Здесь собраны реальные отзывы из Stepik: по Python, математике, solver-подходу, Data Science и инженерной практике.
117
отзывов из Stepik
Отзывы студентов с открытых страниц курсов
Каждый отзыв опубликован на Stepik — его можно найти и проверить на странице соответствующего курса.
Руслан Сенаторов:Python-разработчик с Нуля до Open Source.Github
1. Чему я научилась? Что было новым?
Я шла на курс за Python и анализом данных (scientific approach), а научилась, пожалуй, более важному — тому, как реально работает разработчик.
Git я знала на уровне "committed and pushed". Здесь пришлось разбираться по-настоящему: ветки от конкретного коммита, один файл — один коммит, Conventional Commits, rebase, stash. Сначала раздражало, потом поняла зачем — чтобы историю можно было читать, а не расшифровывать.
Плюс линтеры и pre-commit хуки, виртуальные окружения, Issues, Pull Requests, code review, GitHub Actions. Всё то, что обычно упоминают вскользь.
2. Что понравилось?
Понравился абсолютно каждый кусочек информации, который давали на курсе. Не было ни одного блока, про который я подумала бы "это можно и пропустить".
Больше всего ценю то, что обучение идёт не в вакууме: настоящий репозиторий, настоящие issues и пул реквесты, и твой PR реально смотрят живые люди. Совсем другое ощущение, чем решать задачки в песочнице.
3. Слабые места?
Не увидела. Курс требует усилий и не даёт спрятаться за красивыми видео — но именно поэтому он и работает.
4. Почему выбрала этот курс?
Хотелось не слушать лекции в одиночестве, а почувствовать командную работу — общаться, знакомиться с будущими коллегами, видеть, как другие решают те же задачи.
Хотелось не слушать лекции в одиночестве, а почувствовать командную работу — общаться, знакомиться с будущими коллегами, видеть, как другие решают те же задачи.
Отдельно скажу про билингвальную атмосферу — для меня это оказалось очень личным. Я живу в англоязычной среде и, честно говоря, соскучилась по русскому языку и по возможности учиться на русском. Здесь я снова могу это делать: читать задания, обсуждать их, думать по-русски. И одновременно писать коммиты и переписку на английском. Такое сочетание для меня — большая ценность.
Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science
Мне очень понравился этот курс. Из теории я узнал, как работает градиентный спуск, чем отличаются Batch Gradient Descent, Mini-batch Gradient Descent и Stochastic Gradient Descent, где и когда лучше их использовать, а также в чём принципиальная разница между итерационными и аналитическими методами. Помимо теории, было много практики, а в конце курса меня ждала объёмная домашняя работа, которая закрепила мои знания. Большое спасибо преподавателю за колоссальную проделанную работу и чёткую структуру обучения.
Руслан Сенаторов:Python-разработчик с Нуля до Open Source.Github
Отличный курс для систематизации знаний, я заполнил пробелы в работе с Git, GitHub, линтерами и виртуальными окружениями. Главные плюсы: упор на практику и реальные репозитории. Получил отличный опыт контрибьютинга в Open Source.
Руслан Сенаторов: Анализ данных. Python Pandas EDA. Data Science
**Что вы узнали на этом курсе? Что было для вас новым?**
На курсе я систематизировала свои знания по Python для анализа данных и лучше поняла возможности Pandas для обработки и исследования данных. Особенно полезными для меня были разделы, связанные с EDA, а также практические примеры применения статистических методов и комбинаторики в задачах анализа данных. Некоторые подходы к исследованию данных и визуализации были для меня новыми.
**Что вам понравилось?**
Больше всего понравился стиль преподавания Руслана. Материал объясняется последовательно и в формате живого диалога со студентом. Часто возникало ощущение, что преподаватель отвечает на вопросы еще до того, как они появляются. Также понравилось, что курс не ограничивается программированием и показывает связь анализа данных с математикой и статистикой. Математика плюс Python - у Руслана это получается действительно вкусно.
**Были ли слабые стороны? Как можно улучшить курс?**
Существенных слабых сторон я не заметила. Возможно, было бы интересно добавить еще несколько больших практических проектов на реальных наборах данных, где можно пройти весь путь от получения данных до итоговых выводов и визуализации результатов.
