Новые складчины | страница 12

​

Профессиональная разработка и доработка отчетов для ERP и УХ
Научитесь создавать сложные отчеты без костылей: используйте все возможности СКД, дорабатывайте типовые конфигурации и решайте задачи бизнес-аналитики любой сложности по стандартам профессиональной 1С-разработки.

О чем курс
СКД в 1С — это не просто конструктор отчётов, а мощный фреймворк для построения сложной бизнес-аналитики. Для опытного разработчика глубокое понимание СКД — это ключ к решению нестандартных задач в типовых конфигурациях, способ ускорить разработку в разы и прекратить использовать «костыли» там, где должна работать чистая архитектура.

• Наш курс — это углубленное практическое погружение в систему компоновки данных для тех, кто уже умеет писать запросы и создавать простые отчеты. Вы получите не разрозненные примеры, а целостную систему знаний о том, как проектировать, отлаживать и программно управлять сложными отчетами в реальных проектах на базе ERP и УХ.
• По окончании курса вы сможете уверенно браться за доработку любой отчетности в типовых системах, оптимизировать работу с большими данными и стать тем специалистом, который закрывает самые сложные задачи по аналитике, повышая свою ценность до уровня архитектора решений.

Курс ведет Александр Свойкин
Руководитель группы программистов в компании DNS, практикующий 1С-разработчик и ментор

15+ лет опыта в ИТ, прошел путь от разработчика до руководителя команд

• Практикующий 1С-эксперт с опытом создания и внедрения комплексных решений: от роботизированных складов до финансовых систем
• Руководитель разработки — управляет командой программистов, совмещая техническую экспертизу с управленческими практиками
• Опытный ментор — обучил тысячи студентов, популяризирует 1С-разработку через проведение митапов и образовательных мероприятий
• Эксперт по автоматизации бизнеса — реализует проекты для крупных компаний, ориентированные на реальные бизнес-задачи

Спойлер: Программа курса

Неделя 1: Старт обучения

Знакомство с целью и структурой курса. Глубокое погружение в архитектуру системы компоновки данных: этапы работы СКД-движка, роль компоновщика настроек и разбор события «ПриКомпоновкеРезультата». Постановка задач на курс.

Неделя 2

Разберем отличия запроса в СКД от обычного запроса, работу с фигурными скобками, параметрами и набором данных «Объект». Научимся ограничивать поля и условия на этапе компоновки.

Ключевые темы:

• Работа запроса в СКД vs обычный режим запроса
• Фигурные скобки в запросах и параметрах: синтаксис и назначение
• Ограничение полей и условий на этапе компоновки
• Набор данных «Объект»: проблемы и сложности использования
• Выражение представления и выражение упорядочивания

Освоим работу с параметрами, отборами и группировками. Научимся программно управлять настройками компоновки данных и применять их в зависимости от ролей пользователей.

Ключевые темы:

• Вложенные поля: параметры и отборы
• Варианты работы с отборами и программное формирование
• Группировки: декларативное и программное создание
• Варианты группировок и их применение

Неделя 3

Изучим различные варианты вывода данных: таблицы, диаграммы, коллекции значений. Научимся выбирать оптимальный способ представления данных для разных бизнес-задач.

Ключевые темы:

• Варианты отчетов и переключение между ними
• Вывод в таблицу. Тип дополнения у таблицы
• Вывод в диаграмму: настройка и форматирование
• Вывод результата СКД в коллекции значений

Освоим технику программного изменения текста запроса и генерации СКД в коде. Изучим роли полей и их влияние на формирование результата.
Ключевые темы:

• Роли полей в СКД: Обязательное, Использовать значение NULL, Остатки, Счет, Период
• Программное изменение текста запроса
• Генерация СКД в коде 1С
• Функциональные опции и РЛС в СКД

Неделя 4

Изучение механизмов расшифровки СКД. Изучим стандартные сценарии использования и работу с родительской расшифровкой.

Ключевые темы:

• Стандартная расшифровка и сценарии использования
• Получение расшифровки на группировках
• Работа с родительской расшифровкой
• Получение расшифровки у таблицы

Изучим продвинутые техники работы с данными: объединение наборов данных и их связи, а также в каких сценариях их можно использовать.
Ключевые темы:

• Набор данных «Объединения»: примеры использования
• Связи наборов данных и сценарии их использования
• Сценарии использования связей наборов данных

Неделя 5

Освоим продвинутые техники работы с СКД: расчет нарастающего итога, вывод полей в коллекцию, вызов общих модулей.

Ключевые темы:

• Расчет нарастающего итога
• Вывод рассчитываемых полей в коллекцию значений
• Вызов общего модуля из полей СКД

Научимся работать с макетами и оформлением отчетов. Изучим, когда использовать стандартные возможности СКД, а когда переходить к табличному документу.
Ключевые темы:

• Макет поля, группировки, аналитических группировок, ресурсов
• Группировка «Дополнительная информация»
• Изменение стандартной расшифровки на собственную
• Вывод отчета в табличный документ

Неделя 6

Освоим работу с вложенными схемами и пользовательскими полями. Изучим практические кейсы использования в реальных проектах.

Ключевые темы:

• Использование вложенных схем в отчетах
• Пользовательские поля в СКД

Изучим нетривиальные способы применения СКД: периодические расчеты, сложные пользовательские сценарии и интеграцию с другими механизмами платформы.
Ключевые темы:

• Использование СКД для периодических расчетов
• Сложные пользовательские сценарии
• Постобработка отчета
• Интеграция СКД с другими механизмами платформы

Неделя 7

Разберем реальные кейсы доработки отчетов в типовых конфигурациях. Изучим различные подходы: внешние отчеты, расширения, донастройка, подмена.

