Что ждёт вас в буткемпе

Быстрое погружение в IT
Буткемп — это короткий, но интенсивный курс. Уже через 5 месяцев вы будете готовы к работе.
Интенсивная нагрузка
Вас ждёт около 8 часов учёбы ежедневно: регулярные вебинары с наставником, теория, домашка, много практики и проектов.
Проекты для портфолио
Когда пройдёте основную программу, получите доступ к нашей Мастерской: в ней студенты разных направлений вместе работают над задачами реальных заказчиков. Эти проекты сделают ваше портфолио уникальным.
Быстрая обратная связь
Будете учиться в небольшой группе, поэтому мы сможем уделять много внимания каждому студенту.

Чем вы будете заниматься, если станете специалистом по Data Science

Анализировать большие объёмы данных, разрабатывать модели и применять машинное обучение, чтобы делать прогнозы и выявлять закономерности

Специалисты по Data Science нужны в науке, промышленности, маркетинге, финансах и многих других сферах.

Вот лишь несколько примеров, что может сделать дата-сайентист:
• Проанализировать кредитоспособность клиентов банка
• Определить перспективное месторождение для добычи нефти
• Спрогнозировать пиковые дни продаж в компании
• Оптимизировать работу городских светофоров

После учёбы сможете
работать в любой сфере

Например, в банке, поисковом сервисе или онлайн-кинотеатре. Почти в каждой организации есть техподдержка: чтобы специалисты быстрее обрабатывали обращения, нужно автоматически определять тему по тексту сообщения.

Какой может быть ваша карьера

Должность

Специалист по Data Science

Навыки и инструменты

Мы составляем и обновляем программу вместе с действующими аналитиками и работодателями — так вы учитесь только тому, что актуально

Python
Jupyter Notebook
GitHub
SQL
Keras
CatBoost
Scikit-learn
Pandas

Средняя зарплата аналитиков данных

Начнёте с junior-позиции, а дальше только вперёд — будете шагать по карьерной лестнице и расти в цене

60 000 ₽
Junior специалист по Data Science с опытом до года
110 000 ₽
Middle специалист по Data Science с опытом от 1 года до 3 лет
210 000 ₽ +
Senior специалист по Data Science с опытом 3+ лет

Как мы учим

YandexGPT помогает учиться

Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.

Тысячи студентов освоили новую профессию, и вы освоите

Истории выпускников Практикума, которые уже занимаются любимым делом
4,7
TutorTop
4,5
IRecommend
4,3
Отзовик

10 000+ выпускников Практикума уже нашли новую работу

И сделали это в первые 4 месяца после учёбы. Это подтверждено исследованием, которое мы провели вместе с Высшей школой экономики. Вот в каких компаниях работают выпускники.

