Что делают специалисты по Data Science

Такие специалисты анализируют данные и на их основе строят модели, которые помогают принимать решения в науке, бизнесе и обычной жизни.

Data Science — это применение научных методов в работе с данными.

В целом естественные науки основаны на Data Science. Например, биолог проводит эксперименты, чтобы проверить гипотезы: он должен обобщать частные наблюдения, исключать случайности и делать верные выводы.

Какой может быть ваша карьера

Должность

Специалист по Data Science

Навыки и инструменты

Мы регулярно обновляем программу вместе с практикующими экспертами и надёжными работодателями — так вы учитесь только тому, что актуально

Python
Jupyter Notebook
GitHub
SQL
Keras
Catboost
Scikit-learn
Pandas

Как мы учим, чтобы вы освоили Data Science за 16 месяцев

В курсе есть модуль по YandexGPT

Работодатели ценят специалистов, которые умеют работать с нейросетями

Увидите возможности нейросетей, научитесь использовать их в работе, поймёте, когда это безопасно и этично, а когда нет

С чем YandexGPT может помочь специалисту по Data Science:
  • с генерацией и проверкой гипотез
  • ответами на вопросы о методах и инструментах анализа
  • ведением документации

Посмотрите истории выпускников Практикума

10 000+ выпускников Практикума уже нашли новую работу

Это данные исследования ВШЭ — они основаны на опыте выпускников Яндекс Практикума на российском рынке труда