Ключевые темы:

• Доработка отчетов УХ
• Доработка отчетов ERP
• Подходы к доработке: расширения, донастройка, подмена

Итоги курса

Закрепление полученных знаний, разбор вопросов по домашним заданиям, обратная связь от автора. План дальнейшего развития и рекомендации по применению полученных навыков.

Ключевые темы:

• Разбор вопросов по домашним заданиям
• Обратная связь и рекомендации по развитию
• Кейсы применения знаний на практике
• Вручение сертификатов и закрытие курса

​

Создай 2 продакшен-микросервиса, пройди полный цикл разработки и получи навыки, за которые платят. В мини группе из 15 человек и с поддержкой опытного ментора

Для кого этот курс?

• Начинающие разработчики
  Хотите войти в Java с реальными проектами
• Middle-разработчики
  Стремитесь перейти на микросервисы и повысить доход
• Всем, кто устал от теории
  24 практических задания + 2 микросервиса в портфолио

Что вы получите?
2 готовых микросервиса
Payment Service (Spring Boot, REST, PostgreSQL)
Async Payment Processor (Kafka, RabbitMQ, Docker, CI/CD)
Навыки востребованного разработчика
Docker, Kafka, RabbitMQ, Spring Boot, Postgres, Spring Security, тестирование DevOps: GitHub Actions, CI/CD, Kubernetes

24 практических занятия с домашними заданиями и проверкой от преподавателя

Спойлер: Программа курса

1. Быстрый старт. Первое приложение
Технологии: Intellij IDEA, Maven, HTTP, Socket, Web

2. Основы Git и GitHub
Технологии: Git, GitHub, Intellij IDEA

3. Приложение Payment Service на основе Spring Boot
Технологии: Spring Boot, Spring Boot Web, Intellij IDEA

4. DevOps и Continuous Integration (CI)
Технологии: GitHub Actions, Checkstyle, JUnit, Intellij IDEA

5. Основы контейнеризации. Docker
Технологии: Docker, PostgreSQL, Intellij IDEA

6. JPA, Hibernate, Объектно-реляционное отображение (ORM)
Технологии: JPA, Hibernate, Spring Data, Spring Boot, PostgreSQL, Intellij IDEA

7. Версионирование БД. Liquibase
Технологии: JPA, Hibernate, Liquibase, PostgreSQL, Spring Data, Spring Boot, Intellij, DEA

8. Фильтрация, сортировка и пагинация в БД
Технологии: JPA, Hibernate, Liquibase, PostgreSQL, Spring Data, Spring Boot, Intellij IDEA

9. Реализация сервисов и мапперов
Технологии: MapStruct, Spring Boot, Intellij IDEA

10. Unit-тестирование
Технологии: JUnit, AssertJ, Mockito, Intellij IDEA

11. REST API и web-контроллеры
Технологии: Spring Boot Web, Apache Tomcat, HTTP, Intellij IDEA, Postman

12. Фильтрация сортировка и пагинация в REST API
Технологии: Spring Boot Web, REST API, Apache Tomcat, HTTP, Intellij IDEA, Postman

13. Глобальная обработка ошибок в REST API
Технологии: Spring Boot Web, REST API, Apache Tomcat, Intellij IDEA, Postman

14. Организация безопасности в REST API
Технологии: Spring Boot Web, Spring Boot Security, REST API, Apache Tomcat, OAuth, KeyCloak, Intellij IDEA, Postman

15. Интеграционное тестирование в REST API
Технологии: Spring Boot Web, Spring Boot Test, REST API, TestContainer, Intellij IDEA

16. Логирование приложений
Технологии: Spring Boot Logging, Logback, Intellij IDEA

17. Клиентское API для асинхронной обработки платежей
Технологии: Spring Boot, JUnit, AssertJ, Mockito, Intellij IDEA

18. Основы Kafka
Технологии: Kafka, Spring Kafka, Docker, Intellij IDEA

19. Приложение для асинхронной обработки платежей
Технологии: Spring Boot, Kafka, Spring Kafka, X Payment API, Docker, Intellij IDEA

20. Автогенерация кода. Спецификация X Payment API
Технологии: OpenAPI (Swagger), REST API, Spring Boot Web, Maven, Intellij IDEA

21. Интеграция асинхронной системы платежей с X Payment API
Технологии: Spring Boot Web, REST API, Intellij IDEA

22. Выполнение запланированных асинхронных задач
Технологии: Spring Boot Web, REST API, Spring Scheduling, Cron, Intellij IDEA

23. Асинхронный API для уведомления подписчиков о событиях
Технологии: Spring Boot, Spring Kafka, Kafka, Intellij IDEA

24. End-2-End тестирование системы
Технологии: Docker, Docker compose, REST API, Postman, Kafka, Kafka Monitoring, Intellij, IDEA

Преподаватель Алексей Ушаровский
Более 10 лет в разработке, работал в таких компаниях как: Epam и Oracle
Работает в Deutsche Boerse Group в настоящее время
5 лет опыта преподавательской деятельности в Java. Ментор на платформе iPrody

​

Как часто работодатели требуют Kubernetes?
В 2024 году Kubernetes стал де-факто стандартом оркестрации контейнеров
Для DevOps/SRE его требуют в 7–8 из 10 вакансий
Для Backend примерно в каждой второй
DevOps/SRE/Platform роли: Kubernetes упоминается в 70–85% вакансий
Backend: Kubernetes/контейнеры упоминаются в 45–60% вакансий (особенно в микросервисных
Cloud/Platform Engineer: 60–75%Junior Java: 15–30%
Зарплаты специалистов со знанием Kubernetes в среднем на 18% выше по рынку

Этот курс для тебя, если ты...

