Руслан Сенаторов: Множественная регрессия. Sklearn. Data Science
Курс доступно повествует сложную теорию и формулы аналитической геометрии и матанализа, практические материалы выверено подобраны для отработки и закрепления столпов Data Science
Что говорят студенты
о курсах SenatorovAI.
Здесь собраны реальные отзывы из Stepik: по Python, математике, solver-подходу, Data Science и инженерной практике.
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
Благодарен Руслану за проделанную работу. Данный курс закрывает абсолютно все возможные вопросы по работе с git и Github, а также, в целом, со всем, что связано с Open-Source. Особенно было интересно впервые самому быть в роли контрибьютера. Самым главным плюсом является наличие большого количества практических задач. Постоянно нужно куда-то заходить, что-то искать, где-то что-то изучать. То есть это то, чем занимается разработчик на реальной работе.
Математика для Data science. Часть 1
Очень хороший курс для начинающих! Всё объясняется понятно, без лишней воды, а примеры для практики подобраны так, что материал сразу укладывается в голове. Темы идут плавно, от простого к сложному. Рекомендую
Руслан Сенаторов: Solver Sag & SAGA. Sklearn.Data Science.Python
Прошел курс по солверам SAG и SAGA. Разобрался не только в их устройстве, но и в практической логике применения: когда какой выбирать и почему они принципиально отличаются от обычного SGD. Отдельное спасибо за наглядные графики - визуализация траекторий к минимуму и демонстрация влияния шума на шаг градиента дополнили рассмотренные ранее формулы. Материал структурирован, прост для восприятия и с глубоким пониманием нюансов.
Математика для Data Science. Часть 2. Математический анализ
Норм , мне нравится!!
Руслан Сенаторов:Простая линейная регрессия.Sklearn.Data Science
Я научился солверу SLR. Узнал как находятся веса. Самое крутое что формулы для нахождения весов были доказаны!! Я прям кайфанул от этого.
Руслан Сенаторов: Solver LSQR. Sklearn. Data Science. Python
Курс отлично структурирован: от задачи наименьших квадратов до численной реализации. Хочу отметить что объяснение LSQR через бидиагонализацию Голуба-Кохана позволило увидеть, как мы проецируем исходную матрицу на подпространство Крылова без формирования A^T A, избегая катастрофической потери точности. Связь с QR-разложением в малой задаче проекции наглядно демонстрирует, почему метод устойчив. Отдельный плюс за геометрическую визуализацию, стало понятно, почему метод дает монотонное убывание нормы невязки, но при этом важно вовремя остановиться (эффект полу-сходимости), чтобы не начать приближаться к шуму вместо истинного решения. Большая благодарность Руслану за проделанную работу в составлении этого курса.
Руслан Сенаторов: Solver Sparse_cg. Sklearn.Data Science. Python
Прошёл курс по методу сопряжённых градиентов — в полном восторге. Материал, подача и визуализация на высоте. Автор здорово всё разобрал на примерах, а 3D-модель особенно порадовала: наглядно видно, как движется градиент, что такое невязка и почему сходимость достигается ровно за n шагов. Не ожидал, что такую сложную тему можно объяснить настолько прозрачно. Огромное спасибо за курс!
Математика для Data science. Часть 1
Норм курс, мне понравился, кратко, но все по делу! Жду продолжения...
Руслан Сенаторов: Python разработчик с Нуля. Github Git. Линтеры
хороший курс 👍🏻
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.
Математика для Data science. Часть 1
Курс понравился!
Руслан Сенаторов: Kaggle с Нуля:Уровень Contributor.Data Science
Апнуть титана в доте 👎👎👎 Апнуть гм на кагле 😎😎😎
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: Solver Cholesky & LU. Sklearn. Data Science
Изучила LU-разложение и разложение Холецкого. Есть задания на Python. Спасибо.
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.
Онлайн школа Data Science Руслана Сенаторова
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.
Онлайн школа Data Science Руслана Сенаторова
Спасибо за ознакомление.
Онлайн школа Data Science Руслана Сенаторова
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!
Руслан Сенаторов: Solver SVD. Sklearn. Data Science. Python
Спасибо. Было интересно.
Руслан Сенаторов: Вайб-кодинг. Сценарии применения. Data Science
В целом понравилось всё коротко по делу
Руслан Сенаторов:Простая линейная регрессия.Sklearn.Data Science
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.