HTML/CSS

Интенсивно и качественно, если стараться Проходил курс "Инфраструктурная платформа на основе Kubernetes" в 2021-2022 году.Курс подаётся не просто как свой взгляд на документацию куба, а как полноценный продукт-идея, которую можно использовать для трансформации инфраструктуры где угодно.То есть вы не просто должны освоить лучшие практики по работе с кластером, но и можете адаптировать идеи, используемые в лучших компаниях разного масштаба, для того, чтобы провести переход к надёжному, быстрому и масштабированию состоянию вашей инфраструктуры. Этому посвящены некоторые лекции, включая вводную.Курс очень хорошо продуман и, очевидно, что над ним работали настоящие эксперты, которые погружены не только в данную технологию, но и в целом в области DevOps и SRE. Это большой плюс, так как по ходу курса, если ты заинтересован, то, делая шаг в сторону, перенимаешь многие интересные приёмы, решения и использование технологий, которые помогают развиваться и расширять кругозор в целом.Например, при прохождении домашки по CRD и операторам, начинаешь подглядывать в то, как реализован специально для этого задания написанный на GO код, который использует API куба, какая иерархия и т. п.Это также прослеживается, когда работаешь с очень глубокими темами типа сетевого взаимодействия, где речь заходит о маршрутизации, сетевых плагинах и eBPF.Это преимущество скрыто на первый взгляд, но очень важно, так как оно влияет на широту охвата, правильные переходы от общего к частному и знанию множества "выстраданных нюансов", которые обычно приходится искать на 10й вкладке stackoverflow.Интересно, что для ускорения работы с кубом в реальном мире используется множество утилит и каждый по факту с кластером работает по-своему: кто-то использует k9s, кто-то мейнтейнит кучу кластеров и постоянно переключается через kubectx. В курсе вам сразу демонстрируют все возможные способы, рекомендуя для понимания использовать сначала просто alias для kubectl, чтобы команды были "на кончиков пальцев", а потом уже переходить к высокоуровневым утилитам.Данной функцией не пользовался, так как не был заинтересован, но у отуса налажены контакты с разными работодателями, что позволяет по упрощённой процедуре попадать на собеседования по итогам успешного обучения.Также, в конце обучения выдают сертификат, однако, лучше сдать экзамен на CKA или CKD от Linux Foundation - некоторые вопросы теста в курсе не затрагиваются и их нужно будет отдельно прорабатывать, но большую часть вы легко закроете.Однако я в дополнение взял себе по скидке курс на udemy специально под сертификацию и использую другие ресурсы.Время.Если вы привыкли работать больше 8 часов в день, то, с данным курсом вам придётся изменить свой подход ибо для обучения потребуется очень много времени: нужно ввести привычку каждый день делать домашку во чтобы то ни стало. Без этого меня уходили выходные полностью, а если они тратились на другие дела, то отставание очень быстро росло. Мне пришлось переводиться на новый поток из-за отставания.Курс свёрстан в 19м году и многие вещи устарели - это очень расстраивает, так как приходится дебажить самому ошибки в эвентах и логах, тратить запланированное время не на обучение, а на гуглёж явной недоработки авторов.Типичный пример - дан кусок кода с объектом, который был сделан для api в бета версии. А сейчас он изменился, вышел из беты и имеет вообще другие поля.Персональная рекомендация: не пропускать лекции в онлайн, даже если вы отстали.Так вы точно будете хотя бы иметь представление, как и что работает, а также сможете задавать свои вопросы по ходу лекции.К сожалению, авторы курса и лекторы - это разные люди, и часто бывает, что на возникающие вопросы ответ сразу получить не получается - его переносят в слак или же просто забывают.Итого.Как и любое обучение, его качество зависит в первую очередь от ученика: если вы готовы уделять дополнительное время, решать все задачи со звёздочками, сознательно выбирать в какие темы углубляться в проектной работе, то, без сомнения, вы станете крутым специалистом - здесь созданы все условия для этого.С другой стороны, если вы сейчас не готовы нырять в нюансы, то, даже обязательных заданий, без проектной работы будет достаточно, чтобы работать с любым кластером и прекрасно ориентироваться во всех аспектах технологии.Будьте готовы тратить очень большое количество своего времени и выдерживать высокий темп.Кроме шуток - представьте себе, что вы берётесь за параллельную вторую работу, которая требует интеллектуальных усилий и её нужно делать максимально качественно.Успехов!