• Junior/Middle-разработчик
  Хочешь перейти к реальным продакшн-проектам
• DevOps/QA
  Нужно освоить Kubernetes для работы
• Senior
  Хочешь закрыть пробел и усилить компетенции

Программа курса
12 шагов к освоению Kubernetes

1. Введение в контейнеризацию
Программа:
Основы Docker
Конфигурирование образа (image) через Dockerfile
Создание образа и его сохранение в репозиторий (Local/Remote Repository)
Лучшие практики:
Оптимизация размера образа
Многоступенчатая сборка (Multistage image build)
Обеспечение Безопасности

2. Основы Kubernetes
Программа:
Архитектура Kubernetes
Основы Minikube для локальной разработки
Работа с Kubernetes Client
Kubernetes Proxy, Kubernetes DNS, Kubernetes UI

3. Рабочие нагрузки (Pod, ReplicaSet, Deployment)
Программа:
Декларация и создание Pod
Отслеживание Pod и получение доступа к нему
Состояние Pod (Health check). Разница между Liveness и Readiness
Репликация Pod через ReplicaSet
Обновление и развертывание Pod через Deployment

4. Сетевые ресурсы (Service, ClusterIP/NodePort/LoadBalancer, DNS)
Программа:
Основы Service Discovery
Объект Service и DNS внутри кластера
Интеграция LoadBalancer

5. Балансировка HTTP-запросов при помощи Ingress
Программа:
Различие между Ingress Spec и Ingress Controller
Установка Contour и обзор альтернатив
Создание и конфигурация объекта Ingress
Распределение трафика запросов
Конфигурация TLS

6. Хранение данных (Volume, PersistentVolume, PersistentVolumeClaim, StorageClass)
Программа:
Абстрагирование хранилища (PersistentVolume, PersistentVolumeClaim)
Доступные виды хранилищ
Подключение хранимых данных к объекту Pod
Динамическое выделение ресурсов (StorageClass)

7. Конфигурация и секреты (ConfigMap, Secrets)
Программа:
Управление параметрами конфигурации в приложениях
Создание и применение ConfigMap
Создание и применение Secrets
Органичения: именование и память

8. Масштабирование и стратегии развертывания
Программа:
Создание и управление объект Deployment
Масштабирование и обновление Docker Container
Автомасштабирование через Horizontal Pod Autoscaler (HPA)
Стратегии развертывания

9. Организация безопасности
Программа:
Доступ на основе ролей (Role-Based Access Control, RBAC)
Аутентификация в Kubernetes
Управление ролями объектов Kubernetes
Агрегация ролей и группы

10. Шаблонизация приложений
Программа:
Параметризация запуска при помощи Helm и шаблонов
Использование файловой системы в параметризации

11. Автоматизация и CI/CD
Программа:
Автоматизация сборки приложения
Автоматическое выполнение тестов
Автоматизация развертывания на Kubernetes

12. Мониторинг и логирование
Программа:
Настройка Prometheus и Grafana для мониторинга
Настройка Loki и Grafana для корреляции и отслеживания логов

Курс ведёт практикующий Senior Максим Добрынин

​

Проп-челлендж под ключ: выбор фирмы, риск и тактика

Как выбрать проп-фирму, посчитать юнит-экономику и выстроить дисциплину. Планируем риск, тестируем стратегии, масштабируем капитал.

Что изучим:

• Выбор проп-фирм: цели, daily/max & trailing DD, consistency, ограничения (новости/ночь/скальпинг), платформы, payout, комиссии, поддержка, верификация.
• Юнит-экономика: матожидание, вероятность, EV попытки, оптимальное число попыток, план масштабирования.
• Квота на попытку: Kelly/½-Kelly, лимиты DD (equity vs balance), budget per attempt, Monte-Carlo.
• Риск и позиции: дневные лимиты, лотность, стоп-профили без усреднений, распределение риска по сетапам.
• Хедж: допустимое/запрещённое, кросс-инструментный и фьючерсный хедж, снижение волатильности PnL.
• Тактика: сетапы с высоким Sharpe и Win×RR, календарь волатильности, работа вокруг новостей, дисциплина и психология.
• Операционка/комплаенс: KYC, выплаты, налоги, техтребования (латентность, платформа, журнал сделок).

Результат:

• Готовый чек-лист отбора проп-фирм + матрица рисков и условий.
• Ноутбук для расчёта EV, вероятности прохождения и оптимальной квоты за попытку.
• Индивидуальный план прохождения челленджа с лимитами риска, лотностью и сценариями хеджа.

Требования: базовое знание Python и терминологии трейдинга. Новички могут участвовать для расширения кругозора — всё объясняется пошагово.

​

Мастер-класс + практикум

Что вас ждёт:

• Просмотр видео
  Вы просмотрите уже записанный и выложенный на платформу autoweboffice.ru урок
• Практика
  После просмотренного урока, вы решите задание для закрепления изученной темы
• Проверка
  После решения задания, проверите результат решения на контрольном примере

4 видео урока
Снято 4 видео урока общей продолжительностью 90 минут.

20 заданий
К каждому уроку мастер-класса идут задания для закрепления полученных знаний (с проверочными результатами).

