Новые складчины | страница 33

​

После прохождения сможешь:

• проектировать архитектуру и микросервисы;
• разбираться в типах интеграции;
• формировать требования для REST API и SOAP;
• описывать JSON и XML;
• тестировать API в Postman;
• отличать брокера сообщений Kafka и RabbitMQ;
• описывать OpenAPI в Swagger.

Твоя суперсила после курса:

• Знает, какие требования необходимы к разрабатываемому продукту;
• Понимает, как можно разбивать продукт на микросервисы ;
• Разбирается в паттернах интеграции;
• Умеет граммотно описать REST API;
• Использует инструменты описания и тестирования API на практике.

Спойлер: Программа

Модуль 1. Архитектура
1. Сбор требований к системе
Цель:

• Правильно писать функциональные и нефункциональные требования
• Разбираться, какие есть нефункциональные требования и в чем отличия между ними (например, чем отличается безопасность и защищенность)
• Разбираться, какие нефункциональные требования нужны для вашего приложения

Темы:

• Функциональные и нефункциональные требования
• CAP-теорема
• Примеры требований к системам

2. Монолитная и микросервисная архитектура
Цель:

• Понимать, как выглядит монолит, а как микросервисы
• Когда и почему лучше выбирать монолит или микросервисы

Темы:

• Определение монолита и микросервисов
• Плюсы и минусы
• Выбор архитектуры

3. Паттерны декомпозиции на микросервисы
Цель: научиться разбивать на микросервисы
Темы:

• Декомпозиция по бизнес-возможностям
• Декомпозиция по Domain-driven design
• Декомпозиция по UX/UI

4. Примеры архитектур
Цель: получить навык насмотренности построения архитектур на примерах известных приложении
Темы:

• Алгоритм построения архитектуры
• Пример 1 - Регистрация ИП
• Пример 2 - Тинькофф-журнал
• Пример 3 - Такси

5. Паттерны интеграции
Цель: понимать, как можно интегрировать 2 системы и как выбирать интеграцию на основе минусов и плюсов
Темы:

• Файловый обмен
• Общая БД
• Вызов процедуры
• Обмен сообщениями

6. Очереди сообщений
Цель: разбираться в очередях и когда их использовать
Темы:

• Очередь и брокера сообщений
• Особенности и сравнение Kafka и RabittMQ
• Примеры архитектур с очередями

7. Диаграмма последовательности
Цель: научиться отображать компоненты системы на диаграмме и понимать, как они предают данные между собой
Темы:

• Основные элементы
• Как диаграмма связана с архитектурой
• Инструменты для построения диаграммы

Модуль 2. REST API и SOAP
8. REST API
Цель: научиться понимать, в чем же суть REST и как описать JSON
Темы:

• Что такое API?
• Что такое REST API?
• Как называть REST API?
• Как передавать параметры в REST API?
• JSON
• Описание параметров в документации

9. HTTP-методы и коды ответов
Цель: научиться понимать, в чем же суть REST и как описать JSON
Темы:

• HTTP-методы
• Идемпотентные и неидемпотентные методы
• Безопасные методы
• Коды ответов

10. Постановка на REST API
Цель: научиться написать документацию на REST API
Темы:

• Шаблон постановки на REST API
• Разбор примеров описания REST API

11. SOAP
Цель: разбираться в структуре XML и знать, в чем суть SOAP
Темы:

• Понятие SOAP
• Разбор структуры XML-документа
• Разбор XSD-схема
• Отличие SOAP и REST

Модуль 3. Инструменты Swagger и Postman
12. Тестирование API в Postman
Цель: научиться работать в Postman и вызывать методы
Темы:

• Знакомство с Postman
• Вызов методов в Postman

13. Swagger и Open API: часть 1
Цель: разобраться из чего состоит OpenApi в Swagger
Темы:

• Понятие OpenAPI и Swagger
• Основные объекты OpenAPI
• Разбор примера описания OpenAPI в Swagger

14. Разбор описания OpenAPI
Цель: показать на примере, как описывать OpenAPI
Тема: написание OpenAPI на примере Aviasales (в Swagger)

15. Swagger и Open API: часть 2
Цель: знать все объекты в Swagger и уметь их описывать
Темы:

• Объекты servers, security, externalDocs, tags
• Плюсы и минусы OpenAPI
• Используют ли OpenAPI на практике

Формат обучения:
Все темы разбиты на небольшие видеолекции, чтобы постепенно изучать каждую новую тему и закреплять полученные знания на практике в виде небольшой домашней работы или теста.
Видеолекция может быть от 10 мин до 60 мин. В каждой видеолекции все самое важное и без воды. Курс реально пройти за 1 месяц)
После прохождения курса у вас получится итоговая документация на интеграцию, в которой будет описаны требования, построена архитектура, прописаны REST API и SOAP.

Автор: Ольга Пономарева. Старший системный аналитик

Тариф: Только послушать
Все уроки курса

Цена: 29900 ₽

​

Все, что нужно знать для успешной работы с большими данными: методы аналитики и машинного обучения, принципы работы и функциональные возможности компонентов экосистемы Hadoop, безопасность озера данных, цифровизация бизнеса.

