очень благодарна! В финальном проекте время ответа экспертов было более продолжительным, о чем предупреждали на курсе, но тем не менее приемлемо. Отдельно хочу поблагодарить кураторов — Юлию Рожкову и Марину Тюлькину! Очень поддерживали, подбадривали и всегда старались оперативно помочь, когда возникали затруднения в организационных вопросах. Впечатление от курса только положительное. Несмотря на некоторые нюансы, о которых написала в отзыве, готова рекомендовать пройденный курс.

У меня был небольшой опыт и примерное понимание работы моделей классического МЛ, опыт работы с питоном тоже имелся. Но при этом части по питону и классическому мл были полезны для структурирования знаний, более глубокого понимания. Отдельно хочется выразить благодарность преподавателю по модулю МЛ так ясно и понятно принципы работы моделей мне никто не объяснял. В целом курс полезен, начинаешь чувствовать какую-то почву под ногами. После «прожарки» резюме сразу получила приглашения на собес, хотя до этого получала только отказы. Впереди еще карьерный курс, возлагаю на него большие надежды.

Все хорошо, с тестами был знаком поверхностно, поэтому и приобрел курс. На продвинутом варианте курса было сложно, т. К. Для не сталкивающихся с АБ тестами до этого, — очень много новой информации, а так же в заданиях (на продвинутом уровне) требуется думать чуть дальше и шире, чем на уроках, и когда эти два условия в связке, очень легко запутаться и вообще понять, что от тебя требуется в задании. Но упорная работа и помощь от экспертов помогают этот барьер преодалеть. Из минусов — не хватило практики, думал там усыпано будет заданиями на питоне с разными бизнес историями, как часто рекламируется в медия от этой компании. Но по сути не так. Тем не менее, цель достигнута, приобрел ценные знания. Преподаватель топ, погруженный в тему. От меня твёрдая 5, если разнообразят и добавят больше сценариев в заданиях будет 5+. Спасибо, до свидания!

Проходила курс Hard ML и осталась очень довольна результатом. Программа действительно продвинутая: много практики, разбор реальных бизнес‑задач и сильный упор на продакшн‑подход к машинному обучению.​ Отдельно хочу отметить структуру курса и подачу материала: модули логично выстроены, затрагивают ранжирование, матчинг, динамическое ценообразование, uplift‑моделирование и работу с ML‑пайплайнами, оркестраторами и CI/CD. Благодаря этому после окончания обучения мне стало гораздо проще решать нестандартные задачи и увереннее чувствовать себя в рабочих проектах. Кураторы и эксперты оперативно отвечают на вопросы и помогают разбираться в сложных темах Однозначно рекомендую курс

Начал обучение 21 августа 2025 года без какого-либо опыта в аналитике данных. Моей целью было разобраться в аналитических методах и метриках, научиться их применять и подготовиться к поиску работы аналитиком. Ожидания от курса оправдались на 8 из ­10. Очень понравились объем и глубина материала, его детальный разбор и практические проекты. Снизил оценку из-за некоторых модулей, где одновременно давался слишком большой объем информации — это мешало понять логику применения инструментов. Иногда я больше концентрировался на способе решения, чем на интерпретации результата. Поддержка на курсе отличная — оперативно помогали с возникающими вопросами. Контент был интересным и полезным. В целом курс оставил хорошое впечатление. Стоит отметить, что изучаю аналитику "с нуля" и впервые. Вследствие этого, мне нет возможности сравнивать. Также остаются мысли, что придется еще раз пройти теоретическую часть.

