Отзывы о школе KARPOV.COURSES

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 регрессии 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)

Для продуктовых аналитиков очень полезно, я считаю. Я наконец разобралась в бутстрапе и в отличии параметрических тестов от непараметрических. Также есть модуль по продвинутым методам, супер полезный.
Важно! В курсе нет дедлайнов — это одновременно и плюс, и минус, так как нет внешней дисциплины и приходится опираться только на внутреннюю.
Очень полезно, я считаю, это было моё лучшее вложение 40 тысяч. Чувствую себя увереннее в решении рабочих задач

Темы сложные (DWH, ML), объёмные (AB tests, ML), но всё очень по делу, без воды.
Мне пришлось взять академ на 1 месяц, потому что нагрузка на работе была высокая, но даже в этом случае служба поддержки пошла мне навстречу.
Курс советую. Мне помогло закрыть многие пробелы в знаниях и освоить продвинутые методы аналитики (Causal Inference, Diff-in-diff, ML и др.)

Очень насыщенная первая часть (Python), дальше чуть легче. Мне помогло разобраться и спустя пару месяцев после окончания устроиться продуктовым аналитиком в очень крупную компанию. Если это важно, мой бэкграунд — сильный технический вуз, но не ИТ.
Недостатки: модуль по Airflow был слишком сжатым, на мой вкус.
Курс советую всем новичкам, начинающим свой путь в аналитике и не имеющим бэкграунда в этой сфере. Мне помогло в трудоустройстве

Для новичка в аналитике, я считаю оптимально. Очень насыщенная первая часть (Python), дальше чуть легче. Мне помогло разобраться и спустя пару месяцев после окончания устроиться продуктовым аналитиком в очень крупную компанию. Если это важно, мой бэкграунд — сильный технический вуз, но не ИТ

Модуль по Airflow был слишком сжатым, на мой вкус

-качество учебных материалов
-поддержка кураторов

-не выявила

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

Практическую направленность курса и конечно очень сильную поддержку со стороны менторов
Учебный процесс организован очень грамотно,в плане материалов и процессов. 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 материалами на английском языке
Спасибо за чатик с менторами и ответам. С людьми, которых там встретил-общаемся до сих пор!

На курсе максимально понятным языком, исчерпывающе объясняются все фундаментально важные темы для машинного обучения в целом. Самый важный блок про машинное обучение раскрыт отлично
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 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.

1. Контент курса (видео курс) был записан более 3 лет назад. Я понимаю, что разработка курса — дорогое удовольствие, но для такой цены курса его все же нужно актуализировать хотя бы раз в год. И даже тестовые инструкция не актуальные…
2. Программа вроде нормальная, но почти все темы поверхностно затронуты. И наиболее полезные и интересные темы про AirFlow, специфику баз данных едва коснулись.
3. С одной стороны практика есть, но основная практика по DevOps в облаках. Зачем это DE?

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

Хороший курс, который дает системный подход к знаниям и практике.
На хорошем уровне дают питон, sql, визуализацию и а/б тесты.
А также, после завершения курса у тебя открываются обновленные блоки с обновленным материалом и заданиями.
После него действительно легко найти работу на начальной должности.

Слабая поддержка со стороны технической поддержки / экспертов.
Большая вероятность, что учащиеся потока не проголосуют и онлайн вебинара (после завершения модуля) с Лектором не будет.
Большинство лекций все-таки устаревшие 2022 года, но есть и обновленные кусочки.

Я работаю руководителем направления анализа данных в банке, проходил курс для повышения своих навыков по части ML.
Понравились все модули, как по наполнению материалом, так и сложности задач.
Кандидата успешно прошедшего этот курс я бы с удовольствием был бы готов принять на работу в качестве аналитика данных.
Из недостатков могу отметить слишком дотошную проверяющую систему, с ней приходилось немного получаться.

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
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.