О продукте:
Сегодня информация — это основа любого бизнеса, инструмент эффективного управления и оптимизации рабочих процессов. Аналитика больших данных (Big Data) вашего бизнеса поможет своевременно выявить и даже предупредить множество проблем, от оттока клиентов до утечки персональных данных. Чтобы понимать возможности современных технологий и выбирать среди них наилучшее соотношение «стоимость/результат», менеджеру необходимо разбираться в базовых понятиях и прикладных решениях.

Теоретический курс «Аналитика больших данных для руководителей» ориентирован на руководство государственных предприятий и частных компаний, менеджеров и специалистов, которые хотят получить расширенные знания по инструментам и методам анализа больших данных для участия в проектах Big Data и цифровизации бизнеса, в том числе, в условиях импортозамещения.

Аудитория:
Руководство государственных предприятий и частных компаний, менеджеры и специалисты.

Уровень подготовки:
Предварительный опыт не требуется.

Программа курса «Аналитика больших данных для руководителей»
1. Введение в Big Data (Большие данные)

• • Большие данные и цифровизация бизнеса.
  • Базовые принципы и отличия от классических подходов к работе с данными.
  • Обзор методологии CRISP DM — модели жизненного цикла аналитики данных: получение данных, подготовка данных, планирование модели, построение модели, проверка результатов, внедрение.
  • Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases).
  • Тенденции в подходах Big Data и что актуально на сегодняшний день.
  • Технологии Big Data в условиях импортозамещения.

2. Понимание Бизнеса (Business Understanding)

• • Определение бизнес целей для проекта Big Data.
  • Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases).
  • Инициация проекта — критические факторы успеха. Основные проблемы.
  • Оценка ситуации: риски, ROI, доступные ресурсы, оценка зрелости компании.
  • Приоритизация задач: Что делаем, а что нет.
  • Высокоуровневый план проекта.
  • Начинаем формировать команду проекта: специалисты и их компетенции, роли.

3. Понимание данных (Data Understanding)

• • Определение источников данных.
  • Специфика работы с потоковыми данными и batch в Big Data.
  • Принципы формирования Data Lake: выбор платформы.
  • Первичный сбор и анализ данных: инструментарий и доступные методы.
  • Описание данных и сбор метаданных.
  • Data management и Data Governance.
  • Оценка качества данных Data Quality.
  • Основные трудности и проблемы, критические факторы успеха, роли и навыки.
  • Разбор сценариев (cases) для фазы Data Understanding.

4. Подготовка данных (Data Preparation)

• • Подготовка данных – подходы Data Science: нормализация, очистка, выборки, enrichment, форматирование данных.
  • Подготовка данных – как процесс формирования Data Pipeline:
    • Процессы ETL и ELT,
    • Зонирование Data Lake и сегментирование данных,
    • Назначение и сравнительная характеристика компонент экосистемы Apache Hadoop, NoSQL, DWH, платформ потоковой обработки для хранения и обработки Big Data на примерах (отраслевые сценарии),
    • Инструменты оркестрирования и автоматизации (Data Flow).
  • И снова о Метаданных: Data Lineage, Data Provenance, Data Governance, …
  • Безопасность больших данных.
  • Основные трудности и проблемы, критические факторы успеха.
  • Специалисты и их компетенции на данной стадии.

5. Выбор и построение моделей (Modeling)

• • Классы аналитических задач и подходы к их решению.
  • Обзор техник моделирования.
  • Построение моделей и оценка моделей.
  • Что нужно для успешного моделирования.
  • Инструментарий для решения аналитических задач этапа моделирования.
  • Оценка моделей и среда тестирования моделей: технические метрики оценки качества проведенного моделирования.
  • А также песочницы, Machine & Deep learning, AI, Нейронные сети и многое другое.
  • Команда Data Science и их компетенции.
  • Основные трудности и проблемы фазы моделирования, критические факторы успеха.
  • Облачные платформы для быстрой разработки.
  • Место DevOps, MLOps для организации процессов разработки.
  • Рассмотрение фазы моделирования на сквозных сценариях (cases): место, участники, взаимодействие с другими фазами и процессами.

6. Оценка результатов (Evaluation)

• • Про бизнес-метрики оценки качества моделирования.
  • Что делать если все плохо? – возвращаемся на предыдущие фазы.
  • Рассматриваем данную стадию в рамках наших сценариев (cases).
  • Отличия среды разработки и эксплуатации.
  • Особенности этапа оценки.

7. Развертывание (Deployment)

• • Планирование развертывания модели.
  • Мониторинг и обслуживание модели.
  • Методологии автоматизации и вывода продуктов в промышленную эксплуатацию – DevOps и MLOps.
  • Задачи финального обеспечения фаз жизненного цикла Data Science: цикличность reviews, обновления и вывод из эксплуатации.

8.Финальная переоценка проекта

• • Постанализ рисков и BIA, ROI и генерация ценности.
  • Допущенные просчеты и методы их решения.
  • Оценка процессов и оценка зрелости компании.
  • Типичные ошибки применения CRISP DM.
  • Альтернативные подходы и расширения CRISP DM (Domino, TDSP, SEMMA).

