Курсы по работе с GIT в Санкт-Петербурге

Курс "Фронт-енд разработчик (Junior)" – это курс обучения фронтенд-разработке, включающий все основные аспекты профессии,  составленный на основе требований работодателей к начинающим фронтенд-разработчикам при трудоустройстве.

На курсе вы познакомитесь и получите навыки работы с такими технологиями, языками и фреймворками, как:

• Git и Github;
• HTML5, CSS3;
• Bootstrap;
• Препроцессор SCSS;
• Javascript;
• Фреймворки: ReactJS, Vue.js;
• ООП / Typescript;
• Методология верстки БЭМ;
• Научимся все это собирать с помощью webpack.

Вы поймете принципы работы CI/CD, научитесь автоматизировать процесс интеграции и поставки и сможете ускорить цикл разработки с минимальными рисками.

Пройдете путь от создания самого простого пайплайна до настройки сложных вариантов CI/CD с возможностью отката на предыдущую версию по нажатию одной кнопки.

Программа курса:

• Обзор CI-систем
• Обзор Gitlab, его установка и настройка
• Ваш первый проект в Gitlab
• Gitlab Runner и его настройка
• Файл .gitlab-ci.yml
• Интеграция с Kubernetes
• Продвинутые приемы работы (и возможности) GitLab CI
• GitOps
• Безопасность в CI/CD

Курс "Дата сайентист. Интенсив" ориентирован на всех, кто хочет освоить новую профессию в интенсивном формате. 

Начальных знаний программирования на Python не требуется, в начале у нас будет достаточно большой модуль по изучению языка программирования Python, где мы изучим достаточные для старта основы, научимся работать с Jupyter Notebook и Github.

Программа обучения содержит большое количество практических задач на закрепление знаний, а также различных мини-проектов. 

После окончания курса вы сможете: 

• выбирать и применять различные алгоритмы машинного обучения в зависимости от задачи;
• работать с данными, проводить их предобработку и анализ;
• использовать библиотеки Python для решения задач машинного обучения;
• понимать основные концепции и методы линейной алгебры, статистики и теории вероятностей, необходимые для понимания работы алгоритмов машинного обучения;
• уметь решать задачи классификации, регрессии и кластеризации;
• использовать методы регуляризации и оптимизации для улучшения качества моделей;
• применять ансамблирование для повышения точности моделей;
• работать с данными изображений и использовать сверточные нейросети для решения задач компьютерного зрения;
• работать с нейросетями, использовать transfer learning, решать задачи обработки текста с помощью BERT и классического машинного обучения.