Программа курса

Рассчитана на 5 месяцев, учёбе нужно посвящать около 40 часов в неделю
7 тем・1 неделя・~10 часов
Основы Python и анализа данных
1 модуль — бесплатно. 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.
Изучите методы группировки и суммы, сегментируете пользователей и решите задачи классификации
2
12 тем・1 проект・2 недели・от 30 часов
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
5 тем・1 проект・1 неделя・от 35 часов
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
5 тем・1 проект・1 неделя・от 30 часов
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 недвижимости в Санкт-Петербурге и Ленинградской области
5
6 тем・1 проект・1 неделя・от 20 часов
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
6
1 проект・1 неделя・от 15 часов
Первый большой проект
Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы. Найдёте закономерности в данных о продаже игры.
7
4 темы・1 проект・1 неделя・от 20 часов
Введение в машинное обучение
  • Обучение с учителем
  • Scikit-learn
  • Задача классификации
  • Accuracy
  • Precision
  • Recall
  • Логистическая регрессия
  • Дерево решений
  • Случайный лес
  • Переобучение
  • Задача регрессии
  • Среднеквадратичное отклонение
  • Линейная регрессия
Первая обученная модель
Типы обучения в машинном обучении (МО). Обучение с учителем. Модель и алгоритм МО. Задача классификации. Знакомство с решающим деревом. Библиотека Scikit-learn. Чёрный ящик как принцип обучения.
Качество модели
Обучающая и тестовая выборка. Метрика качества accuracy, precision, recall. Переобучение и недообучение.
Улучшение модели
Валидационная выборка. Случайный лес. Логистическая регрессия. Настройка дерева решений.
Переход к регрессии
Задача регрессии. Среднеквадратичное отклонение как метрика регрессии. Модели для задачи регрессии: линейная регрессия, дерево решений и случайный лес.
Разработаете систему рекомендации тарифов для оператора мобильной связи
8
4 темы・1 проект・1 неделя・от 20 часов
Обучение с учителем: классификация и регрессия
  • Кодирование
  • Масштабирование
  • Дисбаланс классов
  • Upsampling
  • Downsampling
  • Взвешивание классов
  • Порог классификации
  • Матрица ошибок
  • F1-мера
  • PR-кривая
  • ROC-кривая
  • Коэффициент детерминации
  • Среднее абсолютное отклонение
Подготовка признаков
Прямое и порядковое кодирование. Масштабирование признаков.
Метрики классификации
Дисбаланс классов. Метрики классификации: матрица ошибок, F1-мера.
Несбалансированная классификация
Методы устранения дисбаланса классов. Upsampling. Downsampling. Взвешивание классов. Порог классификации. PR-кривая. Метрики классификации: доля истинно положительных ответов и ложноположительных ответов. ROC-кривая.
Метрики регрессии
Коэффициент детерминации и среднее абсолютное отклонение.
Спрогнозируете вероятность ухода клиента из банка
9
3 темы・1 проект・1 неделя・от 25 часов
Машинное обучение в бизнесе
  • Связь продуктовых метрик и МО
  • Расчёт доверительного интервала 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
10
1 проект・1 неделя・от 20 часов
Второй большой проект
Подготовите данные для машинного обучения и с помощью модели оцените их качество.
4 темы・1 проект・1 неделя・от 20 часов
Линейная алгебра
  • NumPy
  • Вектор
  • Векторные операции
  • Скалярное произведение векторов
  • Расстояние между векторами
  • Матрица
  • Матричные операции
  • Транспонированная матрица
  • Обратная матрица
  • Математическая модель линейной регрессии
Векторы и векторные операции
Библиотека NumPy. Что такое вектор. Геометрическое представление вектора. Операции над векторами. Векторизованные функции. Векторизация метрик.
Расстояние между векторами
Скалярное произведение векторов. Расстояние между векторами. Манхэттенское расстояние. Метод k-ближайших соседей
Матрицы и матричные операции
Понятие матрицы. Какие бывают операции над матрицами. Что такое транспонированная матрица.
Линейная регрессия изнутри
Математическая модель линейной регрессии. Обратная матрица. Математический алгоритм обучения линейной регрессии.
Защитите личную информацию клиентов страховой компании с помощью метода преобразования
12
5 тем・1 проект・2 недели・от 15 часов
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
13
2 темы・1 проект・1 неделя・от 15 часов
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
14
2 темы・1 проект・1 неделя・от 25 часов
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
Эмбеддинги. Word2vec. BERT.
Ускорите модерацию комментариев в сообществе, автоматизировав оценку их токсичности
15
7 тем・1 проект・1 неделя・от 30 часов
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
16
4 темы・1 проект・1 неделя・от 25 часов
Компьютерное зрение
  • Keras
  • Полносвязные сети
  • Многослойные сети
  • Ядро свёртки
  • Свёрточные нейросети
  • Логистическая регрессия в Keras
  • Задача классификации в Keras
  • Задача детекции
  • Задача сегментации
  • ResNet
  • Алгоритм Adam
Введение в компьютерное зрение
Где и как оно используется. Что такое изображение и аугментации.
Библиотека Keras
Логистическая регрессия и полносвязные нейронные сети в Keras. Обучение многослойной сети [GPU].
Нейросети для компьютерного зрения
Ядро свёртки. Свёртка. Свёрточный слой. Свёрточные нейросети. Архитектура ResNet. Задачи классификации изображений, детекции и сегментации. Основные датасеты изображений.
Компьютерное зрение в Keras
Свёрточные слои и аугментации в Keras. Алгоритм Adam. Загрузчики данных. Свёрточные сети для классификации фруктов.
Построите модель для определения приблизительного возраста человека по фотографии
17
Выпускной проект
В этом проекте вы подтвердите, что освоили новую профессию. Самостоятельно уточните задачу заказчика и пройдёте все стадии анализа данных и машинного обучения. Теперь без уроков и домашних заданий — всё как на настоящей работе.