Программа:

Выгрузка данных через табличный документ
Как быстро передать данные из 1С в Excel без COM-объектов.
Разберём принципы работы с табличным документом, создадим выгрузку из 1С и научимся сохранять файл Excel простым и надёжным способом, совместимым даже с тонким клиентом.

Выгрузка данных через COM-объект Excel
Полный контроль над Excel прямо из 1С.
Научимся создавать COM-объект Excel, управлять листами, ячейками и форматированием, выгружая данные в “живой” Excel-документ, как это делают профессионалы

Загрузка данных из Excel с помощью табличного документа
Как безопасно и просто импортировать данные в 1С.
Разберём, как загружать данные из Excel без COM, с использованием встроенных средств 1С. Сделаем обработку, которая корректно подгружает и проверяет данные перед записью.

Загрузка данных через COM-объект Excel
Гибкий импорт и работа с “живым” Excel.
Создадим обработку, читающую Excel напрямую через COM-объект. Научимся разбирать строки и колонки, обрабатывать ошибки и передавать данные в нужные объекты 1С.

​

Курс проведёт вас от основ до эксперта в многопроцессорном программировании. Курс от двукратного лауреата премииStepik Awards в престижных номинациях: "Прорыв Года" и "Лучший платный курс". Курс содержит все что вам нужно знать о multiprocessing в python.
Цель курса
Мы научим вас, как использовать все ядра вашего процессора по максимуму, чтобы ускорять сложные вычисления и прокачивать производительность программ. А ещё вы сможете создавать мощные и масштабируемые приложения, которые легко справляются с большими объёмами данных и реальными нагрузками.
Почему стоит выбрать именно этот курс?
Если вы уже знакомы с основами Python и хотите научиться использовать потенциал современных процессоров, то этот курс именно для вас. Мы предоставляем четкую структуру, реальные примеры, и пошаговые задания, которые помогут вам освоить многопроцессное и многопроцессорное программирование на практике. Все темы объясняются доступно, с упором на прикладное использование. В дополнение к теоретическим знаниям, вы получите обширный практический опыт, который поможет вам сразу применять полученные навыки в своих проектах.

Программа курса
Введение

1. Содержание курса
2. Введение
3. Процессы и потоки
4. Глобальная блокировка интерпретатора GIL
5. Многозадачность в Python
6. Мультипроцессинг против многопоточности
7. Мультипроцессорное программирование в Python

Основы модуля multiprocessing

1. Главный процесс
2. Дочерние процессы
3. Взаимодействие главного и дочерних процессов.
4. Главный поток процесса
5. Получение процесса по имени
6. Как получить PID процесса
7. Получение количества ядер процессора
8. Статус и характеристики процесса
9. Как перезапустить процесс
10. Метод join()
11. Идиома if __name__ == ‘__main__’

Возврат данных из процесса

1. Возвращаем значение из процесса
2. multiprocessing.Value
3. multiprocessing.Array
4. multiprocessing.Pipe
5. multiprocessing.Pipe. Практика
6. multiprocessing.Queue
7. multiprocessing.SimpleQueue
8. multiprocessing.JoinableQueue

Примитивы синхронизации

1. Примитивы синхронизации
2. Многопроцессорный Lock
3. Многопроцессорный RLock
4. Многопроцессорный Event
5. Многопроцессорный Semaphore
6. Многопроцессорная переменная Condition
7. Многопроцессорный Barrier

Убийство процессов

1. Остановка главного процесса дочерним
2. Убийство или завершение процесса
3. Убить процесс по PID
4. Как безопасно убить или завершить процесс
5. Завершение текущего процесса

Менеджеры

1. Что такое Manager
2. Менеджер с примитивами синхронизации и очередями
3. Общее пространство имен с помощью менеджера
4. Пользовательские менеджеры
5. Серверный процесс менеджера
6. Вложенные прокси-объекты у менеджера

Пул процессов ProcessPoolExecutor

1. Знакомство с пулом процессов
2. Отправка задач в пул процессов
3. Возможности объекта Future
4. Ожидание завершения задач, ч1
5. Ожидание завершения задач, ч2
6. Как добавить callback к задаче в ProcessPoolExecutor
7. map() против submit()
8. Настройка пула процессов
9. Обработка исключений при работе с пулом процессов
10. Примитивы синхронизации с пулом процессов
11. Как повторно выполнить неудачные задачи в ProcessPoolExecutor
12. Как работает ProcessPoolExecutor

Пул процессов multiprocessing.Pool

1. Пул процессов multiprocessing.Pool
2. Блокирующее выполнение одиночной задачи
3. Неблокирующее выполнение одиночной задачи
4. Блокирующая отправка группы задач в пул
5. Неблокирующая отправка группы задач в пул
6. Итеративная обработка задач
7. Какой метод выбрать?

Продвинутый уровень

1. Пользовательские процессы
2. Иерархия процессов и задач
3. Почему не стоит использовать только процессы?
4. Потоки в процессах
5. Рекомендации и предостережения

Практика

1. Решаем задачи

В курс входят

• 69 уроков
• 397 тестов
• 116 интерактивных задач

​

В этом курсе мы вместе разберемся, как работает Model Context Protocol — протокол, через который LLM может взаимодействовать с внешними инструментами.
Мы не будем пользоваться готовыми абстракциями, а реализуем MCP-клиент и MCP-сервер на Java с помощью официального SDK. После этого подключим все к LLM-хосту и покажем, как интегрировать полученный результат в Spring AI.
Курс построен так, чтобы у вас появилось не просто поверхностное понимание, а реальный опыт работы с протоколом: от структуры сообщений до практической интеграции с моделью.

