За что платить, когда учишься аналитике и машинному обучению

В начале сентября принято говорить об образовании. Я, как теперь водится, вместе с ChatGPT и Клодом, попробовал разобраться не в том, какой курс по Data Science купить, а в более полезном вопросе: что в образовании сегодня действительно остаётся дефицитным — и за что имеет смысл платить деньгами или временем.

Хороший образовательный контент давно не проблема. Coursera и edX появились больше десяти лет назад, университеты начали открывать материалы ещё раньше, а сегодня можно найти лекции, конспекты, домашние задания и экзамены MIT, Stanford, Harvard и Berkeley, материалы российских вузов, ML Handbook Яндекса, курсы Андрея Карпати и Сергея Николенко, тысячи задач на Stepik и Kaggle. И уровень этих материалов давно не ознакомительный: например, Stanford публикует CS336 Language Modeling from Scratch, где студенты сами реализуют основные компоненты языковых моделей, готовят данные и работают с распределённым обучением.

За последние несколько лет к этому добавился ИИ. Теперь почти бесплатно можно попросить объяснить непонятное другими словами, разобрать ошибку в коде, придумать упражнения или провести тренировочное собеседование.

То есть проблема уже давно не в недостатке материала, и всё меньше в доступе к объяснениям. Дефицитными остаются другие вещи: траектория, дисциплина, правильно выбранная сложность, практика без подсказок, качественная обратная связь, профессиональная среда и независимая проверка результата.

И если смотреть на образование через эту оптику, вопрос «какой курс купить» становится слишком грубым.

Что на самом деле продаёт большая онлайн-школа

Большая программа в Практикуме, Skillbox, Нетологии или другой крупной школе продаёт не Python, SQL и машинное обучение сами по себе. Она продаёт готовую траекторию: задания, проекты, дедлайны, проверку работ, поддержку, иногда группу и карьерное сопровождение.

Большая школа при этом — большая производственная система. В цене программы оплачивается не только собственно обучение: туда входят платформа, маркетинг и привлечение студентов, продажи, поддержка, администрирование, управление, методисты, редакторы, авторы, проверяющие и кураторы. Поэтому высокий ценник сам по себе мало говорит о том, сколько именно денег превращается в более глубокий материал или большее количество экспертного времени на одного студента.

Зато такая система решает важную проблему, которую легко недооценить человеку, привыкшему учиться самостоятельно: она тащит человека по программе. Дедлайны, спринты, напоминания, группа, наставник и уже вложенные деньги создают внешнюю систему саморегуляции. Открытый курс можно сохранить в закладки и никогда больше не открыть; с оплаченной десятимесячной программой это сделать психологически сложнее.

Здесь же возникает потенциальный конфликт интересов. В массовую программу приходят люди с очень разной подготовкой, а затем должны много месяцев двигаться по общей траектории. Большой школе выгодно, чтобы студент продолжал учиться: в некоторых моделях уход означает потерю будущих платежей, а высокий отсев влияет на доходимость, отзывы, рекомендации и другие показатели продукта.

При этом хорошее обучение иногда требует дать человеку задачу, на которой он застрянет, получит плохой результат и будет долго разбираться. Для образовательного продукта этот эпизод повышает риск недовольства и ухода.

Это не означает, что большие школы обязательно упрощают программы ради удержания. Скорее у них есть несколько целей, которые не всегда полностью совпадают: дать достаточно сложное обучение, довести человека до конца и сохранить его удовлетворённость продуктом.

У ШАД другая образовательная модель

У Яндекса есть система, устроенная совсем иначе, — Школа анализа данных. Два года серьёзной нагрузки и сложный отбор на входе. Разницу между ШАД и массовой онлайн-школой легко объяснить самим отбором: если сначала взять математически сильных людей, им можно дать более сложную программу.

Если студенту ШАД тяжело, из этого не обязательно следует, что материал нужно упрощать. В известном смысле смысл такой школы как раз в том, чтобы провести сильного человека через материал на границе его возможностей. Массовая коммерческая программа работает с гораздо более широким диапазоном подготовки и вынуждена учитывать вероятность того, что человек вообще сможет продолжить обучение.

Похожая логика есть у Т-Академии, образовательных программ Авито, Ozon, VK и других крупных компаний. Студент там уже не столько клиент: компания одновременно ищет, проверяет и готовит потенциально сильных специалистов, поэтому дорогой в производстве образовательный продукт для самого учащегося может стоить ноль рублей.

