Мой путь в IT начался совсем недавно, когда мне было за 45, с опытом работы графическим дизайнером в федеральном издании, бильдредактора на известном новостном портале и специалистом по подрядным торгам в крупной строительной корпорации. Около года работал на хелп-деске разветвленной компьютерной сети, но код никогда не писал. Помню как в ковидном 2020 году посмотрел на смартфоне ознакомительный онлайн-вебинар на тему прогнозирования временных рядов на примере биржевых котировок, и тогда тема дата-саенса меня сильно увлекла. Я решил попробовать освоить несколько бесплатных курсов на Stepik, включая основы Python и SQL, что оказалось очень полезным. Однако для полноценного погружения в новую профессию мне требовался серьезный, структурированный курс. Я начал исследовать рынок, сравнивая отзывы о курсах, созваниваясь с менеджерами и обсуждая их плюсы и минусы. В какой-то момент кто-то упомянул, что у Яндекс Практикума есть своя учебная платформа, которая далека от совершенства. Решил попробовать её сам — у ЯП любой курс начинается с ознакомительного трека на несколько часов. Один за другим прошел несколько таких стартовых треков по разным специальностям, включая дата-аналитику, дата-сайенс, системную аналитику и дизайн UI/UX. Непринужденная игровая манера подачи материала в целом мне понравилась. А вскоре я узнал о госпрограмме поддержки IT-профессий, благодаря которой можно было пройти курс переподготовки с 50% скидкой. Когда среди предложений оказался курс ЯП по Data Science, мои сомнения окончательно развеялись. Итак о самом курсе: Плюсы: 1. Теория подается в той же увлекательной манере, подкрепляется фрагментами написания кода на Python с подсказками. 2. Процесс обучения четко структурирован — разбит на модули и спринты с дедлайнами, которые желательно соблюдать, иначе можно выпасть из обсуждений с наставником и сокурсниками. 3. Если что-то непонятно или требуется моральная поддержка, всегда можно обратиться к милому и отзывчивому куратору. 4. Каждую неделю проходят живые вебинары с двумя преподавателями, где разбираются теоретические аспекты и дополнительные темы. 5. В конце каждого спринта проекты проверяются опытными и начинающими ревьюерами. Мой 4-й проект по статистическому анализу проверяли 8 раз, а один из самых сложных по NLP — со 2-го раза. Ревьюеры всегда делятся полезными ссылками, которые действительно помогают. 6. Карьерный трек после сдачи проекта помог мне в написании резюме и размещении работ на GitHub. Я не участвовал в Мастерской, но с сокурсниками объединились в небольшую команду и разработали свой пет-проект по прогнозированию пожаров на основе исторических данных о погоде и ЧС. Минусы: 1. Первое время у меня было ощущение, что в голову пытаются впихнуть «невпихуемое», но с течением времени это чувство притупилось, и я даже вошел в азарт, — в итоге сдал 2 выпускных проекта (маленькая хитрость) 2. Практика проектов по нейросетям проходила на учебной платформе, которая периодически зависала, или в Google Colab, где стабильность работы тоже оставляла желать лучшего. Это стало неплохим опытом в преодолении паники перед дедлайном. 3. Некоторые важные темы остались неохваченными, и мне пришлось срочно их осваивать на новой работе — GitHub, RestAPI, AirFlow, MLFlow, основы Linux, настройка окружения и IDE. 4. Первые два месяца на новой работе после окончания курса я испытывал синдром самозванца, но затем это прошло, и, кажется, никто не заметил. Итого: 1. Главное, чему учит этот курс — это умение самостоятельно искать и находить ответы на вопросы, что является основной задачей любого обучения. 2. На втором месте — умение делиться информацией, задавать вопросы и использовать доступные ресурсы. 3. Третье — работа в команде.