Чему Вы научитесь:

• • Разбираться в основных понятиях Больших Данных, Машинного обучения (Machine Learning), Искусственного интеллекта (Artificial Intelligence)
  • понимать назначение компонентов экосистемы Hadoop, Spark, Kafka или терминов Data Lake, Delta Lake,
  • знать, в чем отличие Apache Hadoop, Arenadata, NoSQL, MPP или Greenplum,
  • выявить нюансы облачных решений, контейнеризации и применимости к вашей отрасли бизнеса,
  • знать, что такое политики Data Governance,
  • знать особенности применения методологий для реализации процессов аналитики больших данных на примере CRISP-DM.

Что Вы получите:
Окончив курс «Аналитика больших данных для руководителей» в нашем лицензированном учебном центре «Школа Больших Данных», вы получите сертификат установленного образца, который может засчитываться в качестве свидетельства о повышении квалификации.

​

Подходы к разработке ML-решений + средства их реализации и внедрения в production. Вы пройдете все шаги создания ML-продукта от сбора данных до интеграции ML-модели в эксплуатацию. Познакомитесь с популярными инструментами командной разработки: Git, MLFlow, DVC. Узнаете главные архитектуры ML-решений и основы менеджмента DS-проектов*.

Что такое MLOps
Благодаря стремительному развитию машинного обучения, MLOps-инженеры сегодня — одни из самых востребованных и высокооплачиваемых специалистов в области Data Science.

MLOps – это культура и набор практик комплексного и автоматизированного управления жизненным циклом систем машинного обучения, объединяющие их разработку (Development) и операции эксплуатационного сопровождения (Operations), в т.ч. интеграцию, тестирование, выпуск, развертывание и управление инфраструктурой.

MLOps расширяет методологию CRISP-DM с помощью Agile-подхода и технических инструментов автоматизированного выполнения операций с данными, ML-моделями, кодом и окружением. К таким средствам относятся рассматриваемые в нашем курсе Git, MlFlow, DVC. MLOps позволит избежать распространенных ошибок и проблем, с которыми сталкиваются Data Scientist’ы, работающие по классическим фазам CRISP-DM. Организационные приемы MLOps должны быть независимыми от языка, фреймворка, платформы и инфраструктуры.

MLOps поможет улучшить следующие аспекты ML-проектов:

• унифицировать цикл выпуска моделей машинного обучения и созданных на их основе программных продуктов;
• автоматизировать тестирование артефактов Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... , таких как проверка данных, тестирование самой ML-модели и ее интеграции в production-решение;
• внедрить гибкие принципы в проекты машинного обучения; поддерживать модели машинного обучения и наборы данных для их в системах CI/CD/CT;
• сократить технический долг по ML-моделям.

Программа курса "MLOps: Разработка и внедрение ML-решений"
Часть 1. Задачи и инструменты машинного обучения
Цель:

• • дать представление о постановках задач машинного обучения, а также современных методах и инструментах их решения;
  • продемонстрировать отличия от задач, для решения которых достаточно классических методов и алгоритмов (без ML)

Теоретическая часть: погружаемся в классические постановки задач машинного обучения, методы их решения, метрики качества для оценки точности результатов, знакомимся с инструментами
Практическая часть: осваиваем инструментарий и настраиваем среды разработки, решаем небольшой набор ознакомительных задач
Домашняя работа: решение задачи классификации/регрессии.

Часть 2. Основные этапы разработки ML-решений: от прототипа до подготовки к production
Цель:

• • продемонстрировать подходы к прототипированию и основные требования, которым должен удовлетворять прототип;
  • показать этапы доработки прототипа при подготовке MVP;
  • дать представление о возможных подходах к интеграции решения в продуктивной среде;

Теоретическая часть: демонстрация процесса разработки ML-решения, от сбора данных до сериализации ML-модели.
Практическая часть: пример построения сквозного ML-решения.
Домашняя работа: построение индивидуального сквозного ML-решения.

Часть 3. MLOps. Экосистема разработки ML-продуктов
Цель:

• • продемонстрировать необходимость инструментов командной разработки ML-решений;
  • показать этапы доработки прототипа при подготовке MVP;
  • дать представление о возможных подходах к интеграции решения в production;

Теоретическая часть: демонстрация примеров необходимости внедрения MLOps- инструментов.
Практическая часть: используем Git, MLFlow и dvc в сквозном примере.
Домашняя работа: используем Git, MLFlow и dvc в индивидуальном сквозном ML-решении

Часть 4. Подходы к работе с данными на каждом этапе разработки ML-решений
Цель:

• • показать основные типы данных и методы работы с ними;
  • продемонстрировать подходы к поиску, хранению и обработке данных на этапах разработки ML-решений;
  • основные вопросы разметки данных и их подготовки для обучения и использования в production

Теоретическая часть: знакомимся с данными в виде таблиц, текста, картинок, аудио. Отвечаем на вопросы как и чем обрабатывать и производить разметку в каждом отдельном случае. Погружаемся в мир Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... , PostgreSQL, Apache Spark, Hive для обработки и хранения данных. Смотрим на AirFlow как на инструмент для планирования и выполнения задач по обработке данных.
Практическая часть: продолжаем развитие сквозного ML-решения, увеличиваем объем данных, переезжаем в БД, размечаем данные, настраиваем AirFlow на процесс получения и подготовки данных для обучения.
Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Часть 5. Обзор архитектурных решений для интеграции в production. Использование облачных сервисов
Цель:

• • показать основные подходы по интеграции решений в production: монолит или микросервисы, высоконагруженные системы, локальный сервер или облачная платформа;
  • продемонстрировать плюсы и минусы использования облачных сервисов на каждом этапе разработки ML-решений;
  • погрузиться в особенности микросервисных архитектур c использованием контейнеризации;
  • проработать вопрос использования коробочных решений на примере TF serving;
  • интегрировать решение на облачную платформу Yandex Cloud.

