Достоинства:
отзывчивость, качество материала, разнообразие, поддержка, дружелюбие, атмосфера, полнота
Недостатки:
не хватило гуманитарно-образного объяснения различных алгоритмов
Изначально по профессии и образованию я звукорежиссёр и с 2017 года работаю на концертах. В 2020 году концерты на довольно длительное время отменились из-за локдауна, и мне пришлось почти полгода сидеть без работы, а потом выходить за копейки. В апреле 2020 пришла мысль, что "сейчас отличное время посмотреть по сторонам и попробовать новую деятельность".
Про Практикум я узнал случайно, когда мне позвонил сотрудник службы поддержки сервиса Bookform, которым я пользовался для своего личного проекта. Я спросил его, где можно поучиться. Просто незнакомого человека. И он ответил, что есть такой Яндекс. Практикум. Я ни разу об этом ни от кого не слышал, но залез посмотреть, потому что вроде бы Яндекс на районе человек не последний, а остальные сервисы доверия не внушали и выглядели как какая-то шара (и сейчас тоже, не знаю, почему, возможно, я предвзято сужу, но сейчас сложно довериться кому-то больше, чем Яндексу).
Из всего, что было доступно в Практикуме, мне больше всего понравилось направление Data Science, потому что машинное обучение звучало как-то совершенно магически (хотя с высоты нынешнего опыта не исключаю, что мне мог бы зайти курс по бэкэнду на Python). Я быстро пробежался по бесплатной части и удивился, как прикольно оказалось взаимодействовать с теми инструментами, которые есть в DS, и купил курс, недолго думая. Пока ждал начала потока, подтянул знания по питону, и это оооочень помогло меньше тупить в дальнейшем и писать более оптимальный код в проектных работах.
Сам процесс обучения максимально и со всех сторон погружает тебя в происходящее: и тренажёр с кодом, и вебинары с боевыми специалистами, и чат с коллегами. Но лично для меня самым важным элементом учебного процесса стала текстовая теория, которую я перечитывал по несколько раз даже после того, как устроился на работу, потому что по некоторым вопросам там есть прямо готовые рецепты. К тому же, я привык учиться и добывать информацию самостоятельно, не задавая лишних вопросов (хотя иногда приходилось), и мне весьма привычен текстовый формат, и тут он оказался супер в тему.
Очень понравилось делать проекты: если действительно вовлекаться в то, что ты делаешь, и воспринимать обратную связь ревьюеров, которые проверяют твой код и ход мыслей, можно очень прокачаться. Это прямо два навыка, которые до сих пор помогают в работе.
За всё время мы сделали больше 10 проектов, и этого в принципе было достаточно, чтобы усвоить и закрепить алгоритм экспериментирования с ML-моделями для классификации и регрессии. То есть, в целом процесс выполнения проекта довольно однотипен, но каждый раз требует применения немного разных инструментов. Задачи ML - в основном классификация и регрессия. Есть и другие, но о них рассказывалось скорее обзорно. Кстати, учебный опыт в прогнозировании оттока пользователей и кластеризации пригодился на одной из работ, где я сам строю модели машинного обучения.
Помимо ML мы познакомились с теорией вероятностей, матанализом, линейной алгеброй - это сложно, но важно для тех, кто хочет заниматься Data Science. В целом комфортнее всего себя чувствовали те, у кого есть математическая база, но основы нам давали, и если внимательно читать, то можно было въехать. Хотя я порой бился головой об стену.
* Очень полезен был SQL - сейчас это обязательный навык для любого, кто работает с данными. Блок по SQL заметно дополнили после того, как я выпустился, но у меня тоже есть доступ к этим урокам .
Обучение длилось около 8,5 месяцев. Ближе к концу курса хотелось уже не столько учиться, сколько ворваться в новую профессию. Последние спринты я буквально доживал, но жёсткие дедлайны ни разу не срывал и в академ не ходил) Но должен сказать, что учиться прямо надо. Нужно сидеть и пыхтеть, чтобы вникнуть, особенно в отдельные моменты. Ближе к концу теория по ощущениям становится менее объёмной, но зато появляется программа трудоустройства, которую можно пройти при желании: поучиться писать резюме, искать работу и проходить собеседования. По-моему, даже появился реестр выпускников Практикума для работодателей, но я этого не застал.
Кстати, да, стоит сказать про трудоустройство!
Устроиться по новой профессии пытался ещё до того, как окончил обучение, но было сложновато, потому что компании неохотно звали меня на собеседования. Грешу на то, что у меня не было релевантного опыта и образования. А когда редкое собеседование случались, мне немного не хватало знаний по алгоритмам собственно машинного обучения. Например, я не смог рассказать, как строятся решающие деревья. То есть первоначальное сопротивление было сильным, и разочарований хватало. В итоге в качестве первой работы устроился аналитиком DWH в консалтинг, после чего перешёл в команду DS (где опять попал на задачи, не относящиеся к DS, это вообще тёмная страница моей трудовой истории).
Где-то спустя 10 месяцев нервов я ушёл в стартап, где стал единственным спецом по аналитике и машинному обучению, получил возможность самостоятельно выбрать рабочие инструменты и изучать, что мне нравится.
Сейчас я Data Engineer в Яндексе, и, несмотря на то, что эта работа не сильно пересекается с тем, чему я учился в Практикуме, я доволен тем, что в итоге нашёл своё место)
Некоторым моим сокурсникам, кстати, сразу удалось пойти работать в Data Science)
Если бы мне пришлось ещё раз выбрать, куда пойти учиться, я бы выбрал Практикум, потому что знаю, что мне предоставят качественный материал и поддержат в его освоении. Хотя сейчас мне кажется, что на такой забег я бы уже не решился без острой необходимости и достаточного количества времени. Важно помнить, что вас никто не протащит без вашего участия)
Помимо DS я ещё прошёл курс по критическому мышлению, но это совсем другая история)