Программа курса

Мы развиваемся вместе с индустрией и постоянно обновляем программу. Курс рассчитан на 16 месяцев, учёбе нужно уделять минимум 10 часов в неделю.
7 тем・1 проект・~8 часов
Бесплатно
Основы Python и анализа данных
Узнаете основные концепции анализа данных и поймёте, чем занимаются аналитики данных и специалисты по Data Science
  • Python
  • Pandas
  • Seaborn
  • Переменные
  • Типы данных
  • Гипотезы
  • Ошибки
  • Тепловые карты
Moscow Catnamycs
Вывод данных на экран. CSV-файлы. Работа с таблицами. Тепловые карты. Умножение столбца на целое число.
Ошибки в коде
Синтаксические ошибки. Ошибки наименования. Ошибки при делении на ноль. Ошибки при импорте модуля.
Переменные и типы данных
Переменные. Типы данных. Арифметические операции с числами и строками.
Как выдвигать гипотезы
Гипотезы. HADI-циклы. Аналитическое мышление. Чтение графиков.
Работа в области данных
Задачи аналитика. Уточнение задач. Декомпозиция. Стадии проекта.
Машинное обучение
Модель. Обучающая и тестовая выборки. Объект и признак. Метрика Евклида. Алгоритм k-ближайших соседей (kNN). Библиотека Scikit-learn.
Примените методы группировки и суммы, сегментируете пользователей и решите задачи классификации
2
12 тем・1 проект・3 недели
Базовый Python
  • Python
  • Pandas
  • Переменные
  • Типы данных
  • Строки
  • Списки
  • Циклы
  • Условный оператор
  • Функции
  • Словари
  • Датафрейм
Переменные и типы данных
Язык Python. Переменные. Вывод объектов и данных на экран. Обработка ошибок, оператор try-except. Типы данных. Преобразования типов данных.
Строки
Индексы в строках. Срезы строк. Операции над строками. Методы строк. Форматирование строк, метод format(), f-строки.
Списки
Индексы в списках. Срезы списков. Добавление и удаление элементов. Сложение и умножение, сортировка списков. Поиск элементов в списке. Разделение строки в список строк, соединение списка строк.
Цикл for
Перебор элементов. Перебор индексов элементов. Обработка элементов списков с помощью циклов: нахождение суммы и произведения элементов.
Вложенные списки
Циклы по вложенным спискам с подсчётом значений. Добавление элементов во вложенные списки. Сортировка вложенных списков.
Условный оператор
Цикл while. Логический тип данных. Булевы значения. Логические и составные логические выражения. Условный оператор if, elif, else. Ветвления. Фильтрация списков с использованием условного оператора. Цикл while.
Функции
Назначение функций. Параметры и аргументы. Параметры со значениями по умолчанию. Позиционные и именованные аргументы. Возвращение результата из функции.
Словари
Ключи и значения. Поиск значения по ключу. Добавление элементов в словарь. Список словарей. Красивый вывод словарей.
Библиотека Pandas
Чтение CSV-файлов. Датафрейм. Конструктор датафрейма. Вывод первых и последних строк датафрейма. Индексация в датафреймах. Индексация в столбцах Series.
Предобработка данных
Принцип GIGO. Переименование столбцов датафрейма. Обработка пропущенных значений. Обработка явных и неявных дубликатов.
Анализ данных
Группировка данных. Сортировка данных. Основы описательной статистики. Оформление результатов.
Jupyter Notebook — тетрадь в ячейку
Интерфейс и шорткаты Jupyter Notebook.
Сравните данные пользователей Яндекс Музыки по городам и дням недели
3
6 тем・1 проект・3 недели
Предобработка данных
  • Python
  • Pandas
  • Предобработка данных
  • Обработка пропусков
  • Обработка дубликатов
  • Категоризация данных
Работа с пропусками
Конверсия. Куки. Категориальные и количественные переменные, обработка пропусков в них. Обработка пропусков в количественных переменных по категориям.
Изменение типов данных
Чтение Excel-файлов. Преобразование Series к числовому типу. Модуль числа, метод abs(). Работа с датой и временем. Обработка ошибок, оператор try-except. Объединение датафреймов, метод merge(). Сводные таблицы.
Поиск дубликатов
Классический метод поиска дубликатов. Поиск дубликатов с учётом регистра.
Категоризация данных
Декомпозиция таблиц. Категоризация по числовым диапазонам. Категоризация на основе нескольких значений в строке.
Критическое и системное мышление
Системное мышление. Причины ошибок в данных. Критическое мышление.
Проанализируете данные о клиентах банка, определите долю кредитоспособных
4
6 тем・1 проект・3 недели
Исследовательский анализ данных
  • Python
  • Pandas
  • Matplotlib
  • Анализ данных
  • Срезы данных
  • Описательная статистика
  • Гистограммы
  • Диаграмма размаха
  • Диаграмма рассеяния
  • Визуализация данных
Первые графики и выводы
Применение сводных таблиц. Гистограмма. Распределения. Диаграмма размаха.