О школе узнал от знакомого, который когда-то посоветовал «Симулятор SQL». Симулятор зашёл отлично, особенно после Coursera и Udemy, где основной упор был на теории. А здесь задания реально прокачивали понимание SQL и работу с данными. Позже уже решился попробать курс «Инженер данных». Закончил буквально неделю назад. Плюсы Несмотря на то что у меня уже был определённый опыт, некоторые вещи стали реальным открытием. Например, что помимо классических нормальных форм существуют методологии Data Vault и Anchor Modelling — до курса даже не знал о них. Наконец-то стало понятно, что из себя на практике представляет Big Data. Попробовал кучу инструментов. Впервые поработал с GitLab - намучился с конфликтами слияния. Поработал с Airflow: здесь, честно, хотелось бы больше уроков. Финальный проект сделал относительно легко, но застрял на модуле «Облачное хранилище». Главное для меня - действительно много практики. Нужно было реально выделять время, чтобы всё пройти и понять материал. Если возникали вопросы, поддержка реагировала оперативно. В общем, не скажу, что после курса стал полноценным инженером данных, но появилось ощущение уверенности: теперь понимаю, что если сесть и подумать (или погуглить) — в принципе справлюсь с любой задачей. Минусы Из минусов, может то, что курс относительно дорогой. Из пожеланий: хотелось бы больше уроков по автоматизации ETL-процессов. А так, в принципе, нет каких то серьезных замечаний. Ну, иногда, после лекций приходилось лезть в Google или ChatGPT, чтобы получить объяснение более доступным языком — но это, скорее, особенности моего восприятия. Итог В общем, впечатления хорошие. Позже, наверное, попробую один из платных симуляторов. Если же говорить о самой специальности, то она достаточно специфическая: data engineering — это не про формулы и алгоритмы, а больше про умение работать с большим количеством инструментов. К сожалению, человек вне профессии не всегда имеет доступ к инфраструктуре, кластерам, Airflow, Spark и т.д. , поэтому тяжело самому практиковаться и развивать навыки. Для тех же Data Science и Аналитки данных есть свои симуляторы, где можно серьезно прокачаться.

Я в бешенстве! Курс написан умственноотсталыми математиками социофобами! Если вы не задрот-математик, то вам будет крайне тяжело понимать их язык объяснения элементарных вещей запутанным языком! Там, где можно сказать прямо и банально, зачем то приводятся запутанные примеры с пятимерными объемными ответвлениями в пустоту! Чем дальше проходишь курс, тем все более запутаннее будут становиться примеры и описание. Так же будет куча тем которые вы должны использовать при решении задач, но вот РАССКАЗАТЬ вам про эти темы не будут, сначала догадайтесь, а потом найдите ответы сами. Даже прогнав уроки через ЛЛМ модели они были в шоке нафига так все усложнять?!!!

Курс ML-инженер (Инженер машинного обучения) очень насыщенный лекциями и заданиями. Был уверен что уверенно и легко пройду все основные части. Но курс удивил большим набором полезной информации, которая заставила вникать и прикладывать усилия. Я очень доволен качеством и количеством знаний по машинному обучению, статистике, программированию которыми славится Carpov.courses. Отличная поддержка кураторов и экспертов по решениям задач. Будет сложно, но по итогу вы получите достаточный набор знаний и умений для трудоустройства.

Я Data Engineer с опытом 4 года. Опыта вроде хватает, а разнообразия в стеке и целостного понятия о DHW и Data продуктах было мало. Это все вызывало страхи и сомнения перед рынком труда и поиском более высокоплачиваемой работы. Понимала что есть пробелы в знаниях и отсутвия знаний в таких популярных технологиях как GreenPlum и Airflow. Решила в качестве подготовке к собесам и вообще для своего роста поискать курс по DE. По описанию программы Карпов Курсы мне очень понравились. Было что-то смежное с курсами, которые проходила на работе, затрагивались все аспекты Big Data с фокусом на DE. Начала проходить курс в мае 2025 года. Честно прошла активно его до проекта и пару блоков после. Потом уже чувствовала себя уверенней. Смогла пройти собесы и получила оффер. Времени было меньше пройти до конца, но рада возможности изучить материал после. Так как материалы курсов остаются доступными. Очень понравился блок по проектированию DWH, он восполнил абсолютно все пробелы в моих знаниях, и я по сей день пользуюсь теорией с курсов на работе. Немного не хватило информации по GreenPlum. Остальные блоки считаю хорошо справились с объяснением информации и практикой по новым знаниям. Очень порадовало, что в курсе предоставляют уже развернутую инфраструктуру для задач и проекта. Это намного упрощает обучение и дает сфокусироваться на конретных задачах. Но иногда практика казалась простоватая. Курс отлично подошел бы junior и junior+ разработчикам. Так же отдельное спасибо за поддержку команду Карпов Курсов. Я считаю команда разработала классную и очень удобную платформу для обучения, а так же чат поддержки очень быстро и четко отвечали на вопросы студентов. В целом пройденым обучением довольна. Была бы рада пройти обучение снова по уровню выше. Уже порекомендавла курс всем коллегам на новой работе :)

