дата сайнс яндекс обучение
Четыре пути из Школы анализа данных Яндекса
Яндекс готовит специалистов в области data science с 2007 года. Студенты ценят Школу анализа данных за актуальность учебных программ и курсов, но они не всегда понимают, что их ждет по ее окончании. Работа с данными в Яндексе или в другой крупной компании? Но какая?
Изначально в Школе было два отделения: компьютерные науки и анализ данных. В 2014 году, когда в моду вошли big data, появилась третья специализация — большие данные. В этом году для того, чтобы студентам сразу стали понятнее их перспективы, мы провели реформу отделений: теперь обучение будет проходить в рамках четырёх профессиональных треков. Наша первоочередная задача — рассказать студенту о возможных путях развития и помочь понять, какие курсы помогут в достижении цели.
Профессиональные треки выделены не случайно — это четыре пути, на которые чаще всего вступают выпускники после окончания ШАДа (а некоторые уже во время учёбы). Для каждого из этих четырех путей мы нашли по одному выпускнику, который его выбрал, и поговорили с ними, чтобы понять, какие курсы оказались самыми полезными для будущей работы и как они выбрали своё профессиональное призвание.
Data scientist (Никита Попов, выпускник 2016 года):
«Data scientist — так сейчас называют аналитиков всех мастей. Мы в Яндексе привыкли считать, что data scientist — это человек, который отлично владеет машинным обучением и статистикой и, главное, на практике может извлечь полезную информацию из огромного объема данных.
Сейчас я работаю в команде метрик Поиска. Мы работаем над тем, чтобы оценивать качество нашего поиска, выбирать, в какую сторону двигаться и какой из множества проводимых экспериментов действительно увеличит “счастье пользователя”. В команду я попал через стажировку сразу после окончания ШАДа. Школа анализа данных дала мне отличную базу: курсы по машинному обучению и вероятностным моделям — это как раз то, что я использую каждый рабочий день.
Придя в ШАД, я ещё не понимал, чем хочу заниматься, да и поступил за компанию со своими одногруппниками, но уже с первых семинаров стало понятно, что ШАД — это безумно интересно. Именно там я понял, чем хочу заниматься. Думаю, что каждый data scientist должен хорошо разбираться в различных методах машинного обучения, знать их плюсы, минусы и область применения, уметь находить в данных зависимости и делать правильные выводы на их основе. Несмотря на то, что работаю я аналитиком, очень часто приходится заниматься и разработкой. Недавно я допилил сервис, для которого разрабатывал и фронтенд, и бекенд, и сами алгоритмы — data scientist должен уметь всё».
Разработчик машинного обучения (Женя Захаров, выпускник 2018 года):
«Еще в универе мне больше всего нравились задачи, где существенную роль играет математика, но результат можно «потрогать руками». Моя текущая работа довольно хорошо соответствует этим двум условиям: мы имплементируем различные алгоритмы, попутно дорабатывая, чтобы они работали быстрее, выше, сильнее с нашими данными. Один из ключевых показателей для нас — это производительность. Данных много, и алгоритм должен уметь быстро предсказывать и обучаться за разумное время.
Программирования у меня было достаточно много в университете, но ШАДовские курсы отличаются алгоритмически более сложными задачами, большим акцентом на производительность и чистоту кода.
ШАД дал мне хороший набор базовых навыков, которые я использую каждый день: машинное обучение в различных его ипостасях, прикладная статистика, алгоритмы и представление о том, как должен выглядеть промышленный код. Очень релевантным оказался проект курса больших данных, где мы с ребятами в команде писали градиентный бустинг, пытаясь догнать по скорости LigthGBM, который мы не догнали, но таки смогли добиться сравнимого времени».
Специалист по инфраструктуре больших данных (Влад Бидзиля, выпускник 2017 года):
«Со старших классов мне хотелось профессионально заниматься программированием. В ШАД я поступил, когда был на третьем курсе университета. Он открыл передо мной дивный новый мир машинного обучения и интеллектуального анализа данных, высокоэффективных систем с кучей алгоритмов на стыке прикладной математики и программирования.
В течение нескольких лет я работал в Яндексе в команде качества ранжирования видеопоиска. Курсы ШАДа по продвинутому С++ и Python помогли мне в короткие сроки втянуться в рабочий процесс — перейти от написания академических программ в университете до серьезного продакшн-кода в компании.