• Кому будет интересен этот курс?
  • Разработчикам, которые уже работают с Java или Spring и хотят понять, как подключать LLM к внешним системам через MCP
  • Тем, кто интересуется интеграцией AI-инструментов в корпоративные приложения и хочет разобраться, что именно происходит «под капотом»
  • Тем, кто только начинает знакомиться со Spring AI. Мы не отходим от темы в продакшен-архитектуру, а показываем понятные рабочие примеры, которые помогут быстро приобрести нужные навыки
• 
  Зачем?
  • Понять, что представляет собой MCP и как устроено взаимодействие между клиентом, сервером и моделью
  • Научиться реализовывать MCP-компоненты на Java с использованием SDK
  • Попробовать связать сервер, клиент и LLM-хост, чтобы увидеть, как это работает
  • Освоить базовые приемы интеграции MCP со Spring AI
  • Получить четкое представление о том, как такие системы можно применять в реальных проектах
• 
  Что останется у вас после
  • Рабочий пример MCP-клиента и серверы на Java
  • Код хоста, который связывает LLM с инструментами
  • Пример интеграции MCP в Spring AI
  • Понимание ключевых элементов MCP: транспорты, модель сообщений и capabilities, сущности (Tools, Resources, Resource Templates, Prompts и т. д.), отладка (MCP Inspector для отладки сервера)
  • Готовая структура проекта, которую можно использовать как основу для собственных решений

Спойлер: Программа курса:

Модуль 1. Введение

• Что такое MCP (Model Context Protocol)
• Роль MCP в экосистеме LLM
• Архитектура: клиент, сервер, хост

Модуль 2. MCP-протокол

• Transport (stdio, stream http)
• Message types (Request, Response, Error, Notifications)
• Client capabilities (Roots, Sampling, Elicitation, Experimental)
• Server capabilities (Prompts, Resources, Tools, Logging, Completions)
• Utilities (Cancelation, Progress, Ping)
• Inspector

Модуль 3. MCP SDK на Java

• Обзор MCP-библиотеки для Java
• Реализация MCP-клиента
• Реализация MCP-сервера

Модуль 4. Отладка и мониторинг

• Использование Inspector
• Логирование
• Диагностика проблем

Модуль 5. LLM-хост

• Взаимодействие с хостом

Модуль 6. Интеграция с моделями

• Модели с fine-tuning для использования tools
• Модели без fine-tuning (через системный промпт)

Модуль 7. Spring AI и MCP

• Подключение MCP в Spring AI
• Базовые настройки

Модуль 8. Практика

• Построение простого MCP-сервера и клиента
• Интеграция с LLM-хостом
• Интеграция с помощью Spring AI

​

Этот воркшоп для вас, если:

• вы хотя бы раз в жизни сталкивались с ситуацией, когда длительная операция тормозит ваше приложение
• вы отлаживали фоновые операции днями и неделями, пытаясь договориться с отправителем или получателями о "протоколе" обмена
• при разработке микросервисного приложения, у вас каждый раз получается "жирный" оркестратор, который в курсе всех бизнес-процессов
• вы хотите разобраться с особенностями современных брокеров сообщений, в какой ситуации подходит тот или иной брокер

Почему Event-Driven архитектура сейчас актуальна?

События в программировании используются с момента появления первых компьютеров. Их можно найти и в первых мейнфреймах, и в аппаратной части, и в desktop-приложениях. Однако, в настоящее время под Event-Driven или событийной архитектурой мы имеем в виду отдельный тип распределенных архитектур.

После Docker-революции наши приложения стали стремительно уменьшаться в размере. Границы приложения теперь определяются не физическим или виртуальным компьютером, а легковесным контейнером, размер которого теперь определяется только задумкой разработчика. Как следствие, мы все чаще стали прибегать к микросервисной архитектуре и довольно остро встал вопрос по связыванию, координации отдельных микросервисов и обмена сообщениями.

Все это подтолкнуло сообщество к пересмотру обработки событий. Еще 20 лет назад, брокер сообщений - это реализованный внутри приложения паттерн. Сейчас мы имеем дело с готовыми промышленными брокерами: RabbitMQ, Kafka.

Зачастую на практике события в приложениях используются хаотично, без системы. На воркшопе мы рассмотрим как проблемы при построении Event-Driven архитектуры, так и способы их решения.

Программа воркшопа

День 1. Event-Driven архитектура
В первый день познакомимся с событийной архитектурой и ее основными концепциями. Посмотрим, для каких задач она хорошо подходит, какие проблемы она решает.

Разберемся с базовыми паттернами: производитель (producer), потребитель (consumer), канал сообщений (topic, queue), агрегатор, разветвитель, dead-letter queue, брокер сообщений.

Заложим основы нашего будущего приложения, подберем архитектурные решения по структуре сообщения, количеству и назначению топиков. Проведем краткий обзор брокеров сообщений: sidekiq и resque на базе Redis, RabbitMQ и Apache Kafka.

Результат:

• Познакомимся/вспомним основные паттерны событийной архитектуры
• Построим архитектуру приложения
• Примем архитектурные решения в отношении будущего приложения
• Освоим инструменты документирования асинхронного взаимодействия (AsyncAPI)

День 2. Брокеры сообщений RabbitMQ и Kafka

Детальнее остановимся на брокерах сообщений, как на отдельном типе приложений. Рассмотрим брокеры сообщений первого и второго типов. Плюсы и минусы Kafka и RabbitMQ. Детальнее остановимся на внутренних возможностях: еxchange и binding-и.