Теоретическая часть: знакомимся с интеграцией в production. Рассмотрим различные варианты архитектур ML-решений. Рассматриваем микросервисную архитектуры с использованием контейнеризации (Docker и K8s). Интеграция с Yandex Cloud.
Практическая часть: упаковываем сквозное ML-решение в контейнер и отправляем в AWS, обновляем текущее решение с добавлением TF serving.
Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Часть 6. Обзор этапов и структуры ML-проекта* (входит в расширенную версию курса — 40 ак.часов)
Цель:

• • показать весь ML-проект целиком: основные этапы и ресурсы, необходимые для реализации проекта;
  • продемонстрировать цикличность в жизненном цикле ML-решения;
  • отметить важность мониторинга и дэшбордов для поддержки и развития ML-решений.

Теоретическая часть: подвести итоги и взглянуть на ML-проект в целом: основные составляющие успешного проекта, количество и состав команды на каждом этапе разработки ML-решения, технологии и инструменты для разработки ML-решения и управления ML-проектом. Менеджмент DS-команды.
Практическая часть: настраиваем DVC и MLFlow, создаем репозиторий в Git, разворачиваем CI/CD для сквозного ML-решения.
Домашняя работа: завершаем индивидуальный проект.

​

Инструментрий ARIS применяется уже много лет крупнейшими компаниями для описания бизнес-процессов и ИТ-архитектуры.

Цель учебного курса

• Формирование у слушателей комплекса теоретических знаний, методологических основ и практических навыков в области моделирования архитектуры предприятия с использованием инструментальной системы ARIS

Программа курса:

Тема 1. Обзор инструментария ARIS

• Инструментарий ARIS
• Модули ARIS
• Обзор интерфейса ARIS
• Практикум «Изучение интерфейса ARIS»
• Объекты и связи в ARIS
• Принципы моделирования в ARIS
• Скрипты отчетности
• Администрирование ARIS

Тема 2. Моделирование организационной структуры, документов и информационных систем

• Соглашение о моделировании
• Практикум «Построение модели моделей»
• Описание организационной структуры.
• Практикум «Построение модели организационной структуры»
• Описание документов
• Практикум «Построение модели документов»
• Описание информационных систем
• Практикум «Описание информационных систем»

Тема 3. Моделирование бизнес-процессов

• Модель цепочки добавленной стоимости – VAD
• Практикум «Описание бизнес-процессов верхнего уровня»
• Описание сценариев процесса – PSD
• Практикум «Построение матрицы выбора процесса»
• Описание процедур в нотации BPMN
• Практикум «Построение модели BPMN»
• Описание окружения функции
• Практикум «Построение модели FAD»

Тема 4. Дополнительные возможности ARIS

• Дерево целей и показателей
• Описание рисков и внутренних контролей
• Описание рисков и контрольных процедур в бизнес-процессах
• Архитектура приложений
• Элементы архитектуры приложений

​

Концентрированный, дополняемый, удобный курс по продвинутому Backend (Python)
В этом курсе мы пройдемся по темам в углубленном формате. Так же приятным бонусом будет дополняемость курса, то есть купив один раз вы будете получать со временем новый материал.

Меня зовут Кирилл и я Senior FullStack разработчик. Большой опыт за плечами на разных позициях в том числе и руководящих. Провел порядка 100 собеседовний на различные позиции.

Преимущества - (такого нет у конкурентов)
Бесплатная консультация в подарок

Первые 20 купивших получат бесплатную консультацию либо собеседование со мной. На консультации можно задать обсолютно любые вопросы или задачи которые надо решить. Длительность консультации или собеседования равна 1 часу

Купил один раз и получаешь обновления
Большинство курсов устаревают из-за того что материал не меняется. Язык развивается динамично поэтому материал нужно добовлять или обновлять как можно чаще. В этом курсе купив один раз доступ к материалу, вы получите возможность получать обновления.

Удобство прохождения
После покупки курса вам будет выдан доступ в бот навигатор в телеграме, а так же вы будете добавлены в закрытый канал с материалом. С помощью бота навигатора можно будет решить любой вопрос или проблему, помимо этого помощь и ответ на сообщения будет происходить в ускоренном режиме

Спойлер: Далее:

Для кого этот курс ?
Для Трейни, Junior, Middle разработчиков которые хотят повысить свой уровень или углубиться в ряд тем. Тут вы рассмотрите продвинутые темы и полный спектр возможностей

Как проходит курс ?
После покупки курса вы будете добавлены в бота навигатора и закрытый telegram канал со всем материалом. Через бот навигатор вы можете удобно и структурировано получать информацию, проходить тесты, запрашивать собеседования, а так же получить свой уникальный сертификат о прохождении курса

Что будет в курсе ?