Сейчас прохожу курс Анатолия Карпова и пока что я доволен результатом. На курсе оооочень много практики как в виде тестов так и в виде самостоятельной работы, что для меня было важно, лекции курса выходят строго по графику что мне помогло планировать режим обучения и легко вписать его в свой распорядок дня. Лекции в большенстве своем понятные но в тоже время не легкие, часто приходится сильно поломать мозг над задачами что собственно хорошо. Удобно что есть команда поддержки, я к ним обращался и мне помогали и отвечали на все вопросы. Сама платформа удобная, если мы говорим о компьютерной версии. Версия для телефонов не очень, но это мелочи. Большинство лекций читал сам Анатолий и он прекрасный учитель, тут я ставлю уверенно 10/10. Резюмируя пока что мне курс нравится, я получил даже больше чем ожидал. До карьерного курса еще не добрался, на него рассчитываю, но пока ничего сказать о нем не могу. Всем удачи

Курс начинающего ML-инженера на Karpov Courses оказался серьезной работой на протяжении чуть более полугода. Мне, для комфортного усвоения материала, нужно было в среднем по 4 часа учёбы 5 дней в неделю. В первой половине курса у меня это время было - было затишье на основной работе, и я с удовольствием погрузился в Python и основы ML. Потом на работе начался аврал и вторую половину курса я проходил бегло, всё чаще используя ИИ, срезая углы. Преподаватели по каждому блоку - профи, очень хорошо разбираются в предмете и в основном хорошо объясняют материал. Материала много. Теории много. Практических заданий много. Мне кажется, что этот курс будет уместен либо тем, кто вообще не работает, либо тем, кто умеет быстро фокусироваться на новом материале, не теряя время на раскачку. Резюме: курс очень сильный, очень интересный, сложный и весьма объемный. Я доволен на 100%, с учётом, что мне удалось соблюсти все дедлайны, а материалы курса останутся доступными навсегда, чтобы потом как следует разобраться с теми разделами, которые не удалось полноценно усвоить.

Курс полностью разочаровал. Создается впечатление, что его делали лишь бы сделать, без малейшей заботы о студенте. Теория: Материал подается крайне неструктурированно. Видеоуроки длинные, бессмысленные и наполнены водой. Концентрации полезной информации в них близка к нулю. Практика: Полный провал. Примеры не работают из-за устаревших версий ПО, что делает их изучение невозможным. Практические задания настолько бессмысленны, что проще и быстрее их выполнить через ChatGPT, чем разбираться с неповоротливой техподдержкой. Итоговый тест: Составлен абсолютно некорректно. Ответов на вопросы нет в предоставленных материалах, что заставляет студентов искать их где угодно, но только не в самом курсе. Итог: Потраченные деньги и время. Категорически не рекомендую.

Пошел на курс от работодателя. Выбор этого курса был связан с преподавательским составом, т.к. 3 из 5 преподавателей практикуют у нас в банке. Структура курса выстроена хорошо, от простого к сложному: - Python сначала основы, а потом уклон в backend-разработку и ML - ML от простой линейной регресси до градиентного бустинга рассказывается подробно - по DL был только обзор основ, но по началу даже эти основы казались достаточно сложны - В статистика и A/B-тестах был необходимый и достаточный минимум В конце каждого модуля была одна из частей финального проекта, который состоял из 4 частей. Большую часть знаний из первых 2 модулей уже применил в работе, поэтому могу точно сказать что по Python и ML дали классный материал. DL и A/B-тесты на практике пока не применял, поэтому сказать сложно. В целом впечатления о курсе классные)

