0
JeyLie

otus Администратор Linux (2018)

Рекомендуемые сообщения

0c53573e0d383175a5fd8a4f1f240b02.png

Описание:
Наиболее полный курс администрирования систем на базе Linux, преподаваемый специалистами с большим стажем работы в крупнейших проектах рунета. Курс формирует знания и навыки для построения и обслуживания высоконадёжных высокодоступных систем на базе Linux.

В результате выпускники смогут:
– развернуть платформу на базе Linux по ТЗ или предложить конфигурацию, наиболее подходящую под задачу;
– развернуть большинство типов онлайн-систем и обеспечить их бесперебойное функционирование;
– участвовать в разработке ПО и предлагать инструменты разработчикам;
– составлять исчерпывающий отчёт по сбоям для разработчиков, а в некоторых случаях и предлагать исправления.

Курс будет полезен системным администраторам и практикующим администраторам SMB, которые хотели бы пробить хрустальный потолок своего сектора рынка и вступить в игру онлайн-гигантов.

В процессе обучения мы ответим на следующие вопросы:
– что случилось с системой и как это понять?
– перезагрузил сервер после трёх лет аптайма и не загружается, что делать?
– loadAvg 50 это нормально или надо что-то делать?
– Apache повис и не реагирует ни на что, что делать?
– надо срочно поставить 50 машин, что делать?!
– как настраивать хостинг без регистрации и SMS? 

Спойлер

https://yadi.sk/d/LKAn4_oG3Yvhoy

https://yadi.sk/d/EiDA3iOu3YvrHn

 

Поделиться сообщением


Ссылка на сообщение

Пожалуйста, войдите, чтобы комментировать

Вы сможете оставить комментарий после входа в



Войти
0

  • Похожий контент

    • От JeyLie
      Темы первого модуля:

      Введение в алгоритмы, RAM-модель
      Студенты смогут оценивать сложность алгоритмов, ознакомятся с эмулятором RAM-машины.

      Порядок роста функций, нотации для обозначения порядка роста
      Студенты освоят нотации о малое, о большое, омега малое, омега большое, тета, научатся применять полученные знания на практике при оценке сложности реальных алгоритмов.

      Простейшие структуры данных: массив, динамический массив, стек, очередь, списки, кучи
      Студенты ознакомятся с использованием и реализацией простейших структур данных.

      Алгебраические алгоритмы: алгоритм Евклида, быстрое возведение в степень, решето Эратосфена, быстрое вычисление чисел Фибоначчи
      Студенты ознакомятся с использованием и реализацией некоторых популярных алгебраических алгоритмов.

      Сортировка вставками, сортировка Шелла, сортировка выбором, пузырьковая сортировка
      Студенты освоят алгоритмы сортировки вставками, выбором, пузырьком, сортировку Шелла. По окончании занятия студенты смогут реализовывать и правильно применять данные алгоритмы.

      Сортировка слиянием, timsort
      Студенты освоят и смогут реализовать алгоритмы сортировки слиянием и timsort.

      Пирамидальная сортировка (heap sort), tree sort, очередь с приоритетами
      Студенты смогут реализовывать и применять пирамидальную сортировку, tree sort, очередь с приоритетами.

      Быстрая сортировка
      Студенты освоят алгоритм быстрой сортировки.

      Сортировка подсчетом, поразрядная сортировка, блочная сортировка (bucket sort)
      Студенты освоят и смогут реализовать сортировку подсчетом, поразрядную сортировку, блочную сортировку.

      Медианы и порядковые статистики
      Студенты научатся реализовывать алгоритмы для нахождения медианы и порядковых статистик.
       
    • От JeyLie
      Программа курса:
      Первый модуль
      Для разработки в области анализа данных необходимо понимать, как устроены основные алгоритмы, какая у них сложность и скорость работы, сколько требуется ресурсов для их успешной работы, область применимости.В первом модуле программы разбираются все базовые алгоритмы машинного обучения. Изучение проходит на сгенерированных данных, не требующих времени на преобразование и доработку. Разъясняется значение и влияние параметров алгоритмов на результат. Каждый этап обучения сопровождается наглядной визуализацией.Будут рассмотрены алгоритмы: линейная регрессия, логистическая регрессия, деревья решений, knn, SVM, k-means, EM, иерархическая кластеризация, DBScanВ результате слушатели уверенно освоят базовые алгоритмы анализа данных и инструменты для базового анализа данных на Python

      Занятие 1: Базовые инструменты анализа данных в Python. 
      Подготовка к курсу. Git, окружение Python. Обзор курса.
      Введение в Python, Numpy, Pandas, Sklearn. API Sklearn.
      Что такое DS, ML, классы решаемых задач.
      ДЗ
      Реализация библиотеки. Реализация библиотеки для подсчета статистик и преобразования датасетов в формате csv. Отработка инструментов для преобразования данных в pandas и sklearn.

      Занятие 2: Вводная в математические операции. 
      Интеграл, производная, их свойства, вероятность, плотность вероятности, мат.ожидание, дисперсия, ковариация, матричные вычисления, определитель, обратная матрица и т.п.

      Занятие 3: Визуализация 
      Визуализация на matplotlib, seaborn, plotly
      ДЗ
      Построение визуализаций по данным

      Занятие 4: Линейная регрессия 
      Математика линейной регрессии. Проблема многомерных пространств и переобучения на примере регрессии. Проблема разреженных данных. Регуляризация.
      Простая линейная регрессия на Python. Оценка качества регресcии. Проверка точности модели: обучающая и тестовая выборки. Обучающая и тестовая выборка, кросс-валидация.

      Занятие 5: Логистическая регрессия 
      Математика логистической регрессии. Мультиклассовая регрессия. Оценка качества логистической регрессии.
      Теория вероятностей: условные вероятности, теорема Байеса.
      Обучение регрессии, градиентный спуск. Регуляризация: L1, L2.
      ДЗ
      Реализация алгоритма логистической регрессии. Реализация алгоритма логистической регрессии на простых данных. Оценка качества, подбор параметров модели.

      Занятие 6: KNN, наивный байес 
      Метрики и расстояния между объектами: евклидова и другие.
      Обучение модели kNN. Ограничения.
      Метрики качества: accuracy, precision, recall, др.
      Алгоритм наивного байеса. Байесовский классификатор, Принцип Maximum A-Posteriori

      Занятие 7: kMeans, EM 
      Обучение без учителя. Алгоритмы кластеризации, области применения. k-means. Оценка качества обучения, ограничения и подбор алгоритма для задачи.
      Байесов подход к вероятности. Алгоритмы с lower-bound. Em алгоритм.
      ДЗ
      Реализация EM-алгоритма. Реализация EM-алгоритма на простых данных. Оценка качества кластеризации.

      Занятие 8: Иерархическая кластеризация, DB-Scan 
      Иерархическая кластеризация, DB-Scan. Optics. Спектральная кластеризация.

      Занятие 9: Feature engineering 
      Feature engineering. Статистический анализ данных, выбор фич на основе корреляции.
      ДЗ
      Преобразование набора данных и подбор фич.

      Занятие 10: Поиск выбросов в данных 
       
       
    • От JeyLie
      Вы узнаете:

      • Как мотивировать людей и вовлечь их в работу
      • Что такое команда и как повысить её производительность
      • Какой результат управленческой деятельности можно считать выдающимся
      • Как этого результата достичь
      • Чем должен заниматься руководитель, а чем нет
      • Как сокращать издержки в коммуникациях