Разумеется, результаты таких программ нельзя напрямую сравнивать с массовыми курсами: существенную часть различий создаёт сам входной отбор. Да и «бесплатность» здесь довольно условная. Два года по тридцать часов в неделю — это примерно три тысячи часов. Просто платишь не деньгами.

Пакет всё легче разобрать на части

Если человеку нужен не переход в новую профессию с нуля, а конкретный навык, большая программа часто оказывается избыточной. Stepik и похожие платформы сделали возможной другую модель: один преподаватель или небольшая команда собирают теорию и сотни автоматически проверяемых задач и дают это десяткам тысяч людей.

Хороший пример — «Поколение Python», где есть отдельные курсы по Python, SQL, алгоритмам и другим навыкам с большим количеством практики. Другой вариант — бесплатные курсы Computer Science Center на Stepik, где можно отдельно брать программирование, математику, алгоритмы и фундаментальные темы Computer Science.

Траектория тогда может выглядеть совсем не как одна большая «профессия»: Python в одном месте, SQL в другом, статистика у университета, алгоритмы у CSC, практика на собственной задаче.

Но у такой сборки есть условие: человек должен уметь сам определять, чего ему не хватает и что изучать следующим. Здесь и обнаруживается одна из причин, по которой школы не исчезли после Coursera и edX. Чтобы собрать хорошую программу из десяти отличных курсов, нужно уже примерно понимать, какой должна быть хорошая программа. Новичок же по определению плохо знает, чего он не знает. Поэтому готовая траектория сама по себе остаётся образовательным продуктом, даже когда весь контент внутри неё можно найти бесплатно.

ИИ делает объяснения дешёвыми, но не обязательно улучшает обучение

Модель может объяснить формулу, проверить SQL, разобрать ошибку, придумать упражнение или сыграть интервьюера. Но помочь решить задачу и помочь научиться решать такие задачи — не одно и то же.

В полевом эксперименте почти с тысячей школьников обычный GPT сильно улучшал результаты во время тренировочных заданий. Специально настроенный GPT Tutor, который чаще давал подсказки вместо готового решения, помогал на тренировке ещё сильнее.

Затем доступ к ИИ убрали. Группа, пользовавшаяся обычным GPT, написала самостоятельный тест хуже контрольной. У группы GPT Tutor этого падения уже не было, но и статистически значимого преимущества перед контролем на самостоятельном экзамене авторы не обнаружили.

ИИ-решатель и ИИ-тьютор — разные продукты. Хороший решатель должен как можно быстрее привести к правильному ответу. Хороший преподаватель иногда должен ответ не дать.

Любопытно, что в Stanford CS336 модели разрешены для концептуальных и низкоуровневых вопросов по программированию, но не для прямого решения домашних заданий, а авторы советуют отключать AI-автодополнение во время работы.

Практический вывод отсюда довольно простой: сначала собственная попытка, потом помощь. Просить найти ошибку, но не исправлять её; дать следующий вопрос, а не готовое решение; после разбора решить похожую задачу самостоятельно.

Есть и ещё одна проблема. Если модель уверенно ошибается в статистике, новичку бывает трудно это заметить: чтобы проверить качество объяснения, нужно уже знать именно то, чему пытаешься научиться. Поэтому попытки внедрить ИИ вместо дорогого человеческого сопровождения, как правило, пока проваливаются.

От зелёной галочки к задаче без названия главы

DataCamp, Dataquest и похожие платформы хорошо автоматизировали часть учебного процесса: короткое объяснение, упражнение, код в браузере, мгновенная проверка. Для начинающего это полезно, но если импорты уже написаны, данные загружены, а в коде оставлено место под одну функцию, решается не совсем та задача, которая стоит перед аналитиком с пустым файлом и незнакомыми данными.

Лёгкость прохождения нельзя использовать как меру качества обучения. В исследованиях памяти давно известны ситуации, когда самостоятельное извлечение из памяти, распределённая практика и перемешивание типов задач субъективно ощущаются тяжелее, но дают лучший долгосрочный результат. Это не значит, что чем мучительнее, тем полезнее: новичку подсказки нужны. Важно, чтобы по мере роста уровня их становилось меньше.

