Путь в аналитику: два взгляда на инвестиции в себя 🐂 Когда люди хотят вкатиться в аналитику, перед ними вырисовывается дилемма: выбрать бесплатные источники (ютуб, stepik, открытые лекции) или готовые курсы, где всё разложено по полочкам — Python, SQL, статистика и иногда даже помощь в поиске первой работы. У каждого пути есть свои преимущества и подводные камни. Поэтому мы с Машей, автором канала RockAnalyst, решили подискутировать на эту тему. Я расскажу, как вошёл в аналитику без вложений, и почему иногда отсутствие денег на старте — это суперсила. А Маша расскажет про свой опыт обучения на платных курсах — со всеми плюсами, минусами и неочевидными последствиями таких инвестиций. Мой путь 🗺 Первый этап: знакомство со сферой 🔍 На 1-м курсе университета был курс по основам Python, но для новичков он шёл тяжело. Летом я сам перепрошёл всё с нуля по курсам «Поколение Python» на Stepik и Ютубу. Это заложило базу и понимание, что аналитика — моё. Второй этап: погружение 🤿 Изучив Python до хорошего уровня, взялся за курс «Основы машинного обучения» Е. Соколова (ФКН ВШЭ). Он полностью бесплатный на вики-странице ФКН. Идеальный уровень для аналитика, не ML-инженера (для таких есть более глубокий курс МО-1). Статистику проходил в универе, а позже для углубления обращался к курсам «Основы статистики». По SQL есть достаточно много открытых материалов, но я выбрал бесплатный курс Карпова и не пожалел. Для нарешивания использую тренажер sql academy. Третий этап: подготовка к работе 🚀 Пет-проекты — must have. Сделал с командой проект по данным с Kaggle (поддержанные авто): EDA, проверка гипотез, линейные модели. Благодаря этому проекту я не только прокачался в EDA и базовом ML, но и обрел проект, о котором можно рассказать на собеседовании. Рекомендации 🔝 Все вышеупомянутые курсы могу смело рекомендовать, они хороши для старта. Если хочется посмотреть что-то на ютубе, есть вот такая подборка, да и в целом там можно найти туториалы по любой теме, особенно на английском. Также уверенно могу сказать, что без практики знания очень быстро стираются, поэтому рекомендую после прохождения курсов регулярно практиковаться. Для Python и SQL есть много хороших тренажеров (SQL academy, Python tutor). В ml можно практиковаться, участвуя в соревнованиях на kaggle. Полезно изучать решения топ-авторов, например cdeotte. Главные преимущества бесплатного обучения ➕ Нет риска: не понравилось - перестал смотреть и нашел другой курс Сообщество: на kaggle есть дискуссии, на Stepik можно найти решения и сравнить со своими вариантами. Что прокачаете вдобавок к хард-скиллам: • Самостоятельный поиск — ключевой навык аналитика. На платных курсах его часто «выключают», давая всё готовое. • Дисциплина — вы сами управляете графиком и мотивацией, а это ценнейший софт-скилл. Мой путь доказывает, что главное в наше время — не деньги, а любознательность, упорство и умение искать. Бесплатные курсы — это полноценная образовательная среда, а не вынужденная замена. А какой у вас опыт? Делитесь в комментариях! 💬 А теперь — вторая сторона медали. Обязательно прочитайте пост Маши о ее опыте обучения на платных курсах. ❗️Важное дополнение Весь этот пост — про вход в профессию. Для старта бесплатных ресурсов действительно достаточно, и мой опыт это подтверждает. Но когда уже работаешь аналитиком, потребности меняются: хочется глубже разобраться в конкретных темах, получить структурированные знания от практиков и разобрать сложные кейсы. В таких ситуациях выбор в пользу открытых курсов уже не так очевиден и платные курсы могут стать подходящим вариантом. Ставьте: 🔥 если было полезно ❤️ если интересны посты про курсы 🤩 если интересны подобные обсуждения с авторами других каналов #старт_в_аналитике #софт_скиллы #образование #карьера