Практическую направленность курса и конечно очень сильную поддержку со стороны менторов и мощнейщее комьюнити! Учебный процесс организован очень грамотно. Есть парочка вопросов к платформе и к чекеру, но в общем все безумно удобно, все в одном месте. Дедлайны хоть и жесткие, но они отлично дисциплинируют и мотивируют не отставать от программы. Подача материала - одна из сильнейших сторон курса, даже в сравнении с материала на английском языке. Лекторы те люди, на которых хочется опираться и быть похожими. Блоки именно те, что понадобятся реально широкому кругу специалистов. В общем чате всегда можно было задать любой вопрос и быстро получить помощь от сокурсников или экспертов. С людьми, которых там встретил - общаемся до сих пор! Тем не менее, были и моменты, которые можно было бы улучшить. Система проверки заданий: Например, автоматическая система проверки иногда работала нестабильно. Бывало, тратишь лишнее время, пытаясь понять, в чем проблема: в твоем коде или в самом грейдере. Это немного сбивало с толку. В конечном итоге, курс превзошел мои ожидания. Я пришел за прочной базой в ML — и я получил ее в полной мере. И пусть я пока не стал ML-инженером, знания, полученные на курсе, оказались невероятно полезными в моей текущей работе аналитиком. Но главный мой результат — я нашел свою первую работу аналитиком прямо во время прохождения курса. Это было здорово. Я смог не только успешно пройти собеседования, но и с первых дней уверенно применять на практике то, чему нас учили, что дало мне отличный старт. Так что я бы определенно посоветовал этот курс тем, кто готов серьезно работать и хочет получить реальные, применимые навыки. Он однозначно стоит своих денег. Впечатления остались очень положительные, поэтому ставлю твердую пятерку. Теперь в планах закрепить знания на симуляторе, так что останавливаться не собираюсь

В 2025 году прошла курс "Start ML" (он же "Инженер машинного обучения"). Технического, а уж тем более практического, бэкграунда у меня нет, но за год до этого я выпустилась с курса по DS на Яндекс Практикуме, так что мои впечатления основаны по большей части на сравнении двух школ. Что больше понравилось на Karpov Courses: 1. Видео-лекции. Качество звука и картинки очень хорошее, и в целом приятно учиться "с человеком", пусть и не в режиме реального времени. Алексей Кожарин (блок по питону) и Никита Табакаев (блок по ML) - топовые преподаватели, очень понятно, подробно и наглядно разбирают материал. 2. Быстрая автоматизированная проверка всех заданий (даже финального проекта). 3. Программа курса. Много полезных практических инструментов, довольно глубокая теоретическая база в блоке по машинному обучению. Мне было интересно и в меру сложно - сложнее, чем на Практикуме, но без первого своего курса я не знаю, как бы вывезла этот. 4. Очень хороший куратор, Юлия Рожкова. Была в курсе происходящего у каждого студента, помогала с дедлайнами. 5. Бадди. В специальном треде в Пачке можно найти себе напарника по обучению - вроде такая простая вещь, но помогает обойти скованность группового чата и найти кого-то, с кем можно обсудить обучение, обменяться опытом, пожаловаться) Что понравилось меньше: 1. Конспекты. Печатные материалы очень сильно варьируют от блока к блоку: иногда они содержат дополнительную информацию, ссылки на статьи вне платформы, а иногда настолько скупые, что даже не все формулы из лекции включены. 2. Отсутствие хотя бы одной проверки финального проекта человеком. Очень бы хотелось получить живой фидбэк, пусть только на EDA или в общем на оформление готовой работы - это было бы отличной мотивацией сделать чистовой вариант тетради. Добавлю еще пару слов про экспертов, которые отвечают на вопросы по заданиям. Мало с ними контактировала, но, на мой взгляд, это лотерея. Поскольку сейчас в любое время дня и ночи можно обратиться за разъяснениями к чату гпт, кажется, это более быстрый способ получить ответ, который может оказаться даже лучше ответа эксперта. Подводя итог, скажу, что в общем "Start ML" мне понравился. Думаю, школа предлагает достаточно уникальные программы, так что мне было бы интересно продолжить учиться.