Изучение срезов данных
Метод query(). Работа с датой и временем. Построение графиков методом plot(). Бритва Оккама.
Работа с несколькими источниками данных
Срез данных на основе внешних объектов. Добавление новых столбцов в датафрейм. Добавление данных из других датафреймов. Переименование столбцов. Объединение таблиц.
Взаимосвязь данных
Диаграмма рассеяния. Корреляция переменных. Матрица диаграмм рассеяния.
Валидация результатов
Укрупнение групп. Разбиение данных по группам.
Исследуете архив объявлений о продаже объектов недвижимости в Петербурге и Ленобласти
5
1 проект・2 недели
Первый большой проект
Проведёте сложный исследовательский анализ датасета с информацией о фильмах: показами в кинотеатрах, сборами, государственной поддержкой. Будете сами принимать решения об обработке данных и выборе способов визуализации данных. В конце проведёте исследование о фильмах с господдержкой и найдёте интересные закономерности.
6
6 тем・1 проект・3 недели
Статистический анализ данных
  • Python
  • Pandas
  • SciPy
  • NumPy
  • Matplotlib
  • Комбинаторика
  • Теория вероятностей
  • Распределения
  • Проверка гипотез
Комбинаторика
Комбинации. Правило умножения. Перестановки. Количество перестановок. Размещения. Число размещений. Сочетания. Число сочетаний.
Теория вероятностей
Эксперимент. Вероятностное пространство. События. Вероятность. Пересекающиеся и взаимоисключающие события. Диаграмма Эйлера-Венна. Закон больших чисел.
Описательная статистика
Категориальные и количественные переменные. Мода и медиана. Среднее значение. Дисперсия. Стандартное отклонение. Квартили и процентили. Диаграмма размаха. Столбчатая диаграмма. Плотность частоты. Гистограмма.
Случайные величины
Случайная и дискретная случайная величина. Распределение вероятностей для дискретной случайной величины. Кумулятивная функция, математическое ожидание и дисперсия дискретной случайной величины.
Распределения
Эксперимент Бернулли. Биномиальный эксперимент. Распределения: непрерывное равномерное, нормальное и стандартное нормальное. CDF, PPF для нормального распределения. Распределение Пуассона. Аппроксимация одного распределения другим.
Проверка гипотез
Генеральная совокупность. Выборка. Выборочное распределение. Центральная предельная теорема. Односторонние и двусторонние гипотезы. P-Value. Проверка гипотезы о равенстве средних двух генеральных совокупностей.
Проверите гипотезы сервиса аренды самокатов, чтобы помочь вырастить бизнес
7
5 тем・1 проект・4 недели
Линейные модели в машинном обучении
  • Scikit-learn
  • NumPy
  • Линейная алгебра
  • Линейная регрессия
  • Задача классификации
  • Логистическая регрессия
  • Подготовка данных
Основы машинного обучения
Понятие моделирования. Схема моделирования. Понятие машинного обучения. Типы данных. Виды машинного обучения. Входные признаки. Целевые признаки. Scikit-learn. Тренировочная выборка. Валидационная выборка. Тестовая выборка. Метрики качества.
Линейная алгебра для машинного обучения
Вектор. Векторные операции. Сходство векторов. Матрица. Матричные операции. Скалярное произведение. Матричное умножение. Определитель матрицы. Обратные матрицы.
Подготовка данных для машинного обучения
Подготовка данных. Мультиколлинеарность. Кодирование. Масштабирование. Анализ остатков модели.
Задача регрессии и линейная регрессия
Задача регрессии. Линейная регрессия. MSE. MAE. R². Математическая основа линейной регрессии.
Классификация и логистическая регрессия
Задача классификации. Бинарная и мультиклассовая классификации. Порог классификации. Логистическая регрессия. Матрица ошибок. Accuracy. Точность, полнота, математическая основа логистической регрессии.
Разработаете модель машинного обучения, которая поможет владельцам молочной фермы принимать эффективные решения
8
7 тем・1 проект・4 недели
Обучение с учителем: качество модели
  • SVM
  • kNN
  • Переобучение, недообучение
  • Гиперпараметры
  • Отбор признаков
  • Пайплайн
Модели классификации
Метод опорных векторов. Линейное, полиномиальное ядро SVM. Ядро RBF. Метод k-ближайших соседей. Подходы к многоклассовой классификации.
Проблема переобучения
Проблемы переобучения и недообучения. Смещение, разброс, регуляризация.
Проблема дисбаланса классов
Дисбаланс классов. Кросс-валидация.
Подбор гиперпараметров
Параметры. Гиперпараметры. GridSearchCV. RandomizedSearchCV. OptunaSearchCV.
Работа с признаками
OneHotEncoding. OrdinalEncoder. Утечка целевого признака. Попарная корреляция входных признаков. Feature Engineering.
Отбор признаков
