Я работаю аналитиком данных в крупной компании и недавно прошел специализацию по машинному обучению. Теперь я задумался о переходе в область MLOps. В этом контексте курс MLOps на Otus.ru оказался незаменимым ресурсом для углубления моих знаний. Прежде чем начать этот курс, я уже имел опыт работы с Python и базовыми навыками анализа данных. Однако я всегда был заинтересован в более глубоком изучении машинного обучения и анализа больших объемов данных. Otus предоставил мне именно то, что мне нужно было: комплексное образование в этой сфере. Что особенно привлекло меня в этом курсе - это сбалансированный подход к обучению. Инструкторы (преподаватели) были настоящими экспертами в своей области, а методика обучения была очень эффективной. Я ценю, что курс сочетал в себе как теоретические основы, так и практические навыки, что позволило мне применять полученные знания на реальных проектах. Одним из наиболее значительных преимуществ Otus стала структурированная система обучения и возможность работать над реальными задачами. Это помогло мне не только углубить свои знания, но и развить навыки, необходимые для решения практических проблем в области MLOps. После завершения курса, я буду искать работу в области ML-MLOps и очень надеюсь, что получу предложение от крупной технологической компании на данную позицию. Это станет для меня не просто новой должностью, но и возможностью применять свои новые навыки в реальном проекте. В целом, я очень рекомендую этот курс всем, кто хочет углубить свои знания в данной области. Он предоставляет отличную основу для карьеры в этой области и открывает широкие возможности для дальнейшего профессионального роста и перехода в такие специализированные области, как MLOps. С уважением, Николай!

До обучения в OTUS я работала Data Scientistом в небольшом стартапе. На работе встала необходимость повысить свой уровень до MLops инженера, так как мы начали выпускать наши решения на рынок. Выбрала этот курс, потому что нужен был практический курс, и не было особо время на изучении теории, хотелось получить знания здесь и сейчас, сразу применить их на практике. Понравилось то, что преподаватели все время были на связи. Как говорила ранее, было много практических занятий. Обучение мне дало опыт и знания — это основное, за чем я шла. Работу пока что не меняла, но уверена, что курс добавит мне некоторый профит при трудоустройстве.

Курс оправдал ожидания, много теоретических и практических материалов. Я очень доволен.

Я работаю в компании, занимающейся производством медицинской техники, ml- инженером. Этот курс был выбран, потому что охватывает важные аспекты моей профессиональной деятельности, в которых у меня не хватало компетенций. Понравился подбора материала и структура курса. В целом, могу сказать, что обучение пошло на пользу: участие в нём и результаты применения новых навыков пошли мне в плюс на ежегодном перформанс ревью. Также думаю, что, если захочу сменить работу, то эти навыки тоже пойдут в плюс.

Курс понравился. В целом, целей, которые были у меня перед началом курса, я достиг. Основными целями было: познакомиться с наиболее популярными и используемыми инструментами MLOps; познакомиться с методами и принципами построения и организации инфраструктуры с нуля и собрать все это вместе. Также спасибо за промокоды для YC, было полезно познакомиться с этим облаком К преподавателям и программе претензий нет — все было достаточно информативно и удобно.

Я начинала свою карьеру и обучение с аналитики, потом перешла в data science. Автоматизация всего ML-процесса - моя слабая сторона. На курсе разбирались важные в этом плане темы - docker, MLFlow, dvc, Airflow, работа в облаке Yandex. Многие навыки я тут же применяла в своих проектах. Больше всего пригодились навыки упаковки всего кода в API-сервис и создание docker-образа на его основе. В целом, было интересно и сложно, последние несколько тем я не изучила, оставила на будущее, пока они мне не нужны на практике, но процентов 80% всего материала, по моей субъективной оценке, были полезны и применимы мной на практике. Курсом довольна. Приду в апреле к Вам еще на один курс по CV, буду расширять кругозор.

Я - DS в финтехе, моя работа - полный МЛ-цикл скоринговых моделей. По образованию инженер-программист (база на Си, затем Python, аналитика, data science). Опыт более 6 лет. Курс этот выбрала для расширения своих компетенций в вопросах автоматизации, масштабирования и деплоя моделей в прод, построения инфраструктуры и изучения необходимых для этого инструментов. Именно этот курс прошел отбор в связи с отсутствием сейчас на рынке очевидных аналогов. Что понравилось: в целом курс дает общий скелет стандартного MLOps-решения, который можно обрастить мясом под конкретную задачу, скомбинировав изученные инструменты. После курса самое главное, что понимаешь, куда идти искать, что идти искать, как это сформулировать для решения поставленной перед тобой задачи. Входные требования на курс, обозначенные на сайте - занижены в отношении PySpark. В ответ на обратную связь обещали добавить в программу курса занятия. Еще, развертывание инструментов на примерах необходимо всегда только в облаке. Нужно улучшить подготовку к некоторым занятиям. Благодарности: хочу поблагодарить преподавателя Антона Дудкина, проверявшего мои ДЗ и отвечавшего в срок вопросы - мои и моих однокурсников. Без его поддержки пришлось бы сидеть над заданиями значительно дольше.

