Курс включает в себя все инструменты, которые могут пригодиться как разработчику, так и администратору: управление доступом, резервное копирование, репликация, журналирование, работа со статистикой, способы масштабирование, а также работа MongoDB в облаках (AWS, GCP, Azure, Яндекс Облако), docker и Kubernetes
Цель курса — научить слушателя эффективно работать с MongoDB.
В результате обучения выпускники смогут создавать отказоустойчивые кластера Монго, консистентные бэкапы, оптимальные запросы и разбираться с некорректными, работать с индексами, оптимизировать, профилировать запросы.На курсе вы:
создадите свой проект интернет-магазина с полноценным бэкендом на node.js с хранением информации в отказоустойчивом кластере MongoDB;
научитесь мониторить кластер с использованием современных тендеций и производить нагрузочное тестирование для определения слабых мест с использованием принципа stonith;
выбирать оптимальный способ установки MongoDB (on premise, docker, Kubernetes, clouds) в зависимости от задачи;
создавать отказоустойчивый шардированный реплицированный кластер в виртуальных, облачных и Kubernetes средах;
научитесь делать бэкапы шардированного реплицированого кластера в бесплатной версии;
узнаете, как реализовать платный функционал в бесплатной версии своими руками;
научитесь оптимально использовать структуры хранения данных в MongoDB;
освоите синтаксис и особенности работы в MongoDB;
сможете оптимизировать медленные запросы.
Для кого:
Для Frontend-разработчиков: Научитесь правильно формировать отложенные запросы к Монго с учетом всех тонкостей работы;
Для Backend-разработчиков: Научитесь правильно писать сложные запросы, оптимизировать работу, профилировать запросы, настраивать отказоустойчивое соединение с Монго;
Для администраторов баз данных: Научитесь выбирать нужный вариант установки Монго для конкретной задачи, реализовывать отказоустойчивый кластер, в том числе с использованием шардирования. Обеспечивать безопасность, бэкапы шардированного реплицированного кластера, современный мониторинг и тестирование нагрузки, отказоустойчивости с применением принципов stonith;
Для администраторов Linux: Научитесь настраивать безопасное окружение, сетевую безопасность, настраивать Монго под конкретное окружение;
Для DevOps: Научитесь правильно развертывать кластеры Монго в Kubernetes и облаках, настраивать безопасность, оптимизация, геораспределение.
Курс Machine Learning. Advanced - хороший продвинутый курс
Курс охватывает множество областей продвинутого машинного обучения (классического, не глубокого/глубинного): A/B тестирование, графовые методы, обучение с подкреплением, анализ временных рядов и другие. За каждый модуль отвечает отдельный преподаватель. Курс проходит в формате вебинаров, что подходит не всем - кому-то не хватает лекционного ритма и монтажа, и "живые" вебинары по несколько часов проходят скучновато. Тем много, курс достаточно объемный, есть финальный проект, но домашних заданий хотелось бы побольше, чтобы все это не осталось теорией, и не забылось.
Плюсы: Большой охват тем классического машинного обучения Финальный проект
Минусы: Если вам не нравится формат вебинаров - это не для вас Мало домашних заданий
Источник: otzovik.com
vrusakevich
05.05.2020
8
Курс показался полезным для меня
Курс интересный, много практики. Хотя по ощущениям многовато домашних заданий, не успеваешь сконцентрироваться, тщательней обдумать выполнение заданий и заодно осмыслить теорию, почитать что-то сверх материала. Может быть имело бы смысл их уменьшить штук до 13-15. По мне идеально одно задание на неделю в среднем. Полезно, что проходили темы не на прямую связанные с машинным обучением, например - pipeline, парсинг. Нравится подача материала Дмитрием Сергеевым тем, что темы начинает объяснять с простого на пальцах, постепенно увеличивая сложность. Также очень хорошо, что Дмитрий Музалевский даёт обратную связь при проверке дз, подсказывает где можно что-то еще улучшить в будущем, задает направление. Ну либо подчеркивает, что сделано отлично)Может быть ещё бы добавил при прохождении каких-либо алгоритмов на занятиях объяснение где в каких моделях стоит на какие параметры обращать больше внимания, а на какие нет в конкретных часто используемых библиотеках. Что требует настройки, а что нет. Понятно, что в документации всё есть, но она не всегда понятна обычному не опытному человеку. Потому как в итоге работать придется с этими библиотеками, поэтому подробности не помешали бы.Было бы круто сделать интергацию резюме с hh или каким-нибудь моим кругом, поскольку очень не охото копи-пастить оттуда резюме, и при внесении изменений в hh, оно бы поменялось и у вас.Ну и надеюсь, что ваш сервис поможет найти работу связанную с машинным обучением)
Плюсы: Много практики, минимум теории. Изучили полезные темы по парсингу сайтов и pipeline.
Минусы: Присутствуют темы, которые не очень зашли, например - Vowpal Wabbit. Без базовых знаний машинного обучения будет сложно. Многовато домашних заданий. В некоторых темах очень быстро пробегаются по коду, что не позволяет разобраться в нем.