Фильтрация для отбора признаков. SelectKBest. Интерпретация модели. Значимость признаков.
Пайплайн обучения
Создание пайплайна. Sklearn Pipeline.
Проанализируете покупки клиентов в ретейл-сети. Разработаете модель, которая поможет маркетологам запускать эффективные акции
9
1 проект・2 недели
Второй большой проект
Разработаете 2 модели машинного обучения и оцените их качество. Упакуете работу в пайплайн. Смоделируете коэффициент удовлетворённости сотрудников, чтобы помочь HR-отделу компании спрогнозировать текучку кадров.
10
3 темы・1 проект・3 недели
Машинное обучение в бизнесе
  • Связь продуктовых метрик и МО
  • Доверительный интервал для A/B-теста
  • Применение бутстрепа
  • Разметка данных
  • Декомпозиция задачи
Метрики бизнеса
Оборот, себестоимость и маржинальность. Операционные расходы и операционная прибыль. Чистая прибыль. Возврат на инвестиции. Конверсии. Воронки. Онлайн- и офлайн-метрики.
Бутстреп в машинном обучении
А/B-тест. Расчёт доверительного интервала. Бутстреп и его применение.
Сбор данных
Источники данных. Разметка данных. Декомпозиция задачи. Голосование по большинству.
Обучите модель и предскажете, в каком месторождении добыча нефти принесёт наибольшую прибыль
11
5 тем・1 проект・3 недели
Базовый SQL
  • SQL
  • Базы данных
  • СУБД
  • PostgreSQL
  • SQL-запросы
  • Фильтрация данных
  • Группировка данных
  • Сортировка данных
  • Объединение таблиц
  • Подзапросы
  • Общие табличные выражения
Базы данных
База данных, СУБД, синтаксис языка SQL.
Срезы данных
ER-диаграмма. Логические и специальные операторы в SQL. Операторы работы с датой и временем. Обработка специальных значений. Условные конструкции в SQL-запросах.
Группировка и сортировка
Агрегирующие функции и их применение. Группировка данных. Сортировка данных. Группировка и сортировка по нескольким полям. Операторы HAVING, GROUP BY.
Связи и объединения таблиц
ER-диаграммы. Псевдонимы. Виды объединения таблиц. Оператор JOIN. Оператор INNER JOIN. Операторы LEFT OUTER JOIN и RIGHT OUTER JOIN. Оператор FULL OUTER JOIN. Виды присоединения: UNION и UNION ALL.
Подзапросы
Общие табличные выражения. Различие между подзапросом и присоединением. Работа со строками в PostgreSQL.
Напишете ряд запросов разной сложности к базе данных, в которой хранится информация о венчурных инвесторах, стартапах и инвестициях в них
12
4 темы・1 проект・2 недели
Командная строка и Git
  • Командная строка
  • Удалённый сервер
  • Git
  • GitHub
Введение в командную строку
Командная строка. Интерпретатор командной строки. Удалённый сервер.
Файловая система и работа с ней
Работа с файлами и каталогами в Linux. Конвейер команд в Linux.
Работа с Git
Системы контроля версий. Git. Интеграция Git в проект. Фиксирование изменений. Работа с ветками.
Работа с GitHub
GitHub. Работа с удалённым репозиторием. Issue и Pull Request.
Разместите проекты в своём аккаунте на сервисе GitHub с помощью командной строки и системы контроля версий Git
13
1 проект・2 недели
Мастерская
В этом спринте сможете выбрать: поработать над проектом от реального заказчика или поучаствовать в соревнованиях на Kaggle. И тот, и другой кейс сможете положить в портфолио.
14
4 темы・1 проект・2 недели
Системы обработки больших данных
  • PySpark
  • MapReduce
  • Hadoop
  • HDFS
  • RDD
  • DataFrame API
Распределённые вычисления
История распределённых вычислений. Экосистема Hadoop. Архитектура HDFS. Репликация данных и блоки в HDFS. Алгоритм MapReduce. Предпосылки для появления Spark.
Знакомство со Spark
Особенности и модули Spark. Режимы запуска Spark. Архитектура Spark-приложения на кластере. Spark-сессия. Инициализация Spark-сессии.
RDD API
RDD. Партиционирование. Преимущества RDD. Концепция ленивых вычислений. Типы операций — трансформации и действия.
DataFrame API
Методы трансформаций и действий в DataFrame API. Оконные функции в DataFrame API. Виды записи и форматы файлов в распределённой файловой системе. Планы запросов и оптимизатор Catalyst.
Спрогнозируете стоимость квартир для сервиса по продаже недвижимости
15
3 темы・1 проект・2 недели
Численные методы
  • Вычислительная сложность
  • Обучение нейросетей
  • Градиентный спуск
  • Градиентный бустинг
  • Функция потерь
Анализ алгоритмов
Вычислительная сложность. Время обучения линейной регрессии. Итеративные методы. Сравнение методов.
Градиентный спуск
Методы оптимизации. Функция потерь. Градиент функции. Градиентный спуск. Градиентный спуск для линейной регрессии. Стохастический градиентный спуск.
Градиентный бустинг
Ансамблевые методы. Градиентный бустинг. Регуляризация градиентного бустинга.