Курс «StartML» дал мне понятное и структурированное введение в машинное обучение. Для человека с небольшим опытом важно не просто слышать теорию, а понимать, как применять её на практике, и курс с этим справляется. После каждой лекции идут домашние задания, которые помогают закрепить материал. Первые шаги даются непросто, но постепенно всё становится понятнее, и появляется уверенность в том, что ты понимаешь, как это работает. Особенно полезной оказалась возможность обсуждать задачи с другими студентами в групповом чате. Это помогает не застревать над домашкой и видеть альтернативные решения, а также получать советы по сложным моментам. Сам материал курса подаётся логично и последовательно, без лишней воды, но при этом достаточно подробно, чтобы новичку было ясно, как устроены основы машинного обучения и с чего стоит начать дальше. В итоге курс дал хорошую базу и понимание того, куда двигаться дальше в Data Science. После него становится понятно, какие темы изучать глубже, а какие навыки стоит развивать в первую очередь. Это действительно хороший старт для самостоятельного изучения машинного обучения.

Начал учиться в феврале, сейчас нахожусь в поиске стажировки. Могу сказать, что на курсе максимально понятным языком, исчерпывающе объясняются все фундаментально важные темы для программирования и машинного обучения в целом. На курсе затрагивали не только поверхностные аспекты из работы моделей, тебя не держат за пятилетнего ребенка и это приятно . Из минусов могу выделить маленькое количество проектов, которые можно добавить в портфолио. Однако после прохождения курса ты способен сделать их сам с абсолютного нуля. Самый важный блок про машинное обучение раскрыт отлично, не нашел больших отличий между ним и теми же университетскими лекциями, которые читают в университете (единственное различие: математику в университете затрагивают подробнее). Отдельно хочется подметить кураторов и экспертов. Кураторы отзывчивы, на курсе одного не бросят. Эксперты отвечают на все вопросы, если непонятно - объясняют еще раз, и так пока не поймешь. С их помощью темы получалось усвоить еще быстрее. В общем всем советую, немного подрасту и приду на hardML

Начинал я курс с базовыми знаниями по питону и линуксу (пару лет назад проходил курс «Поколение Python» и установил себе Ubuntu на ноутбук), но с нулевыми знаниями о машинном обучении. Курс хорошо структурирован и последователен — именно этого я от него и хотел. Бывали моменты, когда я замечал нехватку каких-то деталей, которые мне уже были знакомы и, как мне казалось, уместно было бы добавить. Но нужно понимать, что курс не резиновый: если вложить в него всё, то он получится огромным и бесконечно долгим. В него действительно включили всё самое необходимое и важное для хорошего старта в профессии. Первый модуль прошёл на ура и даже показался легковатым. Второй же поначалу напугал математикой и формулами (всю школьную математику я уже давно забыл), но в итоге он плавно перешёл в полезную практику и объяснение того, как всё работает под капотом, когда мы используем уже готовые решения. Первые две части - основные, и их я прошёл с энтузиазмом. А вот дальше я ушёл в отпуск, учёба пошла прерывисто, и я просто пытался угнаться за дедлайнами. Поэтому планирую эти модули перепройти ещё раз, уже спокойно и вдумчиво. Курс хорош, но лично для меня видеоформат не совсем подходит. Я это и до покупки понимал, но думал, что, возможно, с этим курсом приучу себя к такому формату. Поддержкой экспертов я ни разу не пользовался — меня прекрасно в этом поддерживали ChatGPT и Grok. А вот к замечательному куратору Юлии я обращался не один раз по поводу продления дедлайнов и не только. Она всегда помогала с большой радостью. Человек-обаяние: стоит лишь увидеть и услышать её на первом ознакомительном зуме, и даже у самых стеснительных пропадает неловкость задать вопрос, пусть даже, как нам кажется, глупый. В целом, курсом я доволен и ставлю ему твёрдую четвёрку с плюсом. Я не знаток по курсам и не так много их прошел, но считаю, что неплохо прокачался и получил то, что хотел: продуманный вход в ML с нуля. Основная база есть, а значит, появилось и понимание, куда двигаться дальше и во что углубляться.

