Не бойтесь сложных собеседований в FAANG – это не гонка, где один победитель. Они нанимают тысячами, и это не что-то невероятное, а значит получится и у вас!

Другие полезные мысли от Валерия Бабушкина можно послушать в нашем последнем интервью: https://youtu.be/1tVxbVPVG6k

Для нас важно, чтобы учиться на курсах было не только полезно, но и комфортно для студента. Мы уже рассказывали о том, что происходит после записи на курс на примере программы «Аналитик данных», а теперь поговорим о самом процессе обучения.

● Каждую неделю у вас будет по две-три лекции, разбитые для удобства на короткие видео по 15-30 минут (за исключением курса Hard ML, где лекции не разделены на части).

● Вместе с записями лекций вы получите конспекты, в которых мы собрали самую важную информацию в текстовой форме. Мы советуем читать конспекты — иногда в них попадает то, чего не было в лекции.

● На курсах есть домашние задания, они открываются вечером в понедельник, среду и пятницу.

● У нас есть мягкие и жёсткие дедлайны. Для заданий с автоматической проверкой действует только мягкий дедлайн — после него вы можете отправить работу, но получите за неё меньше баллов. Для рецензируемых заданий жёсткий дедлайн наступает через неделю после мягкого — после него сдать работу нельзя.

● Рецензируемые домашние задания проверяются в течение двух недель после дедлайна.

● Если в процессе обучения у вас возникают трудности, вы можете обратиться к саппортам — они всегда готовы помочь и ответят на любые вопросы в будни с 13:00 до 20:00 (на программе «Аналитик данных» саппорты отвечают с 9:00 до 23:00).

P.S. Вся информация выше относится ко всем нашим курсам, кроме симуляторов и «Визуализации данных». На этих программах мы стараемся создать атмосферу стажировки, поэтому процесс обучения выстроен немного иначе. Как? Расскажем в следующих постах :)

Те, кто работают аналитиками, знают, что львиную долю рабочего времени занимает не написание кода и даже не интерпретация полученных результатов. 

А что же тогда? Настройка ETL-процессов? Попытки разобраться в чужом коде без документации? А может быть, вы целыми днями пытаетесь убедить маркетинг, что «посчитать» что-то, возможно, интересно, но абсолютно бессмысленно?

Неважно, работаете ли вы в стартапе или корпорации — поделитесь с нами в этой форме, чем вы занимаетесь больше всего на рабочем месте.

А мы в свою очередь расскажем в будущих постах о способах оптимизировать эти процессы или даже попробуем составить «типичный» день настоящего аналитика.

10 февраля, уже совсем скоро, стартует первый поток обновлённого курса Start ML. 

По уже сложившейся традиции преподаватели записали видео, где рассказали о своей мотивации к созданию курса для начинающих и его содержании, поделились собственным опытом построения карьеры в ML и объяснили, как им удалось решить проблему, с которой часто сталкиваются авторы похожих учебных программ, а именно — как преподнести математику так, чтобы она не отбила желание учиться.

Смотрите на нашем [YouTube-канале]

Процент трудоустройства — едва ли не важнейший показатель для всех онлайн-школ, которые обещают помочь с поиском работы. Мы в karpov.courses также делаем всё возможное, чтобы этот процент был выше. В чём именно заключается поддержка, мы уже писали в прошлых постах.

Сегодня мы хотим поделиться результатами работы нашей программы и рассказать о том, как считаем процент трудоустроенных выпускников.

Итак, по данным на 3 февраля, за помощью в трудоустройстве к нам обратились 33% всех выпускников. По окончании обучения помощь требуется не всем: кто-то готов искать работу самостоятельно, кто-то уже трудоустроен, а кому-то мало одного нашего курса — и они сразу переходят к следующему.

Большинство заявок на трудоустройство поступает от выпускников курса «Аналитик данных», что в целом не удивительно, так как это самая популярная программа для новичков.

А теперь самое интересное — как много студентов нам в итоге удалось трудоустроить и за какой срок?