С недавнего времени я работаю в службе технологий распределенных вычислений. Мы занимаемся разработкой MapReduce-системы YT: habr.com/company/yandex/blog/311104. Здесь знания и навыки, приобретенные в ШАДе, тоже оказались чрезвычайно полезными: курс по классическим алгоритмам и структурам данных привил алгоритмическую культуру, выработал умение быстро писать эффективный и чистый код с минимальным количеством багов и понятной структурой, разбираться в сложных алгоритмических решениях; курс по алгоритмам работы с большими объемами данных продемонстрировал сложности, возникающие при обработке массива данных, не помещающегося в память компьютера, и методы борьбы с этими сложностями, позволил получить понимание основных паттернов построения алгоритмов во внешней памяти и потоковых (streaming) алгоритмов, выработал базовые практические навыки их написания; курс по параллельным и распределенным вычислениям познакомил с основными конструкциями многопоточного и распределенного программирования, применяемыми везде и всюду в разрабатываемой системе.
Кроме того, стоит отметить, что благодаря ШАДу мне удалось глубоко познакомиться с прикладными математическими курсами, которые часто остаются за бортом классической университетской программы: теория информации и вычислительной сложности, продвинутая дискретная математика, статистический анализ, комбинаторная и выпуклая оптимизация. Эти знания соединяют теоретическую математику и IT-индустрию высоких технологий».
Специалист по анализу данных в прикладных науках (Никита Казеев, выпускник 2015 года):
«Я работаю над применением методов машинного обучения для задач фундаментальной физики в ЦЕРНе в статусе аспиранта ФКН ВШЭ и Sapienza University of Rome.
Физикой увлекался со школы, был призёром Всероссийской олимпиады, пошел на ФОПФ МФТИ. Во многом из-за идеалистических соображений — если заниматься не наукой, то чем? Но к компьютерам тянуло всегда. Бакалаврская работа была посвящена компьютерному моделированию неидеальной плазмы, и в ней было много алгоритмов и C++.
На четвертом курсе я поступил в ШАД, через год меня пригласили в формирующуюся группу международных учебно-научных проектов в Яндексе. Сейчас она трансформировалась в совместную лабораторию Яндекса и ВШЭ — LAMBDA. Мы не только делаем что-то руками, но и учим физиков машинному обучению, так что я в некотором роде преподавал в Оксфорде. На нашей летней школе, но всё же 😉
Что из ШАДа пригодилось? Много чего.
Опыт обучения в Яндекс.Практикум. Можно ли вкатиться в Data Science за 8 месяцев
Недавно я завершил прохождение специализации Data Science на платформе Яндекс.Практикум и хочу написать, текст, который был бы полезен мне самому 8 месяцев назад, то есть — обзор учебной программы того, что понравилось или напротив не оправдало моих ожиданий, а также поделиться некоторыми приемами, которые могут сделать обучение эффективнее.
Почему Data Science?
Если вы читаете это, то наверняка для себя уже ответили на этот вопрос. Мне же сфера DS представляется таким глобальным конвейером по автоматизации применения научного метода — то есть по сбору наблюдений и получению из них моделей с предсказательной силой. И то, насколько Data Science изменил и еще изменит наш мир, думаю, можно сравнить изменениями, которые принесла автоматизация ручного труда. И когда эти мысли пришли мне в голову, то я решил, что очень хочу быть активным участником этих преобразований.
Бэкграунд
Мой опыт в онлайн обучении начался осенью 2018 года с попытки пройти специализацию “Машинное обучение и анализ данных” от МФТИ и Яндеса (https://datasciencecourse.ru/). Тогда, только загоревшись идеей изучить эту “чертову ИИ магию”, я решил, что вполне осилю учебу параллельно с моей текущей работой SMM менеджера. Но курс оказался мне не по зубам, думаю тут сказалась и моя низкая математическая подготовка и нулевой опыт в программировании.
Тогда я понял, что для начала необходимо подтянуть математику я взялся за прохождение онлайн курса “Современная комбинаторика” от МФТИ на Coursera (https://www.coursera.org/learn/modern-combinatorics/home/info) с замечательным харизматичным лектором Андреем Райгородским. Впервые в жизни я понял, как можно получать удовольствие от решения математических задач и кайфовать от красоты доказательств, которые можешь понять.