Рассмотрим веб-панели управления, особенности эксплуатации и настройки брокеров сообщений. Потрогаем гемы для работы с брокерами сообщений и типичные приемы.

Построим центральную часть нашего приложения: разработаем сервисы для распознавания текста, заложим резервирование в системе, установим взаимодействие между сервисами и обеспечим документирование взаимодействия. Основная часть примеров будет именно на RabbitMQ.

Результат:

• Изучим, как выбирать брокер сообщений под ту или иную задачу
• Познакомимся с брокерами сообщений и инструментами для взаимодействия с ними
• Научимся обрабатывать сообщения, полученные через брокер сообщений и масштабировать решение
• Разработаем основную логику нашего приложения, связав сервисы и обработку

День 3. Event-Driven архитектура на практике

В третий день доведем наше приложение до конечного результата. Соединим все микросервисы в цепочку, так, чтобы полученный на почтовый ящик чек, проходил все этапы и сумма попадала в базу данных.

Кроме того, мы рассмотрим приемы для долговременного сопровождения проекта. Документируем проект при помощи AsyncAPI, напишем тесты, подключим dead-letter очередь для отлавливания сбойных сообщений в результате неудачных релизов.

Для мониторинга проекта настроим prometheus и grafana, в котором будем отслеживать динамику накопления и разбора очередей.

Результат:

• Завершим разработку приложения для учета чеков
• Применим паттерн dead-letter queue на практике
• Рассмотрим варианты тестирования: mock-сервер vs функциональное тестирование
• Настроим prometheus и grafana для отслеживания размера очередей

Игорь Симдянов
Автор воркшопов "Архитектура современных веб-приложений на Ruby on Rails" и "Domain Driven Design в Ruby-приложениях"

​

Программа

Модуль 1 - Основы python
1. Первая "Hello World" программа
2. IDLE (VS CODE , JetBrains ,Cursor)
3. Понятие переменной
4. Ввод вывод
5. Типы данных
6. Использование ИИ в работе и обучении

Модуль 2 - Основные возможности Python
1. Коллекции (list, tuple , dict и т.д )
2. Функции
3. ООП
4. Основные библиотеки
5. (Async / Sync / Threading )

Модуль 3 - Основы SQL и ORM

Модуль 4 - Продвинутые возможности Python (более глубокое изучение направлений профессиональной разработки)
1. Web программирование (Django , FastAPI )
2. Анализ данных
3. Машинное обучение

Модуль 5 - Проект "Создание чат бота ассистента"

​

Синтаксис языка Python — один из самых простых и интуитивных. Его используют для разработки приложений, сайтов, ботов и других сервисов, а также для сбора, анализа и визуализации данных. Буквально одной командой можно выбрать нужные комбинации, записи по заданным критериям, сгруппировать их, вычислить значения и визуализировать результат.

Во время прохождения курса вы научитесь программировать, даже если раньше никогда этого не делали. Познакомитесь с базовыми возможностями Python 3 и сразу отработаете на практике.

Для кого:

Курс подходит слушателям, желающим начать программировать на Python

• Начинающим
  Изучите основы программирования с нуля, начнете использовать Python для решения повседневных задач
• Специалистам с небольшим опытом в программировании
  Освоите сбор, анализ и визуализацию больших данных

Результаты обучения:

• Освоите язык Python
  Изучите типы данных, циклы, ветвления
• Научитесь работать с библиотеками для анализа данных и визуализации
  Numpy, pandas, matplotlib, plotly
• Будете уметь работать с API и форматами данных из API: Xml, json

Программа:

• Введение в язык Python. Знакомство со средой программирования. Базовые операции. Интерпретация ошибок
• Строки и списки в Python
• Списки, кортежи, последовательности. Методы строк и списков
• Множества. Словари. Вложенные структуры данных. Цикл For. Вложенные циклы
• Функции. Рекурсия. О-нотация
• Регулярные выражения
• Работа с файлами: текстовые и табличные файлы
• Основы ООП. Классы
• Сбор данных: web-scraping, requests, BeautifulSoup
• Сбор данных: requests, BeautifulSoup — продолжение
• Сбор данных: работа с сервисами через API
• Введение в numpy. Работа с векторами и матрицами. Введение в pandas
• Pandas продолжение. Разведывательный анализ данных
• Визуализация для презентации данных: matplotlib, seaborn
• Работа с SQL запросами и базами данных
• Создание телеграм-ботов
• Предобработка текстовых данных и изображений
• Обзор полезных библиотек Python для решения различных задач программиста

Маргарита Бурова

• Преподаватель факультета компьютерных наук
• Образование: Национальный исследовательский университет «Высшая школа экономики», специальность «Прикладная математика и информатика», магистр.
• Профессиональные интеерсы: Python, анализ данных, машинное обучение.

​

Каждый участник курса сделает своего телеграм-бота всего за 8 недель!
Я не верю в теорию. Каждую неделю — вебинар и практическое домашнее задание, где мы вместе движемся к цели — готовому приложению, написанному вашими руками.

Программа:
Недели 1-2. Git и запуск первого проекта

• Вы научитесь работать с Git как настоящий разработчик — коммиты, ветки, GitHub. Настроите профессиональные инструменты: Cursor, Docker, туннели. Запустите первый проект с hot reload и научитесь читать логи.
• Результат: Полностью настроенная среда разработки и первый работающий проект в вашем GitHub-профиле.