По нашим подсчётам, 90% всех обратившихся за помощью выпускников смогли найти работу в течение 3 месяцев после завершения обучения, 72% — в течение 2 месяцев, 45% — в течение 1 месяца.

В качестве основного показателя мы решили взять первое значение — 90%. Конечно, можно было бы взять и менее комплиментарное число, но мы считаем, что положительный результат гораздо важнее времени, за которое его удаётся достичь. И 3 месяца в данном случае кажутся нам вполне реалистичным сроком, чтобы успеть помочь каждому.

Но если мы трудоустраиваем 90%, то какова судьба оставшихся 10%, спросите вы. На самом деле 3 месяца — это всего лишь наш внутренний ориентир, и по их истечении сопровождение ни в коем случае не заканчивается — с каждым студентом мы работаем индивидуально и стремимся доводить начатое до конца.

Несмотря на то, что с момента подачи заявки до получения оффера в среднем проходит от 1 до 1,5 месяца, в некоторые крупные компании (например, в Яндекс) из-за нескольких этапов собеседований процесс трудоустройства может растянуться и на более продолжительный срок.

Кроме того, бывают различные жизненные обстоятельства или конкретные индивидуальные предпочтения, которые делают процесс найма более долгим. Однажды поиск работы занял целых 6 месяцев. Всё это время и мы, и наш студент, продолжали бороться и в итоге добились нашей общей цели.

На курсы люди приходят в первую очередь для того, чтобы сделать апгрейд своей карьеры, поэтому мы делаем всё от нас зависящее: помогаем составить сильное резюме, учим проходить собеседования, постоянно расширяем список компаний-партнёров и делаем курсы такими, чтобы наши выпускники были нарасхват.

Приходите учиться к нам! Окружим такой заботой и вас :)

Язык SQL — пожалуй, главная составляющая «джентльменского набора» аналитика данных. Вряд ли вы найдёте хоть одну вакансию, в которой не будет требоваться его знание. С чем это связано?

Дело в том, что для хранения упорядоченных данных пока не придумали лучшего места, чем базы данных. Для работы с ними существует специальное ПО — множество разных систем управления: MySQL, Postgres, ClickHouse, Vertica…

Список можно продолжать довольно долго, но все эти СУБД объединяет некий общий подход, который позволяет пользователю взаимодействовать с информацией, извлекать и трансформировать её, — он и называется structured query language («язык структурированных запросов») или просто SQL.

Существует множество различных SQL диалектов. Хотя разработчики и добавляют к стандарту языка различные расширения, базовый синтаксис во всех системах остаётся единым, поэтому переключаться между ними не составляет особого труда.

С чего начать своё знакомство с SQL начинающему аналитику?

● Хранение данных в таблице — основном объекте БД: понятия «поле» и «запись», нулевое значение NULL и ограничения constraints.

● SQL-запросы: их базовый синтаксис, структура и общепринятая форма написания, фильтрация WHERE и сортировка ORDER BY.

● Стандартные команды: создание объектов CREATE, ввод/вывод/обновление данных INSERT/SELECT/UPDATE, удаление записей DELETE и объектов DROP.

● Агрегатные функции: подсчёт количества записей COUNT(), поиск минимума/максимума MIN()/MAX(), вычисление суммы SUM() или среднего AVG() и т.п.

● Группировка результатов запроса GROUP BY с условием HAVING.

● Создание связей между таблицами: первичные и внешние ключи, а также соединение через JOIN (INNER, LEFT, RIGHT, FULL)

● Оконные функции WINDOW: агрегирование, ранжирование и аналитика данных «по кусочкам».

Потренироваться писать запросы можно, например, на специализированном сайте sql-ex.ru, в интерактивном учебнике sql-tutorial.ru, на платформах leetcode.com и HackerRank.com

Что же касается использования SQL на полную мощность для решения аналитических задач — этому лучше всего учиться у Беслана Курашова на нашем курсе по аналитике данных. Приходите: стартуем 15 числа каждого месяца!