После этого был курс по теории вероятностей на Stepik от Computer Science Center с лектором Александром Храбровым (https://stepik.org/course/3089/syllabus). Курс тоже очень понравился, много интересных задач, решение которых отпечатывает в голове некоторое понимание того, как работают такие часто контринтуитивные штуки, как случайные величины и их распределения. И параллельно практиковался в Python по записям курса для студентов МФТИ “Алгоритмы и структуры данных на Python” от еще одного прекрасного лектора Константина Хирьянова (https://www.youtube.com/playlist?list=PLRDzFCPr95fK7tr47883DFUbm4GeOjjc0)
Заниматься удавалось в основном по вечерам и обучение шло чрезвычайно медленно, например прохождение курса по теории вероятностей, в описании которого указано 37 часов, у меня заняло около четырех месяцев. И спустя два года такого фонового обучения я начал понимать, что быстрее состарюсь чем как-то серьезно продвинусь к своей цели.
Тут, по совпадению, начало сворачиваться финансирование проекта, где я был SMM. И тогда я решил пока не искать новую работу, а снять свои накопления, которых хватало примерно на год оплаты аренды жилья и обеспечения базовых потребностей и поступить на платную специализацию по Data Science стоимостью в районе 100 тысяч рублей, с реальными преподавателями, однокурсниками и дедлайнами, чтобы уже не оставить себе вариантов отлынивать от учебы и сдавать все вовремя.
С выбором специализации я определился примерно за неделю, на самом деле подобных программ на рынке сейчас всего около трех или четырех, с примерно похожим набором курсов, но по срокам и сумме мне подходил больше всего Практикум, ну и еще подкупило то, что к подготовке программы приложила руку ШАД (Школа Анализа Данных), а это уже определенный знак качества.
Структура программы Яндекс.Практикум
Сначала в общих чертах опишу базовые единицы из которых строится курс, а потом более подробнее остановлюсь на некоторых моментах. Общая структура Специализации выглядит примерно так:
На момент моего поступления в программе было три модуля, содержащих в общей сложности: 15 курсов, 2 сборных проекта и один финальный проект. Один курс соответствует какому-то определенному навыку, которым должен обладать средний джуниор дата-сайентист. Тема — это раздел внутри курса. Каждая тема в свою очередь разбита на несколько уроков.
Например: Курс — Статистический анализ, тема — Описательная статистика, урок — Гистограммы частот.
Урок — элементарная частица специализации, состоит из теории и закрепляющей практики. Теория представляет собой пару страниц текста с примерами кода, иллюстрациями и поясняющими схемами.
В качестве практики необходимо выполнить задание в онлайн-тренажере, который представляет собой окошко с интерпретатором Python открытое в левой части того же экрана, где перед глазами находится задание и теория.
Рабочее пространство студента. Пунктирная разметка добавлена для пояснения.
В конце каждого курса необходимо выполнить самостоятельный проект в котором студент демонстрирует полученные за курс навыки и знания. Технически проект представляет собой тетрадку Jupyter Notebook, запущенную через JupyterHub развернутом на сервере Яндекса, в которой студент пишет код решения, поставленной задачи. Как правило, задача по проекту состоит из некоторого набора данных и описания того что необходимо получить в качестве результата.
Интерфейс Jupyterhub при выполнении проекта
После выполнения задания, по нажатию соответствующей кнопки тетрадка с проектом отправляется к ревьюеру, который смотрит твой код, проверяет выполнены ли задачи в полном объеме и (иногда) дает полезные рекомендации и замечания по улучшению кода.
Организация учебного процесса
Прохождение курса и выполнение проекта составляет один спринт. Чаще всего на один спринт отводится две недели — неделя на теорию и практику в тренажере и еще неделя на выполнение проекта.
Сам термин «спринт» похоже пришел из методологии разработки, таких как Agile и иже с ними. Да и в целом, насколько я могу судить, весь учебный процесс постарались завернуть в нечто приближенное к разработке продукта в IT.
Основное взаимодействие с командой программы происходит, через корпоративный мессенджер Slack, который, представляет собой что-то вроде гибрида мессенджера и классического форума, с возможностью интеграции с планировщиками заданий и прочими сервисами. При записи на программу выдается приглашение в рабочее пространство Slack для студентов потока, в рабочем пространстве созданы несколько постоянных веток:
с общей информацией по программе от команды Практикума
для обмена литературой и ссылками на материалы,
для неформального общения между студентами.
Также при открытии нового спринта создаются временные ветки по каждому курсу для обсуждений касающихся заданий в тренажёре и текущего проекта.