Недели 3-4. Архитектура и первый Telegram-бот

• Вы разберетесь, из каких блоков состоят все IT-продукты: фронтенд, бэкенд, база данных, API. Создадите первого работающего бота с админкой. Освоите цифровую безопасность — защита API-ключей и паролей.
• Результат: Работающий Telegram-бот с админкой, который безопасно хранит данные пользователей.

Недели 5-6. AI-интеграции и умный функционал

• Вы подключите к боту большую языковую модель (LLM), научитесь писать эффективные промпты и контролировать расходы на токены. Добавите боту память и тулколинг — он сможет работать с базами данных и выполнять сложные команды.
• Результат: Интеллектуальный бот с AI, который помнит контекст и может автоматизировать реальные задачи.

Недели 7-8. Деплой и масштабирование

• Вы развернете бота на реальном сервере (VPS), настроите домен и запустите в режиме 24/7. Освоите продвинутые техники вайб-кодинга и научитесь поддерживать проект как в настоящих IT-компаниях.
• Результат: Готовый продукт, работающий в интернете 24/7, и навыки для создания новых проектов.

Тариф Только посмотреть
Видеоуроки + домашка

​

Ваши результаты после курса: Научитесь строить ML модели на Python и подготовитесь к ML-секции собеседования на Junior

Для кого этот курс

• Полные новички и Junior в ML
• Аналитики
  Сможешь решать рабочие задачи с применением ML, создавать собственные проекты
• Разработчики
  Быстрее и качественнее будешь приходить к результату, возглавишь ML отдел
• Менеджеры
  Сможешь свободно общаться с командой на одном языке, самостоятельно оценивать сроки и результаты работы

Перед курсом освежите знания
или попробуйте разобраться с нуля в необходимой для старта базе:
1.Что такое матрицы и как их перемножать
2.Что такое производная и как ее считать
3.Что такое градиент функции, и куда он направлен
4.Что такое матожидание и дисперсия и как их оценивать по выборке
5.Что такое нормальное распределение, откуда оно берется и зачем нужно
6.Как поставить себе на компьютер Jupyter Notebook и как писать на Python циклы, условные операторы, вывод на печать, как и зачем импортировать библиотеки

Программа курса

• Модуль 1. Предварительные сведения из математики и программирования
• Модуль 2. Алгоритмы машинного обучения
• Модуль 3. Оценка качества
• Модуль 4. Разбор и практика решений задач с собеседований

​

Результат после курса: Научитесь не просто обучать модели, а приносить бизнесу измеряемую в деньгах пользу с помощью ML

Для кого курс

• Освоил базу ML и хочешь дальше углубляться в машинное обучение
  будешь увереннее чувствовать себя на собеседованиях
• Нет коммерческого опыта в сфере ML и хочешь попрактиковаться в применении ML на реальных кейсах
  сможешь внедрять ML в реальные проекты и приносить пользу бизнесу
• Хочешь больше коммерческого опыта в ML или застрял на позиции джуна и чувствуешь нехватку экспертизы для дальнейшего карьерного роста
  сможешь обосновать перед руководством, почему тебя стоит повысить

Программа курса

Введение:
1. Введение: напоминание основ машинного обучения, обзор применений машинного обучения во взаимодействии бизнеса с клиентом и в оптимизации расходов бизнеса. Обзор отраслей, наиболее активно использующих машинное обучение

Модуль 1. Увеличение дохода
2. Рекомендательные системы
3. Ценообразование на основе данных: smart pricing и dynamic pricing
4. Лидогенерация: таргетирование с помощью прогнозов вероятности целевого действия, uplift modelling и positive-unlabeled (PU) learning

Модуль 2. Минимизация рисков
5. Скоринг клиентов: классическая задача оценки вероятности дефолта, скоринг мошенников и кастомные скоринги
6. Детектирование аномалий или почему антифрод это не просто скоринг

Модуль 3. Оптимизация бизнеса
7. Приоритизация расходов
8. Автоматизация работы с помощью deep learningД
9. Оптимизация работы персонала и процессов в компании
Дополнительная тема: можно ли с помощью машинного обучения построить новый бизнес, и почему это не так просто

​

Чему вы научитесь

• Понимать ключевые принципы машинного обучения и типы задач (регрессия, классификация, кластеризация).
• Готовить данные: очистка, обработка выбросов, кодирование категорий, масштабирование.
• Работать с NumPy, Pandas и визуализировать данные (Matplotlib, Seaborn, Plotly).
• Разрабатывать модели на Scikit-learn: от линейной регрессии до бустингов (XGBoost, LightGBM, CatBoost).
• Оценивать модели по метрикам (accuracy, precision, recall, F1, ROC-AUC) и проводить валидацию.
• Оптимизировать гиперпараметры (GridSearchCV, Optuna, Hyperopt) и собирать ансамбли.
• Строить нейронные сети в PyTorch и TensorFlow (CNN, RNN, Transfer Learning).
• Решать задачи рекомендаций, временных рядов, кластеризации и детекции аномалий.
• Интерпретировать модели (SHAP, LIME) и учитывать bias/fairness.
• Версионировать эксперименты и модели (MLflow, DVC).
• Собирать REST API для ML-моделей (FastAPI).
• Упаковывать и деплоить модели (Docker, Streamlit, облачные сервисы).
• Настраивать мониторинг и перезапуск моделей в продакшене (Evidently, Prometheus).
• Разрабатывать end-to-end ML-проекты и оформлять GitHub-портфолио.
• Готовиться к собеседованиям на позиции ML/DS/ML Engineer (алгоритмы, SQL, системный дизайн).

О курсе
Этот курс — про инженерную сборку ML-систем под реальные условия продакшена. Вы пройдёте путь от чистого ноутбука и базовой модели до полностью работающего сервиса: с пайплайном данных, API, CI/CD и мониторингом.