Разработаете модель для определения стоимости автомобиля с пробегом
16
1 проект・2 недели
Мастерская
В этом спринте сможете выбрать: поработать над проектом от реального заказчика или поучаствовать в соревнованиях на Kaggle. И тот, и другой кейс сможете положить в портфолио.
17
5 тем・1 проект・3 недели
Продвинутый SQL
  • SQL
  • Базы данных
  • СУБД
  • PostgreSQL
  • SQL-запросы
  • Метрики
  • Когортный анализ
  • Оконные функции
Расчёт бизнес-показателей
Схема данных. Конверсия. LTV. ARPU. ARPPU. ROI. Расчёт с помощью SQL.
Агрегирующие оконные функции
Выражение OVER. Параметр окна PARTITION BY. Агрегирующие оконные функции.
Оконные функции ранжирования
Функции ранжирования. Оператор окна ORDER BY. ROW_NUMBER(). RANK(). DENSE_RANK(). NTILE(). Операторы окна вместе с функциями ранжирования.
Оконные функции смещения
Кумулятивные значения. Функции смещения. LEAD(). LAG(). Оконные функции и алиасы.
Когортный анализ
Когортный анализ. Retention Rate, Churn Rate. LTV.
С помощью Python и SQL подключитесь к базе данных, посчитаете и визуализируете ключевые метрики сервис-системы вопросов и ответов о программировании
18
6 тем・1 проект・3 недели
Модели и алгоритмы в машинном обучении
  • PyTorch
  • Вычислительный граф
  • Многослойная нейросеть
  • Обучение нейросети
  • Нейросети как модели машинного обучения
  • Регуляризация нейросети
Нейронные сети
История нейросетей. Задачи для нейросетей. Искусственный нейрон.
Настройка нейросети
Слои нейросети. Архитектура нейросети. Функция активации. PyTorch.
Многослойная нейросеть
Сети прямого распространения. Вычислительный граф.
Обучение нейросети
Функция потерь. Обратное распространение ошибки. Производные функций. Оптимизаторы. Инициализация параметров сети.
Особенности нейросети
Нормализация входных данных. Обобщающая способность нейросети. Недообучение нейросети. Переобучение нейросети. Взрыв и затухание градиента.
Регуляризация нейросети
Аугментация данных, Batch Normalization, Dropout.
Научитесь строить и обучать полносвязные нейросети с помощью фреймворка PyTorch, управлять их обучением с использованием гиперпараметров
19
1 проект・2 недели
Третий большой проект
Потренируетесь составлять запросы для получения данных. Самостоятельно составите датасет и обучите на нём модель. Оцените потенциальную опасность поездок для сервиса каршеринга и его клиентов.
20
2 темы・1 проект・2 недели
Временные ряды
  • Анализ временных рядов
  • Прогнозирование временных рядов
  • Задача регрессии
Анализ временных рядов
Временные ряды. Ресемплирование. Скользящее среднее. Тренды и сезонность. Стационарные ряды. Разности временного ряда.
Прогнозирование временных рядов
Задача прогнозирования. Качество прогноза. Создание признаков. Обучение модели.
Построите модель и спрогнозируете пиковые нагрузки в такси
21
2 темы・1 проект・3 недели
Машинное обучение для текстов
  • Векторизация слов
  • Лемматизация
  • Эмбеддинги
  • Задача классификации
  • Задача регрессии
  • Word2vec
  • BERT
  • TF-ID
Векторизация слов
Лемматизация. Регулярные выражения. Векторизация слова. TF-ID.
Языковые представления
Эмбединги. Word2vec. BERT.
Ускорите модерацию комментариев в сообществе, автоматизировав оценку их токсичности
22
4 темы・1 проект・3 недели
Компьютерное зрение
  • Полносвязные сети
  • Свёрточные нейросети
  • Keras
  • LeNet
  • ResNet
  • Adam
Введение в компьютерное зрение
Где и как используется компьютерное зрение. Что такое изображение. Аугментации.
Библиотека Keras
Логистическая регрессия в Keras. Полносвязные нейронные сети в Keras. Обучение многослойной сети [GPU].
Нейросети для компьютерного зрения
Ядро свёртки. Свёртка. Свёрточный слой. Свёрточные нейросети. Архитектура ResNet. Задача классификации изображений. Задачи детекции и сегментации. Основные датасеты изображений.
Компьютерное зрение в Keras
Свёрточные слои Keras. Алгоритм Adam. Загрузчики данных. Аугментации в Keras. Свёрточные сети для классификации фруктов.
Построите модель для определения приблизительного возраста человека по фотографии
23
1 проект・2 недели
Четвёртый большой проект
Погрузитесь в вопросы этичной работы с данными. Попрактикуетесь комбинировать текстовые данные и изображения для создания модели машинного обучения. Обработаете оценки соответствия текстовых данных и изображений от экспертов. Создадите систему поиска фотографий по описанию для фотохостинга.
24
1 проект・2 недели
Итоговый проект
Подтвердите, что освоили новую профессию. Уточните задачу заказчика, пройдёте все стадии анализа данных и машинного обучения. Теперь без уроков и домашних заданий — всё как на реальной работе.