На каждом курсе в конце обучения мы просим наших студентов заполнить форму обратной связи и поделиться своими впечатлениями. Для нас очень важно, когда вы рассказываете, какие темы для вас оказались сложными, а какие — понятными и интересными. С помощью этих ответов мы не только повышаем качество наших курсов, но и пополняем страницу отзывов на сайте, чтобы будущие студенты понимали, чего ожидать от конкретной программы.

А иногда истории получаются настолько классными и душевными, что мы не можем пройти мимо и просим разрешения на публикацию в социальных сетях. Так и получилось с отзывом Кураха Алиева, студента 14-го потока, который в лучших традициях karpovꓸcourses получил оффер через пару дней после сдачи финального проекта на «Аналитике данных». Как так вышло, Курах расскажет сам:

Шло лето 21 года, я только окончил первый курс вуза, сдал (или списал) сессию и понял, что я преисполнился в познании списывания. На 1 курсе в вузе для сдачи зачёта нас обязали пройти курс по программированию на питоне на платформе Stepik, это меня заинтересовало. Постепенно я начал интересоваться сферой данных, осматриваться на то, какие есть специальности и о чем они. Естественно, после полугода путешествий на степике, я знал, кто такой Анатолий Карпов. В мае я написал ему в личку с вопросом о том, стоит ли мне приобретать курс, если я только на 1 курсе вуза, Толя ответил, что стоит, если я хочу пораньше начать свою профессиональную карьеру. Спойлер: он не обманул. В июле я купил специализации по аналитике и начал погружаться в увлекательный мир данных. Не сказать, что все давалось слишком просто, ведь я не сын маминой подруги, не учился в мгу, не щелкаю олимпиадные задачи и т.д.


Однако серьёзных трудностей не возникало только потому, что мне очень нравилась учеба на курсе, я мог часами сидеть и разбираться, в какой строчке я напортачил. За 2 месяца до конца обучения я потихоньку начал рассылать резюме, но в ответ, как правило, тишина. А когда я всё-таки попадал на технические собеседования, то очень сильно проваливался, меня позорили и обливали грязью (но это не точно). Именно период начала похода по собесам могу назвать периодом своего «расцвета», так как только после серьёзных унижений на интервью, я начинал погружаться в те темы, где в моих знаниях были пропуски. В целом, я был готов к тому, что найду работу через месяцев 6, но через пару дней после сдачи финального проекта я перевёлся на заочное отделение (== избавился от фиктивной учебы) и мне выслали оффер из компании KazanExpress, куда я и целился) Команда Karpov Courses — легенды!

Внимательно читайте описание курса — это действительно ИНТЕНСИВНОЕ обучение. Мне понравилось, что курс хорошо систематизирован, очень много практики и максимально доступно объясняется теория. В процессе курса не раз замечал, что его постоянно дорабатывают, обновляют и в целом заботятся о своём продукте. Также хочу отметить всех кураторов и выразить им благодарность, особенно Александру Манаенкову! Я больше всех его мучил вопросами по статистике, но всегда получал максимально развёрнутые и грамотно составленные ответы.

Так получилось, что в компании, куда я попал, используются те же инструменты, что я изучал на курсе. Ну и важно отметить, что со всем из того, что преподавали на курсе, кроме питона, я сталкивался впервые. Поэтому могу с уверенностью сказать, что этот курс напрямую повлиял на мою карьеру.

Немного с запозданием, но новый выпуск подкаста «IT-шниками не рождаются» уже готов к просмотру! Да-да, мы решили делать подкаст ещё и в видео-формате:)

Сегодня у нас в гостях Дмитрий Охременко, следователь в прошлом и аналитик компании Билайн в настоящем. 

Поговорили с Димой о том, как долго он искал своё призвание и как много разных профессий освоил на этом пути — перед тем как стать аналитиком, наш герой работал и следователем, и помощником адвоката, и юристом в банке, и барменом, и управляющим фастфуд ресторана, и даже разнорабочим на стройке! И поверьте, этот список далеко не полный...