Cтудентов нашего потока сопровождала команда состоящая из:
Куратора, которая занималась всеми организационными вопросами;
Двух наставников — состоявшихся экспертов в предметной области, делятся опытом, проводят групповые онлайн семинары, можно сравнить с научным руководителем;
Двух преподавателей — также опытных DS специалистов, которые отвечают на вопросы по проектам и тренажеру;
Старшего студента — студента из предыдущего потока, который берет на себя часть работы по ответам на текущие вопросы;
Ревьюеров — проверяющих самостоятельные проекты
Что было круто
Подача материала. На всем протяжении программы не перестаешь ей радоваться. Сразу видно, что над контентом работала большая команда профессионалов, которые не просто дают хороший учебный материал, но еще и думаю о том, чтобы сделать его живым и человечным. Тут и забавные персонажи в иллюстрациях и тонкий юмор, как в самих заданиях, так в и текстах, которые появляются после их успешного выполнения. Надо сказать, что Практикум сделал беспроигрышную ставку, с момента прохождения бесплатной части в такую подачу влюбляешься сразу и стиль повествования ничуть не разочаровывает на протяжении всей остальной программы.
Пример иллюстрации переобученной модели к теме метрик классификации.
Данные. В каждом проекте используются реальные наборы данных, которые действительно интересно изучать, никаких тебе Титаников и набивших оскомину ирисов 🙂 Некоторые данные предоставлены партнерами Практикума, или даже собраны из данных сервисов Яндекса.
Атмосфера. Также стоит отметить непринужденный стиль всех коммуникаций начиная от Куратора до ревьюера — тут не душно 🙂
Какие ожидания не оправдались
Признаюсь, что ожидал от курса, что он будет чем-то вроде научно-популярного изложения лекций Константина Воронцова в ШАД (плэй-лист на YouTube), так чтобы основные методы машинного обучения были разобраны с нуля, с наглядными иллюстрациями и популярным языком, а в идеале мы бы еще и написали их реализации самостоятельно на Python, что называется from scratch. Сейчас я конечно понимаю, что за срок отведенный на всю программу, реализовать такое, чуть менее фантастично, чем загрузка всех знаний DS напрямую в голову через порт, как в фильме Матрица. И конечно, с такими завышенными ожиданиями некоторое разочарование меня и еще нескольких студентов моего потока таки постигло.
Тем не менее, как мне показалось, 70% из описанного ребятам из Практикума удалось. Первые два модуля практически полностью соответствовали моим ожиданиям. До какого-то момента изложение шло так, что пришедший с нуля человек, мог бы не просто научится мастерски владеть fit-predict, но еще и понимать, что там происходит внутри, просто посвящая учебе 2-3 часа в день.
В этом плане особенно понравился курс по линейной алгебре, там было даже написание модели линейной регрессии с нуля. Курс по численным методам, также продолжал держать марку, довольно подробно разобраны методы градиентного спуска и градиентного бустинга.
Но начиная с середины последнего модуля, примерно с курса Анализ временных рядов, по моим ощущениям, глубина погружения стала заметно мельчать. Наиболее поверхностно, на мой взгляд, были изложены “state of the art” — штуки, типа трансформеров и Bert моделей в обработке естественного языка и глубоких свёрточных сетей типа ResNet. Что в целом логично, материала в каждой из этих тем на отдельный модуль, если не на специализацию.
Тем не менее, на групповых зумах в онлайн-консультациях с наставниками всегда можно было задать вопрос и мы часто разбирали сложные моменты которые выходили за рамки программы. Благодаря этому задел на будущее оставался и интереса разбираться подробнее только прибавлялось.
Сейчас я немного изменил свое мнение и считаю, что в некоторых случаях, может быть не слишком плохо сначала научится применять какой-то метод, имея поверхностное представление о том, как он работает, но впоследствии разбираясь в подробнее, если это понадобится. Ведь область знаний Data Sciense настолько обширна, что пытаясь разобраться во всем с самых основ можно просто никуда не продвинуться и растратить весь энтузиазм.
Что с трудоустройством
За пару недель до конца программы студентов подключают к программе акселерации, на которой дают практические советы по тому, как составлять резюме, натаскивают на основные вопросы на собеседованиях, учат обращаться с github и писать сопроводительные письма.
Плюсы программы в том, что к проверке резюме привлекаются действующие HR специалисты, имеющие опыт в рекрутинге в области DS.