Работаю в должности ведущего инженера по сопровождению, по своей сути - DevOps в DE/DS/ML/AI. Я постоянно прохожу какие-то курсы и по DevOps, и по ML, и по DE. Если откровенно, то выбирая курс, купился просто на вывеску MLOps. В целом, хотел оценить отличия MLOps от регулярного DevOps. Я в Otus учился в первый раз, потому в целом про компанию я бы судить по одному курсу не стал. Хотелось бы добавить больше вовлечённости преподавателей в процесс обучения. О том, как мне пригодился этот курс. Это уже привычка инженера: бежать, чтоб оставаться на месте. И самостоятельно осилить получаемый на курсах материал не удается: ДЗ на курсах - большой стимул освоить новую технологию.

Домашку я не делал, не было времени на нее. Я смотрел и потом восстанавливал в памяти. Финальный проект я сделал, но не полностью. Для работы этот курс полезный. Из курса вынес ряд технологий: MLFlow, Kubernetus, dvc, PySpark. Распределенные вычисления я пока не использую, но возможно в дальнейшем понадобятся. Получил общий подход к решению ML в рамках сервисов, развертывания их и обмазывая какими-то технологиями по переобучение (тот же AirFlow).  По мере развития своих проектов мне понадобятся эти знания.  В новом проекте где я сейчас работаю в SOC надо будет настраивать ML Flow поэтому я буду пересматривать видосы курса.

Курс MLOps помог мне в систематизации знаний и в получении необходимых в работе навыков. Для меня наиболее полезными и самыми быстро применимыми стали знания, связанные с мониторингом, MLFlow и dvc.

Требования к позиции Data Scientist существенно выросли.  Многие работодатели требуют наличие опыта работы с Hadoop-кластером, написания кода на PySpark, использования MLflow. Код с логикой ML-пайплайнов требуется упаковывать в Docker и выкатывать, используя CI/CD-инструменты с запуском code style проверок и тестов. Ожидается, что у соискателя есть навык использования Airflow для управления ML-пайплайнами и запуска их по расписанию, навык развертывания Kubernetes - кластеров для запуска ML-пайплайнов. Чтобы подтянуть технический уровень, мне подошел курс MLOps, содержание которого покрывает все необходимые блоки.  Домашние задания идеально выстроены вокруг одного сквозного ML-проекта. На лекции дается база, а если хочется применить более сложные решения – к уроку прилагаются полезные ссылки, чтобы можно было покопаться самому и использовать что-то интересное.  Самостоятельное выполнение всех домашних заданий чрезвычайно важно, это как в плавании - недостаточно погрести руками на суше, чтобы научиться плавать в море. Итоговый проект закрепляет все полученные навыки. В качестве шаблона для итогового проекта Павел Филонов  предлагает слушателям курса production код реализованного MLOps-проекта на основе понятной любому DS базы данных Titanic. Шаблон включает в себя GitOps, Docker, манифесты Kubernetes, и т.д. Курс сложный, бывает, что на уроке внимание не фиксируется, чувствуешь себя абсолютным болваном. Но лекции составлены таким образом, что если переслушать лекцию повторно и проделав все одновременно с преподавателем – все встает на свои места. Очень красивая лекция по Docker, Kubernetes… но для понимания красоты пришлось поработать. А после выполнения домашнего задания – полная эйфория от того как далеко удалось продвинуться. Из преподавателей особенно хочу отметить Павла Филонова – очень талантливый преподаватель (и, конечно, специалист), обладающий навыками психотерапевта:  гасит панику, делает сложные вещи понятными. Алексей Бурлаков – дает очень насыщенный  материал, настолько полезный, что приходится переслушивать лекцию и конспектировать. Данила Слепов - совершенно замечательно все объясняет.

До начала обучения на курсе имел опыт работы несколько лет на позиции Data Scientist в одной из крупнейших IT-компаний на российском рынке. Спустя время понял, что мне не хватает навыков разработки и деплоя полноценных ML-сервисов. Попытался найти бесплатные материалы в сети, но понял, что цельную картину так сформировать не получится. Поиск курсов в интернете привёл к OTUS MLOps. Почему именно OTUS? Потому что аналогов этой программы я не нашёл. Итак, спустя 7 месяцев тяжёлой учёбы я выполнил все домашние задания и защитил проект: мой первый полноценный сервис рекомендаций с использованием практически всех инструментов, изученных на курсе. Из хороших сторон отмечу: 1. Очень высокое качество обучения. Каждые полтора часа вебинара — это 100% с пользой проведённое время. Хардкорные домашние задания, а потом ещё свой финальный проект с нуля. В итоге — более 15 инструментов в копилку скиллов и 2 больших проекта в портфолио. Класс! 2. Соотношение цена/качество. При перечисленных выше плюсах я удивлён, что это не стоит минимум в 2 раза больше. 3. Преподаватели. Спасибо за качественную проработку материалов и систематизированную программу с азов до гуру. 4. У меня сложилось впечатление, что организаторам и преподавателям было не всё равно. Любые вопросы по учёбе решались быстро. Это ценно. Что дал мне курс в итоге? Я DS/ML-специалист со специализацией в сфере разработки и MLOps, но теперь закрываю практически все вакансии на рынке в своей сфере, т.к. могу не просто заниматься аналитикой, а делать готовые продукты от постановки задачи до деплоя сервиса и настройки мониторинга. Эти навыки я уже успешно применил на новых проектах.