Закончил курс "Инженер машинного обучения" он же в прошлом Start ML. Очень долго присматривался к этому курсу и, когда получилось выделить время на обучение, был приятно удивлен насколько курс хороший. Плюсы: очень много материала, много практики, интересные проекты, да и задания домашние тоже Минусы: могу отметить только один - какие-то темы показались не до конца раскрытыми. Но это уже субъективный взгляд Так же хочу отметить, что есть возможность перенести обучение, в случае если не успеваешь или по другим личным причинам. Поскольку обучение очень плотное, мне из-за рабочих моментов и отпуска пару раз пришлось перевестись в другой поток. Но лучше так, чем пытаться нагнать все с таким плотным расписанием. Курсом супер доволен 10/10

Местами материал был для меня слишком новичковым, а местами наоборот. Например, у меня был опыт sсientific programming, в том числе на python, но если бы его не было, сомневаюсь, что введения из первого модуля "Прикладная разработка на Python" мне бы хватило для комфортного прохождения курса. Практика с базами данных так же показалась недостаточно глубокой, однако для прохождения курса этого было достаточно.

Темы по разработке, наоборот, мне как не разработчику давались с наибольшим трудом. Больше всего понравились модули два и три - можно сказать, ради них я и записывалась на курс - получить развернутые теоретические и практические знания в мл. Особенно полезным для интегрирования знаний показался конец второго модуля, где мы обобщали полученные до этого знания по машинному обучению. Третий модуль был скорее обзорным, но подстегнул продолжить углубленное изучение нейронных сетей в будущем. Из четвертого модуля не выучила много нового, так как статистику знаю и так неплохо, а тестирование гипотез применяла раньше на практике (просто в другой области, а не для закуска продуктов). Пятый модуль я не допроходила полностью, но задания на алгоритмы были интересными. К сожалению, я не активно пользовалась поддержкой, так как в силу своих личных качеств нахожу это слишком замороченным. Возможно, если бы я ей все-таки пользовалось, это сэкономило бы мне время возни в чеккером (см. ниже) Из минусов: -На мой взгляд материалам и заданиям требуется обновление. Возникали проблемы с установлением и совместимостью устаревших библиотек питона. А из-за несоответствия библиотек иногда возникали проблемы со сдачей ответов. Об этом было были предупреждения при описании заданий, но пока до меня это дошло, в чем проблема, часы времени были уже потеряны. -Не понравилось взаимодействие к чеккером, когда иногда - без обратной связи - совсем не понятно, в чем ошибка. -Я бы, возможно, пересмотрела критерии прохождения курса и ту часть заданий, которая является обязательной, чтобы можно было бы, например, пропускать те уроки, материал которых тебе уже знаком. -В текущей конфигурации, я бы не рекомендовала курс занятым, работающим людям, особенно с детьми. Новые уроки появляются три раза в неделю. Это минус три-четыре свободных вечера. -Ну и последнее и наболевшее (с юмором): произношение английских терминов! К концу курса я уже тоже начала говорить аккьЮраси Итог: Можно рекомендовать новичкам, которые хотят изучить основы машинного обучения

Я прошёл этот курс, хотя у меня почти не было знаний в области машинного обучения. Мне очень понравилось, как понятно и доступно были объяснены основы. Однако, чтобы по-настоящему извлечь максимум пользы из курса, желательно иметь базовые знания по математике, так как уровень сложности постепенно возрастает. Раздел по статистике показался мне самым слабым. На мой взгляд, там почти ничего не объясняется по самой статистике. Для меня этот курс однозначно стоит своих денег, и я рекомендую его всем, кто не хочет бесконечно искать разрозненную информацию в интернете. Лучше один раз пройти весь курс от начала до конца, даже если местами будет сложно. Лично я планирую пройти курс ещё раз с самого начала, так как доступ остаётся навсегда. После этого хочу набраться больше практического опыта на платформах вроде Kaggle или на хакатонах