Хороший тест после тренажёра — открыть пустой файл и решить похожую задачу с нуля.

А следующим шагом становится задача, у которой вообще нет названия главы. Kaggle, соревнования ODS, хакатоны, open source и собственные проекты ценны именно этим. В учебной задаче обычно понятно, что проверяют. Если глава называется «градиентный бустинг», выбор метода немного облегчается. В реальной задаче нужно самому понять, как работать с данными, какую метрику выбрать, где может быть утечка, как проверять решение, а иногда — что машинное обучение здесь вообще не нужно.

Соревнования не заменяют работу и не проверяют все профессиональные навыки. Но они дают внешнюю задачу, способ решения которой заранее не известен, и понятную обратную связь о результате.

Можно купить не курс, а человека. Или среду

После того как контент и базовые объяснения стали дешёвыми, иначе выглядит менторство. Можно платить не за очередную лекцию, а за то, что плохо масштабируется: внимание сильного специалиста к конкретной работе.

Хороший ментор посмотрит ноутбук, заметит повторяющуюся ошибку, проверит дизайн эксперимента, проведёт тренировочное интервью или скажет, что проблема не в очередной библиотеке, а в дыре в статистике. Для работающего аналитика несколько часов такого разбора иногда полезнее ещё одной многомесячной программы.

Отдельный образовательный ресурс — профессиональная среда. ODS тут интересен именно в этом качестве: соревнования, конференции, тематические сообщества и специалисты из разных компаний. На каком-то этапе человек перестаёт «учиться Data Science» и оказывается среди людей, которые Data Science занимаются.

Кто вообще отвечает за программу

Есть ещё один вопрос, который полезно задавать независимо от цены и формата курса: кто интеллектуально отвечает за программу целиком.

На одном конце находится курс конкретного человека: лекции Сергея Николенко, Neural Networks: Zero to Hero Андрея Карпати, Statistics 110 Джо Блитцстайна. Есть автор и понятная последовательность мысли.

Дальше идут авторские школы вроде Karpov.Courses, где авторство отдельных частей программы всё ещё хорошо видно. OTUS ближе к кафедральной модели: разные темы читают практикующие специалисты. Это даёт свежую экспертизу, но создаёт риск неоднородности — хороший специалист не обязательно хороший преподаватель, а несколько сильных преподавателей не обязательно складываются в цельный курс.

На другом конце находится промышленный образовательный продукт, который годами меняют авторы, методисты, редакторы и продуктовые команды. У такой модели есть свои преимущества: материалы проверяются на большом количестве студентов, видны массовые ошибки, можно построить хороший тренажёр. Но есть и риск, что программа постепенно становится предметом массового творчества: разные люди локально улучшают свои части, а целиком её перепроектируют значительно реже.

В какой-то момент получается почти по Райкину: «К пуговицам претензии есть?» К отдельным частям претензий может не быть, а весь костюм почему-то сидит странно.

Как вообще понять, что обучение было хорошим

У образования есть неприятное свойство: качество трудно оценить не только до покупки, но иногда даже после курса.

Человек год учился Data Science, сделал проекты и получил сертификат. Но он не знает, чему научился бы за тот же год в другой школе, смог бы освоить тот же материал быстрее самостоятельно и каких важных тем в программе вообще не было. Чтобы заметить такой пробел, зачастую уже нужно знать предмет. Даже трудоустройство не решает проблему: возможно, курс был отличным, а возможно, у человека до него уже были сильная математика, английский и опыт программирования. У нас нет контрфакта, зато есть множество ошибок выжившего, которые можно использовать в рекламе.

В экономике есть понятие credence goods — благ и услуг, качество которых покупателю трудно определить даже после потребления. У образования есть дополнительная сложность: результат зависит одновременно и от программы, и от усилий самого студента. Поэтому плохой итог легко объяснить в обе стороны, причём обе стороны могут делать это совершенно искренне.

В результате мы часто оцениваем то, что проще увидеть: понравился ли преподаватель, удобно ли пользоваться платформой, быстро ли отвечает поддержка, было ли интересно. Но «мне понравилось» и «я хорошо научился» — разные вещи. Метаанализ Uttl, White и Gonzalez, например, показал, что связь между студенческими рейтингами преподавателей и измеряемыми результатами обучения гораздо слабее, чем долго считалось.