Мне удалось оценить только рекомендации по составлению резюме на HeadHunter. В ожидании финального спринта я решил параллельно начать движение в сторону трудоустройства и создав резюме в качестве теста откликнулся примерно на 10 вакансий. Основная часть компаний выслала отказ в приглашении на собеседование, но также было несколько звонков от HR, а одна компания выслала тестовое задание.
Тестовое оказалось интересным и довольно объемным. В нем был датасет из 185 таблиц без особого описания данных, а только с указанием, что это параметры оборудования и необходимо научится прогнозировать значения столбца target, обозначающего тип аварии на оборудовании. Нужно было самостоятельно разобраться с правильной постановкой задачи, выбрать метрику и учесть специфику временных рядов при формировании выборки. Задание увлекло настолько, что я уже начал опаздывать по финальному проекту в Практикуме, но спортивный азарт и пара литров кофе помогли мне справиться в срок.
В итоге по результатам тестового я попал на собеседование и нечаянно получил офер на позицию джуниора в компанию, занимающуюся IT интеграцией в нефтяной отрасли. Сложно сказать насколько этот опыт отражает, качество программы акселерации, возможно это просто некоторый выброс, но как мне показалось спрос на специалистов в DS существует, по крайней мере в Москве и если вы готовы некоторое время поработать на начальной позиции, то устроится вполне реально.
Как сделать обучение более эффективным
В направлении психологии, занимающейся изучением памяти и обучения людей есть такое понятие — желаемые трудности (https://en.wikipedia.org/wiki/Desirable_difficulty), суть феномена состоит в том, что при создании усложнений в процессе обучения материал может усваиваться лучше.
Например можно увеличивать интервалы между повторением материала и решением задачи или, например, подталкивать обучающихся к самостоятельному выводу теоремы, вместо заучивания готовых правил, работает даже написание заданий менее читаемым шрифтом. Но тут главное соблюсти баланс и не превратить свою учебу в адский стресс, ведь тогда мотивация и продуктивность могут только просесть.
В своем обучении я тоже старался применять эти техники, например:
Не смотрел подсказки к заданиям, пока не переберу все варианты, до которых могу додуматься;
Не копировал код из примеров, а старался запоминать и писать по памяти;
Не смотрел разборы сложных моментов в проектах и старался не читать спойлеры в групповом чате до отправки решения;
Для каждого курса создавал отдельный юпитер ноутбук и вел в нем полный конспект с решением задач. Это оказалось удобно еще и потому, что позволяло сэкономить кучу времени, быстро проверяя выполняется ли код, не ожидая по нескольку секунд ответа тренажера. Еще по таким конспектам бывает очень удобно освежить тему в памяти, но конечно если придерживаться метода желаемых трудностей, то лучше также стараться вспоминать все самому.
Решал проекты на локальной машине. Хотя Яндекс и предоставляет все необходимое окружение для выполнения каждого проекта, но бывает полезнее все потрогать своими руками и научится устанавливать все самому. Так, например, проходя курс по SQL я научился устанавливать spark под windows, а в курсе по компьютерному зрению сначала хорошенько попрыгал с бубном заставляя свой ноутбук использовать для вычислений графический процессор, чтобы не ждать очередь на сервер Яндекса, а потом и вовсе пришлось освоить облачный сервис Google Collaboratory который предоставляет GPU для вычислений.
Общее впечатление
Специализация по Data Science Яндекс.Практикум позиционируется как кузница джуниор дата-сайентистов, которые после прохождения могут сразу идти решать пусть и не самые сложные, но реальные задачи по извлечению добавленной стоимости из данных. По моим впечатлениям, это довольно близко к истине, но при соблюдении главного условия — параллельно с программой придется многое изучать самостоятельно и разбираться в том что кажется непонятным. Если изначально подходить к этой программе с таким настроем, и закладывать время на дополнительные занятия и эксперименты, то можно максимизировать пользу от обучения и избежать разочарований.
Вот и все, что хотел рассказать про свои впечатления о Практикуме, надеюсь что кому-то этот текст будет полезен. А если интересно продолжение, как будет складываться мой дальнейший путь в DS, то подпишитесь на меня тут, это замотивирует меня почаще что-нибудь публиковать. И главное, не бойтесь сложностей и ошибок, ведь они добавляют разметку жизненного опыта в датасет, на котором обучаются нейронные сети вашего мозга.