+ Хороший структурированный курс -Сложно разобраться с технологией, по сути не относящейся к курсу В целом очень хороший курс, всю базу дают от начала и до конца. Лекции понятные и структурированные. Но в них не хватает обширной лекции об особенностях пользования облачной платформы, на которой проходит практика. Поверхностная-то есть, а вот об особенностях взаимодействия продуктов между собой внутри платформы - не особо. Да и сама платформа Yandex Cloud ещё на стадии развития и с ней часто возникают проблемы.

С декабря 2021 по сентябрь 2022 я обучался в Отус на курсах: MLpro — "Machine Learning. Professional" MLops — "Промышленный ML на больших данных". Опишу свой опыт, не плюсами и минусами, а по темам. - Порог вхождения для курсов. Лучше соответствовать требованиям курсов и иметь небольшой опыт работы с инструментами, изучаемыми на курсе, тогда на обучение будет уходить около 3-5 часов в неделю, кроме 4 часов на 2 лекции. Если прийти с почти нулевыми знаниями, то на выполнение заданий будет уходить более 20 часов в неделю. - Задачи для самостоятельной работы. Очень понравились задачи на обоих курсах. На курсе MLpro каждое задание, как мини-проект со статичными данными по одной из тем курса (EDA + построить модели + провести небольшое сравнение между моделями). На MLops все задания являются частями одного большого проекта. При решении всех этих заданий надо пройти полный цикл разработки ML проекта. - Общение в Отус. У меня общение проходило в Слаке, сейчас Отус развивается еще в Discord и telegram. Можно писать вопросы в общий чат одногруппникам и тегать преподавателей. - Преподаватели. Один курс ведет 3-4 основных преподавателя. После каждой лекции в Отус собирают обратную связь. - Материалы после лекций остаются в личном кабинете слушателя. - Код. В MLpro все лекции, в MLops большая часть лекций были с ноутбуками (ipynb) или с разбором кода, который остается доступным слушателям из личного кабинета. Оставшийся код был одним из важных инструментов моего самообучения (разбирал его и модифицировал под себя). - Слайды и видеоматериалы. Пропускал некоторые лекции и смотрел их в записи, а некоторые были настолько важными, что смотрел по несколько раз. - Постоянное совершенствование Отус. Курсы = лекции и материалы изменяются и модифицируются. Отус как платформа развивается: проводятся семинары по трудоустройству и выстраиванию коммуникаций между выпускниками. Итог. Кажется, все супер. Подвох в том, что учиться очень тяжело, если недостаточно требуемых знаний для старта обучения, но оно того стоит. Мне Отус дал базу знаний и опыт, позволил понять мои силы и показал мне направления дальнейшего развития.

Я преподаю дисциплины Computer Science и Machine Learning в вузе. С целью углубить знания в области практического применения методов машинного обучения, я решил пройти курс «MLOps». Курс очень насыщенный, рассматривается большое число тем, связанных как с методами анализа данных, так и со способами вывода их в прод. При этом уделяется внимание не только инженерным навыкам, но и комплексному подходу к решению задач, затрагивающему особенности их постановки с точки зрения бизнеса, интерпретации и анализа полученного решения, проведения A/B-тестирования. На курсе рассмотрена как работа с большими данными, так и методы анализа данных небольшого объема. Большое внимание уделяется современным инструментам дата-аналитиков и дата-инженеров, преподаватели делятся своим опытом их применения на практике. При всех преимуществах курса, я не могу обойти стороной недостатки: 1. Некоторые домашние задания не совсем ясно сформулированы, требовалось обращаться за разъяснениями. Складывается впечатление, что задания и лекции готовили специалисты, которые не общались друг с другом. Следовало бы сделать преемственность заданий, когда новая задача опирается на результаты предыдущей. 2. Курсы OTUS позиционируются как имеющие тесную связь с индустрией. Логично ожидать, что студентам в качестве выпускных проектов предложат задачи от партнеров в такой же постановке, с которой сталкиваются их сотрудники, чтобы получить представление о востребованных задачах, специфических требованиях к ним и «подводных камнях». Такая задача на курсе была только одна. 3. На защите выпускных проектов, согласно обещаниям организаторов, можно получить рекомендации экспертов. Но на нашей защите присутствовал только руководитель курса. Было бы логично пригласить нескольких специалистов, чтобы оценить работы комплексно, с позиций навыков тех, кто решает подобные задачи ежедневно. Несмотря на недостатки, я положительно оцениваю курс. Он помог мне структурировать имеющиеся знания, приобрести новые и познакомиться с серьезными специалистами. Все вопросы можно обсудить с преподавателями в Slack, даже после курса. Выражаю благодарность преподавателям и организаторам за полезный курс и всестороннюю поддержку!