Скорее включайте 23-й выпуск, чтобы узнать, сколько всего порой приходится перепробовать до того, как найдёшь себя.

[Слушать более привычным способом на любой удобной площадке]

По мере погружения в анализ данных у людей возникает вопрос: кем пойти работать, если видов аналитиков — море? Некоторые аналитики могут даже не знать Python и не писать код... Одно из набирающих популярность направлений — это продуктовая аналитика, которая фокусируется на изучении поведения пользователей в продукте компании.

О том, какие задачи решают продуктовые аналитики и почему за ними охотятся HR, на вебинаре «Что такое продуктовая аналитика» расскажет Жанна Азизова, Group Product Manager в VK.

Мы обсудим:
● В чём основные отличия продуктовых аналитиков от других специалистов;
● Как выбирать вакансии, на которые стоит откликаться (спойлер: это целое искусство!);
● Какие навыки необходимо прокачивать, чтобы стать востребованным специалистом.

Вебинар пройдёт 16 февраля в 20:00.

[Регистрация]

Хорошие новости: сегодня начинается одна из наших самых ожидаемых программ – Start ML!

● Что будем делать?

Начнём с прикладной разработки на Python, рассмотрим популярные алгоритмы и модели машинного обучения, разберём основы Deep Learning, а потом перейдём к модулю, посвящённому статистике и А/В-тестам. А в самом конце вас ждёт блок по поиску работы.

● Кому подойдёт курс? 

Мы выстроили программу так, что вы можете освоить её, даже если никогда не занимались машинным обучением. Теорию по математике мы даём в том объёме, который нужен для практики – вам ничего не придётся учить отдельно. 

Курс длится шесть месяцев. Мы постарались включить в него все необходимые навыки для старта карьеры ML-инженера. Вашими наставниками будут ведущие специалисты из крупных компаний, таких как Raiffeisen и Яндекс, а наши саппорты, как всегда, будут готовы помочь, если у вас возникнут сложности.

[Посмотреть программу подробнее]

Если открыть любую вакансию со словами «аналитик данных» в заголовке, можно увидеть целый список обязанностей, который включает и поиск данных, и написание скриптов для их обработки, и проведение A/B-тестов, и разработку отчётов для руководства, и решение срочных ad hoc задач… Создаётся впечатление, что аналитик — это какой-то человек-оркестр, который должен уметь всё. Отчасти так и есть.

Так как задачи действительно могут быть самыми разными, мы решили провести небольшой опрос с целью выяснить, на что аналитики данных тратят больше всего времени на работе. И вот какие выводы у нас получились!

● Больше всего времени у участвовавших в опросе отнимают — кто бы мог подумать — созвоны! Конечно, на решение основных задач тоже уходит довольно много времени, но именно созвоны с командой стали самым популярным ответом! И разумеется, с ростом грейда их становится только больше.

● В числе других популярных занятий на работе — выгрузка данных с помощью SQL запросов, написание скриптов на Python и подготовка дашбордов. Причём на задачи, связанные с SQL и базами данных, уходит больше всего времени. Интересно, почему?

● A/B-тесты, ad hoc исследования и построение моделей встречаются в ответах реже — впрочем, это не удивительно, так как решению этих задач, как правило, предшествует долгий и кропотливый процесс сбора и подготовки данных. Кстати, именно этой рутинной задачей часто приходится заниматься junior аналитикам — будьте к этому готовы!

● Если вы успешно прошли собеседования и уже собираетесь приступать к обязанностям, то вам стоит морально подготовиться к тому, что первое время вы будете привыкать к трекеру задач, осваивать местную инфраструктуру, а также учиться понимать язык коллег и заказчиков. На это, судя по результатам опроса, начинающие аналитики тоже тратят довольно много времени.

На курсе «Аналитик данных» мы даём нашим студентам все hard skills, необходимые на junior позиции — мы хотим быть уверены, что вы точно справитесь с задачами на будущем месте работы.