Введение

Модуль 1 - ООП - 40мин
Модуль 2 - Асинхронность - 1ч
Модуль 3 - Многопоточность и Многопроцессорности - 35мин
Модуль 4 - Работа в сети - 45 мин
Модуль 5 - SQL - 50 мин
Модуль 6 - Архитектура - 40мин
Модуль 7 - Flask - 25мин
Модуль 8/9 - Django + Docker + DRF - 1.5ч
Модуль 10 - FastAPI - 32мин
Тесты - 2 часа
Консультация/Собеседование - 1 час

​

По окончании курса вы:

• Научитесь проектировать и реализовывать сложные проекты, говоря на языке бизнеса с помощью Domain-driven design
• Станете более ценным сотрудником, погрузившись в мир распределенных Event driven систем
• Приобретете уникальное преимущество на рынке, глубоко изучив подход Event sourcing и паттерн CQRS, создадите свое первое распределенное event-sourcing приложение

• Узнаете, как работает алгоритм 2PC и сами реализуете распределенную транзакцию с паттерном Saga
• Будете чувствовать себя гораздо увереннее при прохождении system design интервью
• Получите именной сертификат об окончании курса

​

Для кого этот курс
Для Трейни, Junior, Middle разработчиков которые хотят повысить свой уровень владения ванильным JavaScript. Тут вы рассмотрите продвинутые темы и полный спектр возможностей языка на продвинутом уровне

Как проходит курс
После покупки курса вы будете добавлены в бота навигатора и закрытый telegram канал со всем материалом. Через бот навигатор вы можете удобно и структурировано получать информацию, проходить тесты, запрашивать собеседования, а так же получить свой уникальный сертификат о прохождении курса

​

Воркшоп по проектированию архитектуры информационных систем для системных аналитиков, которые хотят познакомиться с популярными паттернами проектирования микросервисной архитектуры
и научиться их визуализировать в диаграммах нотации С4

Задания практического воркшопа

• Выбрать кейс
• Выбрать подходящую архитектуру для своей системы
• Выбрать подходящие БД
• В случае микросервисной системы выбрать стиль взаимодействия микросервисов и подходящие паттерны проектирования
• Описать архитектуру своей ИС в виде набора диаграмм модели С4 (3 первых уровня)
• Аргументированно представить свое решение

Кейсы воркшопа:

• Банк
• Служба доставки
• Туроператор
• Служба такси

Ведущий инструктор: Полина Комкова, Systems.Education
Специалист по проектированию информационных систем, Главный системный аналитик. Более 7 лет в разработке ИС и ПО, прошла путь программиста математических моделей спутниковых систем, бизнес-аналитика в аэрокосмической и оборонной промышленности, системного аналитика в e-commerce и финтехе

Состоится: 21 апреля 10:00–14:00

Сайт

​

• Научишься решать сложные алгоритмические задачи, как на собесах в BigTech
• Узнаешь, как оптимизировать свою производительность на алгоритмическом собеседовании для гораздо более уверенного прохождения
• Поймешь, как работать с алгоритмами и применять их в подходящих ситуациях
• Сможешь оценивать алгоритмическую сложность для подтверждения эффективности работы твоего алгоритма

Зачем тебе знать алгоритмы?
Большие компании, такие как Google и Amazon, Yandex и Ozon предлагают великолепные рабочие условия и зарплаты. Обычный инженер в Google получает более $200.000 в год.

Там программисты разрабатывают приложения, которыми пользуются миллионы людей. Для эффективного обращения с таким количеством данных разработчикам необходимо знание алгоритмов, чтобы писать гораздо более мощные и надежные системы.

Поэтому, чтобы отобрать лучших, такие компании проверяют, умеют ли разработчики работать с алгоритмами. Ведь это показатель тренированного ума в решении сложных задач — именно за это и платят очень много денег! Об алгоритмах всегда спрашивают в ходе собеседований на позицию разработчика любого уровня, в том числе Junior.

Программа курса:
Теория:
Оценка сложности (О-нотация)

• Структуры данных: список, связный список, хэш-таблица, сет
• Структуры данных: стек, очередь, куча (heap)Advanced структуры данных: бинарное дерево, бинарное дерево поиска, граф
• Основные техники решения задач: two pointers, sliding window, prefix sum
• Сортировки и их использование: типы сортировок, binary search — Основные техники решения advanced-задач: DFS, BFS, • Hare-Tortoise
• Главные графовые алгоритмы: Дейкстра, Флойд, Беллман-Форд, топологическая сортировка, окрашивание графа

Практика:

• Родмапа самых главных задач на LeetCode, которые чаще других попадаются на собеседованиях
• Разборы ключевых задач, дающих максимальный буст в твой навык работы с алгоритмами
• Сессии парного программирования для интенсивной работы над сложными задачами и тренировки формулирования решения
• Взаимодействие с сообществом в чате для анализа ошибок и оптимизации работы

​

Стань настоящим гуру Линукса, начав с самых основ. Разложим сложные концепты простым языком и сформируем целостный образ мышления вокруг Linux. Закрепим знания на десятке практических задач с автоматической проверкой. Практиковаться будем на наших серверах – в онлайн-версии VS Code с доступом к терминалу

О курсе
В IT-сфере понимание Linux — не просто полезное знание, это необходимость. Мало знать, как писать программы — не менее важно уметь работать с операционной системой, которая является окружающей средой этой программы. В большинстве случаев нужно работать с Linux - самой популярной ОС. И это не только наша позиция – работодатели требуют знание Linux в огромном множестве вакансий: от девопсов до тестировщиков, от системных разработчиков до дата-сайентистов.

