Занимался в карпов курсе аналитикой данных, заняло чуть меньше полгода и за это время я ощутил себя крайне наполненным и подготовленным. При том что начинал я абсолютным новичком, теперь я чувствую себя достаточно уверенно. Буду продолжать образовываться.
много практических заданий, но также присутствует необходимая теоретическая база
Я изначально работал в сфере менеджмента, в этой области был неплохой опыт. Знал некоторые вещи о ML и DE, но далеко не все. Сложно было конкурировать с людьми, которые в этом плане понимали намного больше меня. Сейчас появилась куча позиций DS Manager. Они привлекают большой за действенностью софт скиллов. Надо еще уметь управлять командами, решать важные задачи, владеть достаточно большим инструментарием, быть с ним на ты. Я вообще неплохо двигаю проекты, по моему скромному мнению, и это в итоге стало решающим фактором. Я сначала боялся уходить из инженерии, мне там был интерес и ресерч и сам процесс. Но в итоге остановился на Data Science, не пожалел, проходил хорошо собеседования в компании в США. Уже скоро на работу выхожу. Интервью состояло обычно из базового и продвинутого ML, не считая этапа работы с кодом. Важно умение не только предложить решение, но и объяснить его максимально доступно. Если задают вопросы, надо отвечать простым языком даже, а не специализированным. Вы и так уже должны этим владеть, поэтому данная стадия особых сложностей не представляет. Разве что подкинут каверзных вопросов как всегда, но это дело решаемое, ну и на софт скиллы проверят. Проявить себя нужно и важно именно на более глубоком уровне. HardML мне тут сильно помог. Бывает такое, что работодатели сами не знают некоторых штук. Послушать о них им особенно интересно. Вы выделитесь, если что-то такое принесете и предложите им. Владение тем материалом, где они разбираются, тоже важно разумеется, но надо что-то сверху докинуть. И проекты с кодом станут хорошим подспорьем тоже. Еще у нас фигурировали Fast Nearest, MultiArmedBandits, Clusterization и другие такие инструменты. Я дополнительно хвастанул Толокой, Dask Feature Lib и лейбелинг пайплайнами. Еще хочу отметить, что собеседования не всегда проходят по четко выстроенному сценарию, ими можно и даже нужно управлять, сходить с протоптанной дорожки. Это наоборот оценят, потому что обычно они слушают миллиард тех же ответов на стандартные вопросы из списка. Вы вызовете любопытство, если заинтересуете актуальными технологиями, выйдете за рамки. Я вот какой стратегией пользовался: снимал дискомфорт при помощи "разговоров о погоде", шел на контакт, чтобы вызвать симпатию, шутил про разные штуки, прощупывал почву и пытался настроиться на общую волну с людьми. Дальше разбирался, с чем вообще работает команда и предлагает свои идеи из общей копилки. Кладезь полезных знаний тут пригодится) Заготовки для продвинутой части важно преподать еще на этапе рассказа о себе. Базовый этап лучше побыстрее проскочить и выйти на тот, где вы действительно можно блеснуть. Дальше вы именно им плотно и занимаетесь, но сильно в дебри не уходите, контролируйте разговор. Покажите свои наработки и код, пусть получат представление об ожиданиях-реальности. Все эти знания мне подарил курс по IT и они более чем пригодились, как видите)
понятный материал, с хорошим балансом теории и практики
Курс сделан по-взрослому, с заделом на то, что его выпускники пойдут в реальные компании с реальными требованиями. Т.е. это не ситуация, что "мне понравилось потому, что было легко", а было тяжело, но было понимание, что потом ты уверен в результате. Материал подается хорошо, теория всегда сопровождается практикой. Математика, которая лежит в основе, представлена очень наглядно. То, что я так и не понял в институте, мне понятно здесь объяснили.
кураторы работают даже по воскресеньям
тут не столько недостаток, сколько несоответствие ожиданием, к середине курса плотность материала становится заметно больше, чем в начале, совмещать с работой тяжело