Начал обучение на курсе системный аналитик в начале июня этого года, опыт в аналитике есть, но это все самообучение, и есть необходимость структурировать знания и закрыть пробелы. Обучение в рамках курса от KarpovCurses очень понравилось, а именно, качественное объяснение и подача материала, интересные разносторонние задания, которые позволяют хорошо закрепить пройденный материал практикой, полезные ссылки на дополнительные материалы, советы в работе - просто 10/10. Также хочется отметить поддержку в рамках обучения, которая решает все административные вопросы, вопросы по заданиям и платформе в целом. Впечатление от курса отличное.

Хотелось понять, как работает машинное обучение, и научиться применять его в научных и прикладных задачах — в идеале связать с химическими данными, катализом и молекулярным моделированием. Плюс — сменить вектор карьеры в сторону data science и ML-инжиниринга.Контент курса оказался чрезвычайно насыщенным. Поначалу было трудно — приходилось гуглить каждое второе слово. Но при этом объяснения чёткие, лекции хорошо выстроены, с акцентом на практику, продакшен и реальные кейсы. Важно понимать, что курс требует много сил — особенно если, как я, вы стартуете с нуля. Я тратил 20–25 часов в неделю, особенно на первых модулях. Курс 10 из 10. Для меня он стал фундаментом, с которого я реально могу двигаться дальше в ML.

Я начала обучение в январе 2025 года. До этого работала маркетологом. Курс очень интенсивный, и если раньше не было опыта, то будет непросто, особенно при совмещении с работой. Дедлайны очень жетские, темы объемные, домашки серьезные. Очень много практики, это несомненный плюс. Я тратила в среднем по 6-7 часов в день на учебу. Тем не менее, все материалы изложены понятно: в лекциях все наглядно, в конспектах можно подробно разобраться в упущенных моментах. Поддержка на курсе — на высоком уровне. Можно задать любой вопрос и получить оперативную и подробную помощь от экспертов. Это помогает не застревать и двигаться дальше. Много практики, примеров и четкая структура. В целом курс оставил очень хорошее впечатление, появилось чувство уверенности, понимание, куда двигаться дальше, и мотивация довести начатое до конца. Спасибо команде Karpov. Courses

В целом курс мне понравился. Начинается с небольшого разбора программирования на питон и знакомства с языком SQL. Заданий очень много и они довольно интересные. Однако, до этого курса я бы посоветовал пройти какой-нибудь небольшой курс по питону, иначе будет трудно. Вторая часть - классическое машинное обучение, много информации, куча заданий, датасетов, мне очень понравилась. По окончанию второй части нужно было сдать вторую часть финального проекта, это было довольно сложно) Ушло кучу времени, чтобы во всем разобраться, но было интересно. Третья часть курса посвящена нейронным сетям, очень интересный кусок и... поверхностный( Хотелось бы поглубже погрузиться в эту тему. Четвертая часть курса посвящена статистике и а/б тестам, довольно объемная и хорошо структурированная. В общем, вполне рекомендую этот курс.

Прошла обучение на курсах Карпова в 2025 году. Осталась довольна в целом, однако некоторые моменты вызвали восторг, а другие — желание доработки. Что понравилось: -Видеолекции– качественные записи с четкой подачей материала. -Разбор заданий– детальные объяснения помогали лучше усваивать темы. -Готовые конспекты– удобно повторять ключевые моменты. -ИИ-помощник– полезный инструмент для быстрых ответов на вопросы. -Работа в Jupyter Notebook– практика в удобной среде с реальными примерами. Что можно улучшить: -Конспекты– хотелось бы более развернутых материалов, а не только тезисов. -Обратная связь– автоматическая проверка не заменяет экспертного мнения преподавателя. -Поддержка– не все кураторы отвечали качественно, иногда чувствовалась формальность. -Технические сбои– встречались, но это, увы, неизбежность онлайн-обучения. Итог:Курсы стоящие, но есть куда расти. Рекомендую с учетом небольших оговорок.