Внутри — не только «как обучить модель», но и то, что важно в эксплуатации: версионирование экспериментов (MLflow, DVC), контейнеризация и деплой (Docker, FastAPI), автоматизация пайплайнов (Airflow), контроль качества (Evidently), алерты, retraining и управление зависимостями. Отдельные блоки посвящены оптимизации гиперпараметров, интерпретации моделей и принципам надёжности ML-сервисов.

Ничего лишнего: каждое занятие завершается практическим артефактом — обученной моделью, пайплайном, Docker-образом или эндпоинтом. Все проекты запускаются «из коробки» и воспроизводятся по инструкциям.

Итог курса
На выходе вы соберёте и задеплоите end-to-end ML-продукт: подготовка данных, обучение модели, REST API, контейнеризация, деплой в облако и мониторинг метрик. Получившийся проект можно добавить в портфолио и использовать как базу для продакшн ML-систем.

Для кого этот курс
Для всех, кто хочет уверенно войти в машинное обучение и доводить модели до продакшена.
Подойдёт студентам, начинающим аналитикам, разработчикам и Data Scientist’ам, которые хотят системно понять, как строятся реальные ML-сервисы — от идеи и данных до готового API и мониторинга.
Курс не требует глубоких математических знаний — всё нужное разбирается по ходу практики.

Программа курса
1. Введение в ML:

• Что такое машинное обучение и где оно применяется
• История и современные тренды
• Классы задач ML (регрессия, классификация, кластеризация, генера
• Настройка окружения (Python, Jupyter, библиотеки)
• Git основы для ML-проектов

2. Математические основы ML:

• Линейная алгебра для ML
• Основы статистики
• Теория вероятностей
• Оптимизация и градиенты

3. Python для машинного обучения:

• Основы Python для DS/ML
• Типы данных и коллекции в Python
• Работа с NumPy
• Pandas: анализ табличных данных
• Визуализация: Matplotlib и Seaborn
• Plotly: интерактивные графики
• Scikit-learn: базовые возможности
• Практикум: первая модель классификации

4. Сбор и подготовка данных:

• Источники данных: CSV, SQL, API, web scraping
• Парсинг данных (requests, BeautifulSoup, Scrapy)
• Работа с JSON, XML, Parquet
• Очистка данных и обработка пропусков
• Выбросы и методы их обработки
• Масштабирование данных
• Кодирование категориальных переменных
• Балансировка классов
• Практикум: подготовка датасета

5.Классические алгоритмы ML:

• Линейная и логистическая регрессия
• KNN и методы ближайших соседей
• Деревья решений и Random Forest
• SVM
• Наивный Байес
• Метрики качества: accuracy, precision, recall, F1, ROC-AUC
• Валидация моделей
• Практикум: сравнение алгоритмов

6. Ансамбли и настройки моделей:

• Bagging и Random Forest
• Boosting: AdaBoost, Gradient Boosting
• XGBoost, LightGBM, CatBoost
• GridSearchCV и RandomizedSearchCV
• Байесовская оптимизация
• Hyperopt, Optuna
• Ensemble Stacking
• Отслеживание экспериментов (MLflow)
• Практикум: подбор гиперпараметров

7. Глубокое обучение:

• Что такое нейронные сети и как они устроены
• Функции активации, loss-функции, оптимизаторы
• Регуляризация: Dropout, BatchNorm
• PyTorch основы
• TensorFlow/Keras основы
• CNN для изображений
• RNN и LSTM
• Attention и Seq2Seq
• Transfer Learning
• Практикум: классификация изображений

8. Специализированные задачи ML:

• Кластеризация: KMeans, DBSCAN
• Обнаружение аномалий
• Рекомендательные системы
• Анализ временных рядов: ARIMA, Prophet, LSTM
• Интерпретируемость моделей: SHAP и LIME
• Bias и fairness в ML
• Практикум: рекомендательная система

9. MLops и продакшн:

• Жизненный цикл ML-проекта
• Версионирование моделей (MLflow, DVC)
• Сериализация моделей
• REST API для моделей (FastAPI)
• Docker для ML
• Деплой: Streamlit и облако
• Мониторинг моделей
• Best practices в ML в продакшне
• Практикум: end-to-end проект

10. Подготовка к собеседованиям:

• Типовые вопросы по ML и DL
• Математика на собеседовании
• Алгоритмы и структуры данных
• SQL для ML-инженеров
• Python coding challenges
• Системный дизайн ML-систем
• Разбор реальных кейсов
• Как оформить портфолио и GitHub
• Итоговый проект

На выходе вы получите:

• системное понимание ML и MLOps
• рабочее портфолио (5+ проектов)
• финальный end-to-end ML-сервис с автообновлением модели и мониторингом

​

Если "нейросети плохо пишут код", то вам сюда. Рекомендую сначала пройти курс, потом уже с пониманием использовать MCP серверы. Не забывая конечно про правила для IDE, которые бесплатны.

MCP-серверы
6 Docker контейнеров, подключаемых одной строкой, при правильной настройке заставляют ИИ "творить чудеса" при кодинге в 1С

• Поиск (RAG+Fulltext) по коду, справке конфигурации и метаданным
• Поиск (RAG+Fulltext) по справке и запросам
• Поиск (RAG) по шаблонам кода для 1С
• Проверка синтаксиса BSL LS
• Проверка кода (1С:Напарник - нужен ключ)
• Поиск по метаданным (Граф + Субагент)