**Какие требования у вас были к курсу и почему вы выбрали именно его?**
Мне был нужен курс, который не просто показывает синтаксис Python и библиотек, а объясняет логику анализа данных и причины выбора тех или иных методов. Также для меня было важно, чтобы преподаватель уделял внимание математической составляющей анализа данных. Я выбрала этот курс именно потому, что он сочетает программирование, математику и практическую работу с данными в понятной и доступной форме.
Руслан Сенаторов:Python-разработчик с Нуля до Open Source.Github
Курс понравился. До этого практически ничего не знал про настоящую коммерческую разработку, линтеры, оформление кода, репозиториев. Также теперь не пугает совместная работа над проектом в рамках одного репозитория, на практике изучены коммиты, пулл реквесты и остальные действия в гитхабе.
Норм для знакомства.
Правда я ничего не понял:))
Почему в экзаменах лекции? Звук на разных видео то громкий, то тихий.
Основной сайт почему-то не загрузился.
спасибо за крутой курс, теперь я прекрасно понимаю как устроено обучение в школе Data Science SenatorovAI, с нетерпением жду свою первую домашнюю работу, я теперь учусь с вами коллеги!
Отличный курс. Рассчитан на новичков. Подробно объясняется смысл и вывод уравнения линейной регрессии. Также включает работу с kaggle-ноутбуками, датасетами и практические задания на написание кода на Python.
Руслан Сенаторов: Solver Cholesky & LU. Sklearn. Data Science
Пройден очередной курс! В нём я изучил зачем нужно разложение Холецкого, где он применяется, его сильный и слабые стороны. Благодаря курсам Руслана у меня выстроилась четкая картинка основных методов машинного обучения, когда лучше использовать аналитическое решение, а когда итерационные методы. В каких случаях матричное разложение выигрывает у нормального уравнения, виды датасетов(высокий, широкий, квадратный) и список можно продолжать довольно долго. Основная мысль отзыва в том что с прохождением курсов у меня в голове строится четкая картина как работает машинное обучение и что под капотом каждого метода. Это очень ценные знания, которые можно получить в этих курсах. Огромное спасибо Руслану за проделанную работу и за это комфортное, глубокое погружение в машинное обучение. Обязательно иду дальше — в планах курс по градиентному спуску.
Руслан Сенаторов: Solver QR. Sklearn. Data Science. Python
Прошел ещё один курс, появилось четкое понимание что такое QR-разложение и зачем его используют. В курсе я вывел формулу, понял почему разбиваем QR на 2 матрицы, где её используют и в чем отличие у QR по сравнению с нормальным уравнением, SVD и градиентными спусками. Отдельная благодарность Руслану за объяснение размеров датасетов и какие методы нужно использовать для оптимального решения и наилучшего предсказания модели. Из-за того что Руслан выстроил отличный роадмап и на предыдущих этапах дал сильную базу в понимании матриц и векторов, курс по QR был пройден очень динамично и понятно. Ещё раз огромное спасибо за курс и проделанную работу!
Руслан Сенаторов: Solver Cholesky & LU. Sklearn. Data Science
Отличный курс для углубления в машинное обучение. Материал хорошо структурирован и подан: многие вопросы разбираются по несколько раз под разными углами и в разном контексте, так что к концу курса сложно сказать, что вы что-то недопоняли. Особенно ценно, что всё рассматривается в прикладном контексте Data Science, а не как абстрактная алгебра. Это помогает понять, как именно алгоритмы работают внутри библиотек.
Тесты и задания составлены грамотно: они проверяют реальное понимание алгоритмов, а не просто запоминание формул - и помогают ещё лучше усвоить материал. Рекомендую курс всем, кто хочет разобраться, как методы оптимизации работают «под капотом», и повысить качество своих моделей.
Руслан Сенаторов: Solver SVD. Sklearn. Data Science. Python
Прошел ещё один курс от IT организации Senatorov. На данный момент это был SVD. В ней я разобрался что такое SVD, где его используют(рекомендательные системы, сжатие изображений, шумоподавление в данных и многое другое). Что такое сингулярное разложение матрицы, зачем мы разбиваем основную матрицу на 3 других, что такое сингулярные числа и как они влияют на понижение размерности и много чего ещё. Как всегда Руслан приготовил подарок в виде дополнительного понимания темы, а именно Реверс инжиниринг scikit-learn метода .fit где указал как SVD используется в решении МНК. Огромная благодарность за проделанную работу и структурное обучение не только теории, но и кучей практики.