Отзывы поэтому полезны прежде всего как описание пользовательского опыта. Для оценки самого обучения интереснее спрашивать другое: что после курса человек умеет делать без подсказки, чего не умел раньше? Какие задачи были действительно сложными? Кто проверял работы? Какие пробелы обнаружились позже?

Что, если проверять должен не тот, кто учил

Большинство образовательных продуктов устроено так: школа сама создаёт программу, сама учит, сама придумывает итоговую работу, сама её проверяет и сама выдаёт сертификат. Как независимая оценка результата это довольно слабая конструкция.

В международной IT-индустрии есть другая модель: учиться можно где угодно, а затем пройти внешнюю проверку. Так устроены Google Cloud Professional Data Engineer, Professional Machine Learning Engineer, PL-300 у Microsoft и Machine Learning Engineer Associate у AWS.

У таких экзаменов полно ограничений: они привязаны к конкретному стеку, далеко не всё умеют проверять и к ним можно натаскаться. Сертификат Google — не «ЕГЭ по Data Science». Но сама архитектура полезна: подтверждать результат должен не тот, кто учил.

Представим известный работодателям внешний экзамен для начинающего аналитика: SQL, статистика, A/B-тесты, работа с данными, интерпретация результатов и несколько практических задач. Готовься в большой школе, на Stepik, в университете, по книгам или с ИИ — проверка для всех одна. После этого появляется общий внешний ориентир. Школе уже сложнее доказывать качество только собственным дипломом, а студент получает хотя бы частичный ответ на вопрос: я действительно чему-то научился или просто прошел эту программу?

В России формальная инфраструктура для этого уже начинает появляться. В январе 2026 года Национальное агентство развития квалификаций утвердило квалификацию «Аналитик больших данных» шестого уровня, для которой предусмотрена независимая оценка. Но пока вокруг неё не видно привычного рынку института «учись где хочешь, потом сдавай понятный работодателям внешний экзамен».

Мне кажется, это одно из незаполненных мест российского образовательного рынка. Если выпускники конкретной школы стабильно хорошо проходят внешнюю проверку, это намного интереснее собственного рейтинга школы. Если не проходят — красивые отзывы становятся чуть менее убедительными.

В какой-то момент лучший следующий курс называется работой

После определённого уровня появляется ещё один вид внешней проверки — реальность. На курсе правильный ответ обычно известен автору задания. В самостоятельном проекте он неизвестен студенту. На работе часто сначала неизвестно даже, какой вопрос нужно задать.

Поэтому бесконечное прохождение курсов легко становится формой прокрастинации. Не существует одной обязательной последовательности «курс → проект → соревнование → стажировка → работа», но направление кажется естественным: со временем доля внешне заданной структуры должна уменьшаться, а доля задач без названия главы — расти.

У опытного специалиста курсы часто почти исчезают. Новая тема изучается через документацию, статью, репозиторий, собственную реализацию и разговор с коллегами. Способность перестать учиться только по курсам — тоже результат образования.

Так за что теперь платить

В итоге вопрос «какой курс по Data Science купить» я бы заменил другим: какой дефицит я сейчас пытаюсь закрыть?

Если не хватает структуры и дисциплины — длинная программа с дедлайнами действительно может стоить своих денег. Если есть конкретный пробел — возможно, хватит одного курса или книги. Если нужна высокая сложность — стоит смотреть на селективные программы и сложные задачи. Если не хватает практики — следующим шагом может быть собственный проект или соревнование. Если обратной связи — ментор или сильный коллега. Если профессиональной среды — сообщества и конференции. Если объяснений — значительную часть этой функции уже дёшево выполняет ИИ. Если нужен понятный сигнал работодателю — стоит отдельно думать о стажировке, дипломе или внешней сертификации.

И перед оплатой остаётся ещё один вопрос: как я потом проверю, что обучение действительно сработало? Не понравился ли мне курс и не закрыл ли я все задания зелёными галочками, а способен ли я через месяц без преподавателя, тренажёра и языковой модели открыть пустой файл и решить новую задачу того же класса.

Знания давно стали невероятно доступными. Хорошее образование по-прежнему состоит из более дефицитных вещей: правильно выбранной сложности, практики, дисциплины, качественной обратной связи, сильной среды и честной проверки результата. Просто всё это не обязательно покупать одним пакетом.