Много практики
В курсе есть вопросы по мере чтения и отдельные практические уроки на написание Bash-команд и решение объёмных задач в онлайн-тренажёре.

Материалы высокого качества
Мы разрабатываем курс более года, стремясь к совершенству в деталях. Каждый новый урок проходит многочисленные ревью практикующих специалистов, а старые постоянно дорабатываются с учётом фидбека учащихся. Кроме качественного текста, в статьях много иллюстраций и интерактивных видео с терминалом, откуда можно копировать команды.

Практика на наших серверах
Обещаем моментальное погружение в Линукс с первых минут, ведь начать занятия можно сразу: из браузера на любом устройстве. Можно не бояться, что во время обучения случайно накосячишь и снесёшь всё со своего компьютера.

Автоматическая проверка задач
Наша тестирующая система проверит твой Bash-скрипт на множестве тестов и подскажет, что именно пошло не так.

В курс входят

• 20 уроков
• 65 тестов
• 16 интерактивных задач

Авторы курса: Fedor Ivanov, Artem Starikov

Программа курса:

Введение в курс

1. Терминология
2. Команды
3. Мануалы
4. Текстовые редакторы
5. Интерлюдия: практика в Coder
6. Интерлюдия: регистрация в Coder

Программирование на Bash

1. Введение
2. Введение: практика
3. Условия и циклы
4. Условия и циклы: практика
5. Параметры и подстановки
6. Функции
7. Арифметика

Файловая система

1. Введение
2. Устройство файловой системы UNIX

Файловая система: продолжение

1. Иерархия файловой системы
2. Утилиты

Программирование на Bash: продолжение

1. Параметры и подстановки: практика
2. Функции: практика
3. Арифметика: практика

​

Спойлер: Преподаватели модуля:

Юлдуз Фаттахова (Python):

• 5+ лет в Data Science.
• Руководитель AI-проектов в Cбер.
• Автор курсов по Machine Learning.

Дарима Мылзенова (Python)

• Инженер-исследователь
• Ведет курсы в Digital Banana, ДПО НИУ ВШЭ, читает лекции в Сколтехе и в ШАДе.
• Ex-Gazprom Neft, Just AI. Искала нефть с помощью алгоритмов компьютерного зрения и разработала модели синтеза речи для aimyvoice.

Анна Чувилина (Python)

• Ex-Head of Analytics в Яндекс, преподаватель Mathshub, преподавала в НИУ ВШЭ и Harbour Space University.

Чему мы научим на Основах Python:

• На этом модуле вы освоите основы программирования на Python, работу со структурами данных, условными операторами и библиотеками, функциями и объектно-ориентированным программированием.
  Вы научитесь решать свои первые задачи на Python, а также подготовите проектную работу: чат-бот для Telegram с использованием библиотек, парсинга и API
• Рассмотрите назначение Python
  Вы начнёте изучение с введения в Python: узнаете, зачем нужна арифметика и функции, и научитесь работать со строками. Узнаете, какие сферы затрагивает Python и для чего он используется.
• Узнаете как эффективно хранить и извлекать данные
  Вы поймёте, как улучшить эффективность работы на Python и упростить процесс программирования с помощью структур данных — словарей и множеств. Разберёте, как они используются для решения различных задач в программировании — быстрого поиска, фильтрации данных, устранения дубликатов.
• Добавите в скиллы продвинутый python
  Вы изучите, что такое генераторы и операторы, как работать с библиотеками NumPy, SciPy и Pandas. Поймёте, как работать с Python в многопоточности и асинхронном программировании.
  Протестируете свой первый чат-бот
  Написание итогового проекта — ваша практика в использовании виртуального окружения, подключении необходимых библиотек и написании плана по разработке. Вы научитесь тестировать ботов/приложения и налаживать их работу, вычисляя сбои в коде.

Что включено в модуль:

• Базовые типы данных: int, float, string, bool
• Условный оператор и циклы: for, while
• Структуры данных в Python: списки, кортежи, словари и множества, comprehensions
• Функции, аргументы и аннотации функций
• Область видимости переменных, lambda функции, map, zip, sorted
• ООП: инкапсуляция, наследование, полиморфизм, dunder methods, абстрактные классы, mro
• Numpy для эффективных вычислений
• Pandas для анализа данных
• Работа в Jupyter Notebook и в Pycharm
• Обработка исключений, итераторы и генераторы, декораторы

Программа модуля:

Продолжительность: 36 ак. часов / 10 недель
Формат обучения: Лекция + семинар​

1. Введение в Python, его назначение. Арифметика и функции. Работа со строками
2. Введение в Python: интерактивное программирование
3. иклы и особенности их применения
4. Структуры данных в python, работа с файлами, библиотеки
5. Функции в Python
6. Введение в ООП
7. Введение в Numpy, Jupyter Notebook, Pandas
8. Работа в Jupyter Notebook
9. Чат боты, подготовка по проектам
10. Продвинутые возможности Python

Твои навыки после обучения:

• Основы программирования на Python (строки, циклы, структуры данных, функции и ООП)
• Владение библиотеками Numpy и Pandas
• Создание чат-бота

​

Чему мы научим на Machine Learning:
На этом модуле вы изучите взаимосвязь между независимыми и зависимыми переменными, научитесь предсказывать значения последней на основе первых и разделять наблюдения на заранее определенные категории или классы на основе их признаков.
Вы поймёте, как нескольким разработчикам работать над одним проектом одновременно, улучшая качество и скорость его разработки, а также узнаете, что такое кластеризация и подготовка данных.
◆ Узнаете всё о машинном обучении
Машинное обучение — подраздел искусственного интеллекта, который обучает системы самостоятельно учиться и делать прогнозы или принимать решения на основе данных. На модуле вы начнёте изучать тему машинного обучения с введения, узнаете, каким оно бывает и какие основные компоненты его работы.
◆ Познакомитесь с ключевыми алгоритмами
Вы разберётесь в ключевых моментах работы машинного обучения, познакомитесь с понятием градиентного спуска. Это оптимизационный алгоритм, используемый для минимизации функций потерь в методах машинного обучения и искусственного интеллекта.
◆ Научитесь создавать ml-пайплайны
ML-пайплайн — это набор этапов, выполнение которых приводит к созданию и обучению модели машинного обучения. Это методология разработки моделей, которая помогает улучшить процесс их создания, отладки и масштабирования. На модуле вы научитесь создавать пайплайны с нуля, развивать их, изучите их функционал.
◆ Изучите полезные приёмы при работе с данными
Вы начнёте разбираться в том, как оптимизировать скорость работы и наладить процесс обработки данных. Узнаете, зачем необходимо использование кросс-валидации для оценки производительности, как делать предобработку данных и тонкую настройку.

Что включено в модуль:
Введение в ML: каким оно бывает и каковы основные компоненты метрики и задача линейной регрессии
Градиентный спуск
Обобщающая способность модели: метод отложенной выборки / Кросс-валидация
Линейная классификация: оценка вероятности
Матрица ошибок и основные метрики классификации
ROC, PR-кривые, AUC-ROC, AUC-PR
Градиентный бустинг
Bias-variance trade-off
Кластеризация
Рекомендательные системы
Машинное обучение: классические задачи и алгоритмы
Создание ML-пайплайна с нуля и развитие ML-пайплайна

Программа модуля:
20 ак. часов / 5 недель
Формат обучения: Лекция + семинар

Регрессии
Классификация
Парное программирование — Алгоритмы ML
Кластеризация
Подготовка данных
Продвинутые подходы ML

Твои навыки после обучения
Основы теории машинного обучения
Валидирование данных
Построение регрессии, кластеризации и градиентного спуска
Создание ML-пайплайнов с нуля и их развитие

Mathshub — международная школа анализа данных и разработки.
Преподаватель модуля: Олег Булыгин. Machine Learning
7 лет опыта в управленческих должностях в научно-производственных компаниях космической отрасли.

​

Чему мы научим на Продуктовой аналитике:
◆ На этом модуле вы узнаете, кто такой продуктовый аналитик, и какие функции он выполняет.
Вы по ймёте, что такое продуктовые метрики, как их выбирать, считать и оценивать.
◆ Научим определять цели
Вы разберётесь, как определять цели и задачи бизнеса, и вырабатывать соответствующие метрики. Научитесь анализировать данные и выявлять связи между различными метриками. Поймёте, как изменение одной метрики может глобально повлиять на общие задачи бизнеса.
◆ Освоите работу с показателями
Узнаете, какие ключевые показатели эффективности существуют и научитесь грамотно оценивать результаты работы. Поймёте, как с помощью метрик оценивать эффективность различных стратегий и тактик, а также сравнивать результаты с предыдущими периодами.
◆ Научитесь выявлять проблемные области
Вы научитесь выявлять проблемные области, опираясь на полученные данные. Сможете определять приоритеты и искать решения, основанные на известных фактах, а не на интуиции и догадках.
◆ Научитесь оптимизировать работу
Вы начнёте отказываться от лишних показателей и проверять полноту метрик. Научитесь совмещать особенности продукта, данных, клиентов и бизнеса в готовом показателе. Узнаете, как создавать такие метрики, которые будут востребованы бизнесом и не будут вводить в заблуждения.