Будете работать над одним из проектов на выбор:

· Прогноз оттока клиентов в телекоммуникационной компании.
· Предсказание параметров технологического процесса на металлургическом комбинате.
25
Самостоятельно・В любое время
Дополнительный курс: практика Python
Потренируетесь составлять запросы для получения данных. Самостоятельно составите датасет и обучите на нём модель. Оцените потенциальную опасность поездок для сервиса каршеринга и его клиентов.
26
Самостоятельно・В любое время
Дополнительный курс: теория вероятностей
Вспомните или узнаете базовые термины в теории вероятностей: независимые, противоположные, несовместные события и т. д. На простых примерах и забавных задачах потренируетесь работать с числами и выстраивать логику решения. Поработаете с практическими заданиями, которые используются на собеседованиях.
27
Самостоятельно・В любое время
Дополнительный курс: практика SQL
Решите несколько десятков дополнительных задач на отработку навыка работы с SQL. Пройдёте практические задания по составлению SQL-запросов, поработаете с новыми базами данных.
Дополнительно・В любое время
Нейросети для специалистов по Data Science
Научитесь с помощью YandexGPT:
  • Генерировать гипотезы для анализа данных.
  • Проверять гипотезы и предлагать улучшения.
  • Оптимизировать процесс анализа данных.
  • Искать информацию о методах и инструментах анализа данных.
  • Вести документацию.
  • YandexGPT
Карьерный центр・1 месяц
Карьерный трек: подготовка к трудоустройству
Составите резюме, которое привлечёт внимание рекрутеров, и напишете сопроводительное письмо для откликов на вакансии. Узнаете, как правильно оформлять портфолио, и построите стратегию поиска работы.