Вы сможете выбрать 1 из этих проектов:
1. Построить модель, прогнозирующую отток клиентов в телекоммуникационной компании.
2. Построить модель, предсказывающую параметры технологического процесса на металлургическом комбинате.
18
Дополнительные курсы
Вы можете пройти все курсы или только один, который вам больше всего интересен
  • Теория вероятностей
  • Статистический анализ данных
  • События
  • Вероятность
  • Случайные величины
  • Теорема Байеса
  • Python
  • Задачи с собеседований
Практика Python
Пройдёте несколько лабораторных занятий с дополнительными задачами на язык программирования Python.
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 дают на собеседованиях.
Практика SQL
Несколько десятков дополнительных задач на отработку навыка работы с SQL. Пройдёте практические задания по составлению SQL-запросов, поработаете с новыми базами данных.

Отвечаем на вопросы

Как и когда я буду учиться?
Обучение идёт по неделям — спринтам 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 проекты нужно в срок. На связи постоянно будет команда поддержки, чтобы объяснить или помочь с задачей, а также раз в неделю наставники проводят для вас тематические вебинары.
Можно ли обучиться профессии за 5 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?
Главное требование — наличие времени на интенсивное обучение. Вам понадобится около 40 часов в неделю, чтобы всё успевать. Если сомневаетесь, что обладаете таким ресурсом, лучше рассмотрите базовую программу «Специалист по Data Science».

Специальные знания для обучения не нужны, но, так как программа интенсивная, осваивать её будет проще, если у вас уже есть базовые знания по аналитике. Например, вы уже пробовали программировать на Python или умеете делать простые запросы на SQL.
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 вам понадобится сделать паузу в учёбе или уделить больше времени закреплению материала, напишите своему куратору.
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. Эти цифры подкреплены публичным отчётом о трудоустройстве студентов Практикума.
Хорошо, а вы можете помочь с поиском работы?
Да. По желанию студенты могут попасть на программу трудоустройства, которая длится от 2 недель. С поддержкой карьерного центра Практикума студенты оформляют портфолио, проходят тренировочные собеседования с их последующим разбором и учатся писать сопроводительные письма.

Мы сотрудничаем с разными компаниями и регулярно предлагаем студентам партнёрские вакансии. Но важно помнить, что мы не ищем работу за вас, а помогаем её найти.
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.
Получу ли я какой-то документ после курса?
Если у вас есть среднее профессиональное или высшее образование, после курса вы получите диплом о профессиональной переподготовке.

Если нет, выдадим сертификат о прохождении курса и справку об обучении в электронном виде.
Смогу ли я добавить в портфолио уникальные проекты?
Да, такая возможность будет. После завершения основной программы вы получите доступ к «Мастерской» и сможете выполнить в ней один или несколько проектов на основе реальных задач от работодателей. Эти проекты позволят сделать ваше портфолио уникальным.
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 — резиденты РФ также могут оплатить обучение в Практикуме. Оставить заявку на оплату от юрлица можно на странице для корпоративных клиентов.
Можно ли оплатить курс за счёт работодателя?
Да, работодатель может оплатить учёбу полностью или разделить оплату с вами: например, поделить сумму 50/50 или 75/25.

Такая оплата пройдёт по счёту или двустороннему договору, а ИП могут оплатить с бизнес-счёта. Если работодатель купит обучение сразу 10 и больше сотрудникам, сделаем скидку 10%.

Чтобы получить счёт на оплату через компанию, оставьте заявку или напишите нам в чат поддержки.
Что такое налоговый вычет на обучение и как его получить?
Налоговый вычет может оформить тот, кто работает по трудовому договору и является налоговым резидентом Российской Федерации, то есть 183 дня в году находится на территории страны.

Для этого нужно подать заявление на налоговый вычет через личный кабинет на сайте nalog.ru (в него можно войти через аккаунт на Госуслугах).

К заявлению нужно приложить:
•‎ Справку 2-НДФЛ от работодателя.
•‎ Договор на обучение, в вашем случае это оферта Практикума.
•‎ Лицензию на образовательную деятельность. Вот наша.
•‎ Чек об оплате обучения. Мы отправляем его на электронную почту. Если не найдёте чек у себя в почте, напишите в чат службы поддержки — вышлем копию.
•‎ Справку о получении образовательных услуг — её тоже нужно запросить в чате поддержки.

Подробнее о налоговом вычете — на сайте Федеральной налоговой службы.

Давайте поможем

Напишите, как вас зовут и по какому номеру можно связываться — позвоним и расскажем всё про курсы