Курс "Хардкорный Machine Learning"

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.

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.

Высокое качество материалов и заданий.

Крайне полезные курсы по продвинутому анализу данных. Особенно хочется выделить модули по A/B тестированию и Uplift моделированию. Качество материала, задачи на высоком уровне.

Данный курс глобально повлиял на мою карьеру. Благодаря приобретенным навыкам, в особенности по модулю продвинутое A/B тестирование, через 2 месяца после окончания курса я получил оффер на позицию Senior research analyst в крупнейшем маркетплейсе РФ, хотя до этого в IT компаниях я не работал.

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.

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.

Действительно Hard, действительно ML!

Отличный курс, чтобы проверить свои профессиональные навыки. Интересные модули и идеальный формат для курсов. Активно пользовался возможностью перехода с потока на поток — очень полезная штука! Рекомендую оставить пару переходов на модуль «Сценарии деплоя», если раньше таким не занимались:)

Мой топ модулей в порядке убывания:

1. Матчинг и ранжирование — эталонный модуль, классный финальный проект с сеткой, ранее с подобными задачами не сталкивался и уже нашёл несколько способов применить знания из модуля в реальных задачах.

2. A/B-тесты — отличные лекции!

3. Сценарии деплоя — интересно и очень сложно!

4. Uplift — получился проходным для меня.

5. Динамическое ценообразование — не зашли задачи, возможно, из-за имеющегося опыта в этой области.

Сейчас есть небольшие шероховатости, но я думаю, со временем всё будет идеально!

Спасибо огромное за замечательный курс. Это лучшее, что я видел! Иногда давал резкую обратную связь по горячим следам, каюсь перед преподавателями. Сейчас испытываю только положительные воспоминания и эмоции от всех модулей!

Крутые кейсы и отличная подача A/B-тестов. Прежде всего слова благодарности за хорошо выстроенный процесс и крутые кейсы! На самом деле мне было важно вынести кейс с репортами метрик и алёртами, за это отдельный респект — не обошлось без пары бессонных ночей конечно)) Отлично подана тема A/B тестов. Ну и конечно Superset — теперь точно есть новый фаворит среди BI!

Благодаря курсу реализовал в компании систему мониторинга.

Очень качественная и хорошая подготовка с большим количеством практики и реальных кейсов. Прошел обучение на курсах «Аналитик данных», «Симулятор аналитика», в процессе — «Инженер данных». Результатами доволен, профессиональные навыки растут.

На курсе «Симулятор аналитика» понравилось наличие большого количества новых для меня инструментов и практическая применимость каждой темы. Благодаря уже первому заданию курса я смог на практике придумать метрики и реализовать систему мониторинга в компании, в которой сейчас работаю. Думаю, это лучший показатель того, как хорошо и качественно раскрываются темы. Для меня абсолютно новой темой была работа с GitLab CI/CD, и я очень рад, что удалось с этим разобраться.

В продуктовой команде, в которой я работаю аналитиком, мне удалось выстроить систему мониторингов: 1) на Qlik Sense реализовал дашборды с мониторингом основных показателей; 2) придумал продуктовые метрики для одного из продуктов, после небольших доработок продукта метрики утверждены продуктовым менеджером, также планируется настроить их мониторинг; 3) начал использовать GitLab и научился работать с GitLab CI/CD.

Поэтому курс дал мне очень многое, и я благодарен его авторам!

Понравилась практическая направленность. В выбранных тематиках было достаточно современных подходов, теории и задач.

Понравилось, что были разборы ДЗ — это реально помогало. Также понравился интерактив с преподавателями и другими студентами. Очень полезный курс, так держать!

Какие-то вещи получилось применить сразу, какие-то смотрел «по диагонали». В целом не все задачи курса сейчас использую, но некоторые разделы (деплой, ценообразование) уже удалось применить в работе. Какие-то вещи просто не успел еще как следует разобрать (те же А\В тесты).

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.

В Симуляторе аналитика есть задания, которые заставляют поднапрячься. В некоторых заданиях ты просто следуешь за преподавателем, повторяя его действия. И это самая легкая часть). Дальше от тебя требуется что-то исправить или дополнить. Уже приходится поднапрячься. В других тебе просто сообщают, что есть такая штука (например, система оповещений) и нужно ее реализовать с нуля. Оставляют подсказки и ты начинаешь гуглить, пытаясь распутать этот клубок). И через кучу ошибок приходишь к ответу. А после проверки понимаешь, что это более или менее правильный ответ. Вот он момент истины, чувствуешь себя молодцом!)

Реальные задачи из прода и большие объёмы данных. Обучение в DS я проходил самостоятельно, без платных курсов. Но практики везде мало. Как правило, в курсах есть примеры, практические задачи, но это все не то. По отдельности куски тем вроде и понятны, но из этого не складывается понимание, как подходить к решению конкретной большой задачи из бизнеса.