Что включено в модуль:
Программа модуля:
Продолжительность: 8 ак. часов / 2 недели
Формат обучения: Лекция + семинар
Влияние метрик на принятие решений
Организация работы с метриками. Основные концепции и популярные показатели

Твои навыки после обучения
Освоение основ работы продуктового аналитика
Освоение продуктовых метрик, как их выбирать, считать и оценивать

Mathshub — международная школа анализа данных и разработки.
Преподаватель модуля: Эдуард Водяницкий. Продуктовая аналитика, Визуализация данных

​

Чему мы научим на Математике:
◆ На этом модуле вы освоите основные понятия математики: матрицы, функций, операторы — и научитесь с ними работать.
Вы изучите математическую статистику и теорию вероятности.
Вы узнаете свойства и поведения функций, их графиков, производных и интегралов, а также научитесь решать уравнения с использованием алгебраических и матричных методов. Научитесь определять экстремумы функций с использованием производных и методов оптимизации.
◆ Изучите необходимую базу
На практических заданиях вы разберёте степени и логарифмы, столкнётесь с пределами и последовательностями, а также с бесконечными суммами. Узнаете, как работают функции и их композиции, узнаете, что такое дифференцирование степенной функции.
◆ Разберёте метод градиентного спуска
Вы освоите цепное правило, частные производные и метод градиентного спуска — его широко используют для совершенствования и обучения моделей машинного обучения.
◆ Научитесь работать с матрицами и векторами
Вы изучите векторы и матрицы, а также разберёте операции с ними и нормы векторов. Узнаете, что такое трансформация двумерного пространства матрицей 2х2. Изучите собственные векторы и собственные числа матриц.
◆ Начнёте глубокое погружение в тему
Узнаете, что такое матричные разложения и для чего они нужны. Научитесь применять сингулярное разложение матриц.

Что включено в модуль:
Основные понятия математики
Матрицы
Функции
Операторы

Программа модуля:
Продолжительность: 16 ак. часов / 4 недели
Формат обучения: Лекция + семинар

Степени и логарифмы. Пределы и последовательности. Бесконечные суммы
Функции и их композиции. Формы уравнения прямой. Трансформация графиков функций
Дифференцирование степенной функции. Производная от суммы и произведения функций. Поиск экстремумов функций
Цепное правило. Частные производные. Метод градиентного спуска
Неопределённые и определённые интегралы. Два слова о дифурах
Векторы, матрицы и операции с ними. Нормы векторов
Трансформация двумерного пространства матрицей 2×2. Собственные векторы и собственные числа матриц
Матричные разложения и их применение. Сингулярное разложение матриц

​

Чему мы научим на Exploratory data analysis:
◆ На этом модуле вы изучите понятие стохастического подхода в анализе данных, научитесь разделять переменные на различные типы и выбирать соответствующие меры по локации и разбросу, а также разберётесь в применении различных методов для анализа данных.
Обучение включает математическую статистику, линейную алгебру, математический анализ и теорию вероятностей, применяемые в оптимизации и машинном обучении. Вы узнаете, как проводить базовый исследовательский анализ, визуализировать данные и исправлять в них проблемы, заполнять пропущенные значения и оптимизировать большие датасеты для работы.
◆ Узнаете всё о стохастическом подходе
Разведывательный анализ данных (EDA) используют для исследования и анализа набора данных с целью получения первичного понимания о его структуре, особенностях и возможных образцах. Вы разберёте, что такое EDA, погрузитесь в краткую историю стохастического подхода и в сферы его применения.
◆ Научитесь работать с переменными
Вы узнаете, как в разведывательном методе используют различные типы переменных — непрерывные, дискретные, порядковые, номинальные, количественные. Также узнаете о зависимостях двух переменных, корреляции и регрессии.
◆ Изучите взаимодействие с массивами данных
В EDA работа с массивами данных включает в себя подготовку данных, их обработку, анализ, визуализацию, агрегацию и преобразования. Вы разберёте методы работы и какие программные инструменты необходимы в процессе.
◆ Познакомитесь с оптимизацией больших датасетов
Вы узнаете, как ускорить процесс работы, повысить эффективность в обработке информации и сократить время анализа. Расскажем, как удалять ненужные переменные, что такое индексация и как применять сжатие.

Что включено в модуль:
Введение в разведывательный анализ данных. Алгоритмы и методы
Математическая статистика в контексте EDA. Типы признаков
Линейная алгебра в контексте Линейных методов
Математический анализ в контексте задачи оптимизации
Теория вероятностей и математическая статистика
Теория вероятностей в контексте Наивного Байесовского классификатора
Анализ данных

Программа модуля:
Продолжительность: 16 ак. часов / 4 недели
Формат обучения: Лекция + семинар

Краткая история стохастического подхода. Типы переменных. Меры локации и разброса набора данных. Диаграмма размаха
Таблицы частот и оценка мер локации по неполным данным. Гистограммы плотностей
Зависимость двух переменных. Корреляция и регрессия
Непараметрическая корреляция. Расчёт корреляции и построение регрессии в Python
Мониторинг приложений. Автоматизация деплоя с помощью GitHub Actions
Оптимизация больших датасетов и библиотеки для работы с большими данными

Твои навыки после обучения
Владение математической статистики в контексте EDA
Умение строить таблицы частот и гистограммы плотностей, оценивать меры локации по неполным данным
Расчёт корреляции и построение регрессии в Python
Умение работать с массивами данных и пропусками. Классификация и агрегирование. Визуализация в Tableau
Оптимизация больших датасетов и библиотеки для работы с большими данными

Mathshub — международная школа анализа данных и разработки.
Преподаватель модуля: Георгий Милютин. Ex-глава департамента математики в London Gate Education Group.