НАЙТИ РАБОТУ В DATA SCIENCE ПОСЛЕ КУРСА START ML
У меня высшее экономическое образование, специальность «Менеджмент и управление на предприятиях легкой промышленности», IT там вообще не было :) Я уже и не помню, когда впервые заинтересовалась аналитикой, но начинала я товарным аналитиком, и основным инструментом был Excel. Постепенно стала интересоваться, что сейчас актуально: так я узнала о курсах Я.Практикума и пошла учиться на аналитика данных, где уже изучала Python. После обучения я устроилась аналитиком данных в банк Хоум Кредит, там занималась различной отчетностью, автоматизацией, BI-аналитикой, познакомилась на практике с SQL. Там я проработала около двух лет. Я в принципе люблю учиться, поэтому стала рассматривать, в какую сторону двигаться дальше.
Машинное обучение для меня — это следующий уровень, более углубленная аналитика. Передо мной стоял выбор между курсами в karpov.courses: курс «Инженер данных» или Start ML.
Пока я думала, сделали анонс первого потока Start ML, и я решила, что это знак: надо идти и в процессе узнавать, что интереснее.
У меня не было цели сменить сферу деятельности, просто хотелось поменять направление в работе с данными, чтобы развиваться дальше. Машинное обучение открывает новые инструменты для анализа и прогнозирования. А ещё я всегда любила в школе и универе математику. В работе она не так сильно нужна, но помогает понимать, как работают алгоритмы под капотом.
Курс очень интересный и интенсивный. Ожидание совпали процентов на 80%. Было сложно, особенно в модуле по глубинному обучению, но надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и можно к ним вернуться.
Больше всего понравились первые два модуля: по Python и машинному обучению. Понравилось, что было много практики, все кейсы приближены к реальным. Иногда возникали сложности, но я думаю, так и должно быть.
В модуле по Python понравилось, что рассказывали про ООП, а также то, как составлена программа. Поработали с Git и Airflow, чего в других курсах я не видела.
Вообще понравилась целостность: как составлен материал, интересные лекции. Пересматривала некоторые по несколько раз. Понравилось, что это не просто оторванная от реальности теория, а все кейсы практические. В модуле по классическому машинному обучению понравилось, как Никита доступно объяснял сложные вещи, лекции были очень интересными.
Преподаватели очень доступно объясняли сложные моменты и помогали решать задачи, тех. поддержка тоже :) Блок по статистике показался мне немного быстрым, хотелось бы ему уделить больше времени. Но и статистика ещё с университета даётся мне с трудом, поэтому, может, дело не в самом модуле, а во мне :)
В качестве бонуса нам дали ещё блок по статистике из курса «Аналитик данных» — кажется, из-за задержки по срокам и переезда на Kaggle. Задержки были небольшие, но всё равно приятно. Возможно, этот модуль поможет заполнить пробелы, но я пока к нему не приступала.
К сожалению, выпускному проекту не удалось уделить много внимания, так как в этот момент я уже приступила к поиску работы и немного сменились приоритеты. Было бы круто, если бы давали на выбор разные темы для финального проекта и проверяли его преподаватели, а не LMS. Но в проверке с LMS свои плюсы — не нужно долго ждать.
Ложка дёгтя: хотелось бы меньше проблем со сдачей заданий на проверку :)
Во всех задачах была автоматическая проверка, но мы были в первом потоке и чекеры зачастую были ещё не доработаны. Были случаи, когда вариант ответа верный, но чекер не пропускает. Приходилось много писать в Slack, в первые месяцы обучения очень часто, потом всё реже: видимо, команда поработала над этой проблемой.
Я нашла работу до открытия модуля по поиску работы, поэтому оценить его не могу. В июле я обновила резюме на hh, добавила туда опыт, приобретённый на курсах. Искала не очень активно, в сумме прошла около 5-6 собеседований и только 2 из них именно в ML, чаще приглашали на аналитика (видимо, ориентируясь на мой предыдущий опыт). В основном по ML спрашивали теорию по алгоритмам машинного обучения и SQL.
Практически все знания с курса пригодились на собеседованиях: ML, работа с Git, исследовательский анализ данных, работа с Python.
В августе я нашла работу Junior Data Scientist в Qiwi и сейчас работаю на новом месте.
Всем преподавателям огромная благодарность за то, что учите нас на своём опыте и помогаете достичь целей :)