Приём в 2021
В этом году мы решили помочь тем, кто готовится к поступлению, и поделиться решениями нескольких заданий из вариантов письменного экзамена, демонстрирующими полезные факты и приёмы.
3 апреля состоялся день открытых дверей ШАД. Вы можете узнать все подробности о поступлении и обучении в ШАДе, о различиях между направлениями и карьерных перспективах после выпуска, а также о совместных магистерских программах с вузами.
Набор 2021 закрыт. Новый набор стартует ориентировочно в апреле 2022. Вы можете подписаться на новости и получить письмо о начале набора.
ШАД подходит тем, кто:
При поступлении в ШАД проверяются знания в рамках общей программы, включающей базовые разделы высшей алгебры, математического анализа, комбинаторики, теории вероятностей, а также основы программирования и анализа данных.
В 2020 году мы открыли ещё один, новый трек поступления. Он предназначен в первую очередь для тех, у кого уже есть опыт промышленной разработки или научных исследований в области Data Science. На втором этапе отбора и на собеседовании вам не придётся решать трудных задач по высшей математике, но зато нужно будет показать хорошее умение программировать. Кроме того, при отборе мы будем учитывать участие в проектах, наличие статей и в целом индустриальный опыт.
Набор проходит в три этапа
После заполнения анкеты поступающего вы получите письмо со ссылкой. На решение заданий теста отводится пять часов.
Для поступающих в московское отделение ШАД второй этап состоит из двух частей: первая — математика и алгоритмы, вторая — программирование и основы анализа данных. Для проступающих в филиалы ШАД или на заочное отделение второй этап отбора — онлайн-экзамен.
Собеседования пройдут очно в конце июня — начале июля в филиалах ШАД. На собеседовании нужно будет решать задачи по математике, алгоритмам и программированию.
Платное обучение
Поступающие, хорошо показавшие себя на собеседовании, но не прошедшие по общему конкурсу, смогут начать учиться на платной основе. Платное обучение возможно только в Москве.
Обучение на платной основе ничем не отличается от бесплатного — нужно выполнять всё те же непростые задания, укладываясь в жёсткие сроки.
Обучение стоит 150 000 рублей за семестр. Стоимость обучения будет снижена до 75 000, если студент заканчивает семестр на «хорошо» и «отлично». Сдавший на «хорошо» и «отлично» две сессии подряд дальше учится бесплатно.
Примеры заданий
Если вы хотите получше подготовиться и знать, что вас ждёт, порешайте варианты прошлых лет.
Часто задаваемые вопросы
Поступление
Чтобы поступить на заочное отделение, нужно пройти онлайн-тестирование, онлайн-экзамен и собеседование.
Альтернативный трек подходит тем, у кого есть опыт промышленной разработки или научных исследований в области Data Science. Во время экзамена и на собеседовании не нужно решать задачи по высшей математике, но важно показать умение программировать. Мы также учитываем участие в проектах, наличие статей и опыт.
Да, никаких ограничений нет. Если вы поступаете по классическому треку, главное иметь необходимые знания по высшей алгебре, математическому анализу, комбинаторике, теории вероятностей и основам программирования. Если вы поступаете по альтернативному треку, важно иметь опыт в IT, базовую математическую культуру и хорошие навыки программирования.Темы для поступления и список рекомендованной литературы найдете в Программе поступления
Нет. Во всех отделениях Школы обучение бесплатное. Учиться платно можно только в Москве, если вы хорошо показали себя на собеседовании, но не прошли по конкурсу.
Всё зависит от конкурса. Фиксированного количества мест нет.
Да. В ШАД проходят научные семинары и исследовательские проекты. У нас можно пообщаться с ведущими исследователями Data Science и сделать первые шаги в научной карьере.
Обучение
Занятия проходят с 18:00 до 21:00 по московскому времени. Записи всех актуальных лекций и семинаров есть в личном кабинете, там же можно сдавать домашние задания.
Занятия проходят вечером. Вместе с домашними заданиями обучение занимает около 30 часов в неделю. Если вы сможете работать и учиться при таких условиях, с нашей стороны ограничений нет.
Нет, ШАД — это дополнительное профессиональное образование. В конце обучения вы получаете диплом о профессиональной переподготовке.
Некоторые формы отчётности на очном и заочном обучении устроены по-разному. Других отличий нет: студенты очного отделения могут заниматься в онлайне, им не обязательно посещать занятия. Дипломы одинаковые и там, и там.
Да, вы получите диплом о профессиональной переподготовке.