Docker с нуля
Docker — это не профессия, а инструмент, который добирают к уже имеющейся специальности. Курс написан для того, кто пишет код, тестирует или строит модели и упирается в один и тот же вопрос: как передать своё приложение дальше, чтобы оно запустилось не только на его ноутбуке. Внутри разворачивают конкретные вещи — Airflow, PostgreSQL, ClickHouse, Nginx, Superset, — а не абстрактные «контейнеры вообще». Месяц на такую программу означает плотный темп: контейнеры осваивают руками, а не по конспекту. В Узбекистане нанимают в штат, удалённых предложений на местном рынке почти нет, поэтому контейнеры чаще нужны для сервера компании. В программе как раз поднимают полноценное веб-приложение с Nginx и доводят его до рабочего состояния.
Разница с курсами профессий здесь принципиальная: после месяца контейнеров работу не меняют, ею закрывают пробел в текущей. Тестировщик учится читать логи внутри контейнера, аналитик — вкладывать модель в инфраструктуру продукта, разработчик — деплоить на сервер без чужой помощи. Месяц занятий реально совмещать с полной занятостью: вечером вы разворачиваете у себя Airflow, PostgreSQL и ClickHouse, разбираете ошибки запуска и повторяете до тех пор, пока сервис не поднимается с первого раза. На руках остаются собранные своими руками сервисы для портфолио и сертификат на русском и английском — второй язык выручает в переписке с зарубежным заказчиком. Дальше логично смотреть в сторону Kubernetes.
О школе
Karpov.Courses — российская школа аналитики данных и Data Science, основанная в 2020 году. Один из основателей — Анатолий Карпов, бывший ведущий аналитик Mail.Ru и VK, чьи бесплатные курсы по статистике до открытия школы прошли больше 200 000 человек. Для учеников из Узбекистана школа интересна узкой специализацией: здесь учат конкретно аналитике данных, а не «IT вообще», и это даёт более глубокую подготовку в нише, чем у широких многопрофильных платформ.
Кому подходит и что дают программы
В каталоге — SQL, Python для анализа данных, A/B-тестирование, машинное обучение, инженерия данных, системный дизайн. Длительность курсов — от двух недель до семи месяцев, флагман — программа «Аналитик данных» с нуля, плюс продвинутые треки для тех, кто уже работает с данными. Ключевая особенность — симулятор аналитика, где ученик решает задачи, близкие к реальным рабочим: пишет SQL-запросы, строит отчёты, разбирает A/B-тесты на смоделированных бизнес-кейсах.
Аналитика данных — одна из тех профессий, где узбекистанский рынок труда сейчас особенно требователен к соискателям. По данным hh.uz, по итогам 2025 года медианная зарплата в вакансиях на позицию «аналитик данных, BI-аналитик» — около 5,8 млн сум, а соискатели в резюме указывают ожидания в среднем на уровне 12,4 млн сум: разрыв заметно больше, чем у разработчиков, и он говорит о конкуренции за сильные позиции. Портфолио и реальные кейсы из симулятора здесь работают сильнее диплома — именно на них смотрят на техническом собеседовании.
Оплата, часовой пояс и что учесть
Karpov.Courses — российское юрлицо, работает по образовательной лицензии, с 2022 года числится резидентом «Сколково». Оплата идёт через российский платёжный шлюз: напрямую картой Uzcard или Humo не расплатиться, нужна карта Visa или Mastercard узбекского банка либо перевод с российской карты с последующей конвертацией. Разница во времени небольшая — Ташкент на 2 часа впереди Москвы, вечерние созвоны сдвигаются на 2 часа вперёд по местному времени.
По длинным программам школа выдаёт диплом о профессиональной переподготовке российского образца. Для официального применения в Узбекистане документ нужно нострифицировать через центр государственных услуг или портал ЕПИГУ, но в аналитике данных и Data Science работодатели в первую очередь смотрят на результаты технического собеседования и реальные проекты, а не на процедуру признания диплома. Школа — не универсальный вход в IT: если вы не уверены, что хотите именно в данные, лучше присмотреться к более широким программам. Но для тех, кто решил идти в аналитику, это одна из самых сфокусированных подготовок на русском языке — с преподавателями, которые сами работают с данными, а не просто читают теорию.