Обратите внимание: если курс оплачивает ваш работодатель, у вас не будет подготовки к трудоустройству.
Карьерный центр・До 6 месяцев
Акселерация: активный поиск работы с поддержкой HR-экспертов
Будете откликаться на вакансии, делать тестовые и ходить на собеседования, а мы вас поддержим. Например, расскажем о типичных ошибках в общении с работодателями и как их избежать. Акселерация может продолжаться до 6 месяцев — обычно этого достаточно, чтобы получить первую работу в IT.

Попробуйте любой формат курса бесплатно — выбрать один-единственный можно позже

  •                                        

Что входит в любой формат

  • Ещё можно платить частями Практикуму столько месяцев, сколько идёт курс. Общая стоимость будет меньше, чем в рассрочку от банка
  • Вернём деньги в любой момент за остаток курса,
    если что-то не понравится. Подробности — в 7 пункте оферты

Отвечаем на вопросы

Как и когда я буду учиться?
Обучение идёт по спринтам длиной от двух до четырёх недель и состоит из трёх основных частей: теория с закреплением знаний с помощью квизов, самостоятельная практика в тренажёре и выполнение проекта с дальнейшей проверкой от ревьюера. Проходить теорию и тренажёр вы можете в любое удобное время, но выполнять проект нужно в срок. С вопросами по теории и практике вам поможет преподаватель, а наставник проведёт онлайн-встречу с подробным разбором темы спринта.
Можно ли обучиться профессии за 16 месяцев?
Да, программа рассчитана на это. Но многое зависит и от вас — чтобы пройти курс до конца, нужно уделять учёбе достаточно времени: читать теорию, практиковаться в тренажёре и делать учебные проекты.
Каким требованиям нужно соответствовать?
Вам не понадобятся специальные навыки или опыт — мы обучим всему с нуля. Главное иметь компьютер и достаточно времени для занятий. Выше можно посмотреть программу, чтобы оценить количество учебного материала и свои возможности.
Подробнее о профессии Data Scientist вы можете узнать из нашей статьи.
Кто будет меня учить?
Все наставники — практикующие специалисты: сотрудники Яндекса и других крупных компаний. Программу составляют опытные преподаватели и методисты, а ещё действующие специалисты Яндекса, Школы анализа данных и других лидеров технологической и образовательной индустрий.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если случилось непредвиденное или понадобилось больше времени на закрепление материала, напишите своему куратору. Он поможет перенести дедлайн сдачи проекта или перевестись в более поздний поток. На общую стоимость курса это не повлияет.
Смогу ли я найти работу после обучения?
Гарантий нет, но мы верим, что сможете. Работодателям важно, чтобы вы справлялись с реальными задачами, а не просто обладали набором знаний. Мы учим применять знания на практике, а также предлагаем помощь HR-специалистов из нашего карьерного центра. Но вам точно придётся приложить усилия, чтобы найти работу: активно откликаться на вакансии, проходить собеседования, показывать свои проекты и делать тестовые задания.

По данным исследования* Высшей школы экономики, 69% наших выпускников среди тех, кто хотел сменить профессию, начинают новую карьеру после обучения. Больше половины из них — во время учёбы и в первые 2 месяца после выпуска.

* Данные исследования ВШЭ основаны на опыте выпускников Яндекс Практикума на российском рынке труда.
А если я хочу работать в Яндексе?
Некоторые наши студенты работают в сервисах Яндекса, в том числе и в Практикуме. Но с нашей стороны было бы нечестно что-либо гарантировать и завышать ваши ожидания.

Без опыта попасть в крупную IT-компанию возможно, хотя и сложно. Программа составлена так, чтобы вы могли начать карьеру после выпуска и набраться первого опыта. С ним вам будет значительно проще претендовать на позицию в крупных компаниях.
Хорошо, а вы можете помочь с поиском работы?
Да. Вы сможете пройти подготовку к трудоустройству, которая состоит из 2 частей:

• Карьерный трек: студенты при поддержке наших HR-экспертов составляют резюме или оформляют портфолио, пишут сопроводительные письма.
• Акселерация: студенты начинают активный поиск работы, а мы им помогаем — отвечаем на вопросы, проводим тренировочные собеседования, предлагаем вакансии от партнёров.

Обратите внимание: если курс оплачивает ваш работодатель, у вас не будет подготовки к трудоустройству.
Как можно оплатить?
Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Обучение будет стоить меньше, если оплатить весь курс сразу.

Через компанию: юридические лица также могут оплатить обучение в Практикуме. Чтобы заказать счёт для оплаты, оставьте заявку на странице для корпоративных клиентов.
Получу ли я какой-то документ после курса?
Да, вы получите сертификат о переподготовке.
На каком языке проходит обучение?
Всё будет на русском: теория, практические задания и вебинары, а ещё чаты с куратором, наставником и другими студентами.

Давайте поможем

Мы работаем с 12:00 до 21:00 по Астане и связываемся в течение одного дня. Если оставите заявку сейчас, то перезвоним уже в рабочее время.