Симулятор как раз заполняет эту брешь. Реальные задачи из прода, большой объем данных, и что порадовало отдельно — хорошая вводная теоретическая часть. Рекомендую однозначно.

Чистая практика без огромной кучи теории. Мне понравился именно формат обучения, далеко не каждому он подойдет, но это явно мой вариант.

Здесь нет огромной кучи теории и пошагового алгоритма, когда тебя ведут за ручку. Этот курс (Симулятор аналитика) — это именно практика. Было совсем мало теории и приходилось очень много искать в интернете, общаться с одногруппниками и тестировать разные способы.

Я пришел практически без опыта и знаний. В этом направлении у меня были только знания Python и пройденная половина курса «Основы статистики» на Stepik. И это было очень интенсивно. За время симулятора я понял, как многие вещи работают на практике с «живыми» данными.

Пока еще не устроился аналитиком данных, но в точно таком же формате я работал в предыдущей компании тех. спецом. Так же искал инфу, так же думал над превращением ТЗ в готовый проект, так же тестировал разные способы. Поэтому считаю, что это действительно симуляция работы в компании.

Преподаватели — лучшие в объяснении сложного простым языком.

14 марта 2021. Все началось с курса по основам статистики на Stepik…

Анатолий Карпов, как всегда, лучший в объяснении сложного простым языком.

После его стиля преподавания очень сложно перестраиваться на других курсах. Познакомился с трудами Манаенкова Александра и Марии Сомовой. Всё просто и понятно. Они тоже относятся к преподавателям-практикам, кто умеет объяснять доступным языком.

102 часа было инвестировано в прохождение этого курса. «Симулятор аналитика» был максимально настроен на выполнение задач в условиях, приближенных реальным.

Команда отвечала на любые непонятные вопросы днем и ночью, даже в субботу и воскресенье, чему я был приятно удивлен.

Однозначно рекомендую поступать на этот курс, если вам не хватает опыта.

Очень интенсивный курс и отлично выстроенный процесс обучения.

Я считаю, что это топовый образовательный проект. Большие плюсы в том, что тебя не бросают одного, при необходимости доходчиво объясняют сложные научные методы, постоянно дополняют конспекты и улучшают курсы от потока к потоку, и даже после обучения помогают выпускникам.

Как по мне, отлично выстроенный процесс обучения. Очень интенсивный и обширный. Каждый пройденный модуль так и просится добавиться в портфолио. Все вопросы по решению задания отпадают после детального просмотра лекций и конспектов. А если и остаются, решаются моментально командой поддержки.

Интенсивный курс. Да, очень интенсивный. Пришлось взять отпуск, чтобы уложиться в дедлайны. Но это даже пошло на пользу, потому что так лучше всё отложилось в голове. Считаю, что этот курс надо проходить залпом и относиться, действительно, как к стажировке.

У меня не было релевантного опыта, и я долго не мог начать активно искать новую работу. Курс аналитика с дополнением в виде симулятора — это то что нужно для подобных кейсов. Симулятор подавил синдром самозванца и дополнил портфолио. А задачи, которые я выполнял на симуляторе, отлично вписывались в рассказ о себе и кейсах на собеседовании.

После симулятора, спустя несколько недель активного поиска работы, я получил 2 оффера. Остановил свой выбор на стартапе YallaMarket (аналог Лавки и Самоката, но на территории Дубая). Сейчас работаю на должности Junior Product Analyst.

Понравилось, что учат использовать весь комплект инструментов.

Я прошла «Симулятор аналитика», и мне так понравилось буквально все — и организация самого процесса, и весь материал, и то, как его подают, и комьюнити… да даже выбранная цветовая палитра)) — что я расстроилась, что раньше не прошла большой курс. Если предположить, что там такое же, но еще дольше и больше — жаль такое упускать.

Больше всего мне понравилось, наверное, то, что здесь учат использовать одновременно несколько инструментов. До этого я отдельно тренировала SQL, отдельно Python (причем как-то отвлеченно от действительности), а тут, когда понимаешь, зачем все это в реальности и как их можно применять одновременно, когда твой запрос не просто отвечает на вопрос, сколько кораблей не вернулось из боя (и не факт, что правильно), а дает тебе возможность построить график, а потом еще и вывод сделать (а тут снова не факт, что правильно) — просто магия.

И было много дополнительных материалов на «поизучать-подумать», в целом мне этот курс очень помог наметить какие-то векторы развития — кажется, ну что там, всего шесть тем, шесть заданий, но это были очень концентрированные задания.

Думаю, мои работы далеки от идеала (хотя кого я обманываю: возможно, они и до среднего не дотягивают), но главное, что после симулятора я уже значительно умнее себя «до». Теперь хочу чего-то такого еще!