Плюсы: Курс высокого качества Грамотный системный подход Всё виде кода Работа с major cloud-ами Содержит цель и идею, что заставляет чётче понять смысл происходящего Прохождения курса достаточно, чтобы легко работать практически в любой компании

Минусы: Многое устарело и требует исправления Некоторые темы проработаны поверхностно Отнимает очень много времени (+-) Обратная связь часто медленная

Курс «Математика для Data Science. Базовый курс» Я, обычное, редко пишу отзывы, но почитав некоторые, все-таки решил зарегистрироваться и написать свою историю с этой компанией.Кто-то пишет в отзывах, что отводится очень мало времени на уроки, отсутствуют практические примеры на лекциях, высокая стоимость обучения. Друзья, 1.5-2 часа длительность одного занятия (а их два в неделю) и целая неделя, чтобы сделать "домашку" это разве мало? А если вам преподаватель просто будет показывать, как сделать что-то или как решать типовые задачки, не объясняя глубины вопроса и не давая теории, то даю гарантию - вы станете очередным типовым копипастером без понимания как всё работает. Или вот про высокую стоимость - ради интереса зайдите на биржу и посмотрите сколько стоят услуги репетитора по высшей математике :). Прежде чем брать курс вы должны понимать, что учеба — это в первую очередь огромный труд (который в итоге потом будет неплохо оплачиваться), а также долгий процесс и еще надо делать ДЗ :) И не забываем про о реальность бытия - дом, семью, работу, лень... А то многие думают: «Я сейчас оплачу курс, отучусь и у меня будет большая зарплата, дом и мотоцикл». Наверное рассчитывают, что знания сами закачаются в голову как программа (хотя я сам был бы не против такой технологии :) )А теперь моя небольшая история. Последние несколько лет я все чаще стал сталкиваться с задачами, которые попадают в современную область Data Science. Несколько раз пытался начать обучение в данном направлении (даже брал курсы на Coursera, но так ни одного и не закончил) и, сталкиваясь с первыми сложностями в обучении, всегда успокаивал себя, что и всё это какая-то магия и объект поклонения настоящих математиков в очках с толстыми стеклами, которые свитеры в брюки заправляют, а моя участь – всю оставшуюся профессиональную жизнь автоматизировать бизнес-процессы с помощью 1С (возможно это и неплохо, но не моё). Но, делая очередной «подход к снаряду», я понял, что пропустил первый и самый важный шаг – необходимость восстановить свой математический аппарат, который уже «давно заплесневел и мхом покрылся со времен института». Проанализировав рынок обучения, остановился на компании OTUS и курсе «Математика для Data Science. Базовый курс», т. к. привлекла сильная команда преподавателей, хорошая программа обучения и онлайн-формат.В процессе обучения ожидания подтвердились: преподаватели понятно объясняют материал, а через Slack всегда можно уточнить нюансы или попросить объяснить моменты, которые остались непонятными. Также сам формат онлайн занятий тоже оказался удобным – всегда есть записи занятий, которые можно пересмотреть в любое время.А теперь немного критики. OTUS - компания молодая, поэтому иногда, совсем редко, в лекциях встречаются небольшие технические недочеты, а некоторые преподаватели могут использовать академическую подачу материала, что не вписывается в общую концепцию компании, но кураторы OTUS тщательно отслеживают такие моменты и быстро принимают правильные управленческие решения.Но самое главное, что я получил от курса не только знания, но и возможность опять начать учиться и это очень здорово. Это ни с чем не сравнимое чувство студенческой романтики. Появилось огромное желание писать код, решать сложные задачи, изучать новые и перспективные технологии. Понимать, что сделал первый шаг, чтобы стать востребованным специалистом в одной из самых популярных областей.Закончив курс «Математика для Data Science. Базовый курс», я сразу же записался на трек по Data Science, состоящий из курсов «Machine learning» и «Нейронные сети на Python» и в настоящий момент успешно учусь уже два месяца.

Плюсы: Возможность прояснять вопросы через Slack в любое время, есть записи занятий, которые можно пересмотреть в любое время

Минусы: встречаются небольшие технические недочеты, а некоторые преподаватели могут использовать академическую подачу материала