Тестирование и QA

Вы освоите HTTP, gRPC, Resty, Protobuf, Axiom, Allure, Testify, gofakeit и CI/CD. Научитесь строить полноценную инфраструктуру API-автотестов на Go, проектировать поддерживаемую архитектуру, настраивать параллельный запуск и отчётность, применять лучшие практики и работать с реальными сценариями. В финале соберёте готовый проект — от первых API-запросов до полноценного тестового фреймворка. Полноценная система API-автотестов на Go: Написать несколько HTTP- или gRPC-тестов на Go несложно. Для этого достаточно Resty, Protobuf, Testify и стандартного пакета testing. Проблемы начинаются тогда, когда тестов становится не десять, а несколько сотен. В этот момент простые примеры перестают масштабироваться. Тесты начинают дублировать друг друга, подготовка данных занимает больше места, чем сам сценарий, API-клиенты смешиваются с бизнес-логикой, параллельный запуск ломает состояние, а диагностика падений превращается в отдельное расследование. Ни Resty, ни Testify, ни Protobuf сами по себе не решают эти задачи. Это инструменты, а не архитектура. В этом курсе вы не просто напишете набор API-тестов. Вы последовательно построите полноценную инфраструктуру HTTP- и gRPC-автотестов на Go и разберётесь, как сделать её: независимой читаемой переиспользуемой удобной для диагностики безопасной для параллельного запуска готовой к развитию вместе с проектом Главная цель курса: Курс формирует комплексную и фундаментальную базу для проектирования API-автотестов на Go. Мы начнём с устройства API, клиент-серверного взаимодействия, HTTP и gRPC. Затем напишем первые тесты с использованием стандартного пакета testing, Resty, Protobuf и Testify. После этого будем постепенно развивать проект: отделять транспортный слой, создавать API-клиенты, управлять тестовыми данными, проектировать фикстуры и проверки, подключать отчётность, логирование, параллельный запуск и CI/CD. Главный результат — понимание всей системы автоматизации: от отправки запроса до архитектуры проекта, жизненного цикла тестовых данных, диагностики ошибок и организации больших тестовых наборов. Инструменты занимают важное место в программе, но основной фокус сделан на инженерных принципах, которые сохраняют ценность независимо от конкретной библиотеки: разделение ответственности между слоями изоляция тестовых сценариев от инфраструктуры управление зависимостями и состоянием подготовка и очистка тестовых данных проектирование переиспользуемых клиентов создание доменных проверок организация параллельного выполнения логирование и диагностика падений масштабирование проекта вместе с ростом количества тестов Почему автоматизация тестирования на Go требует отдельного подхода: В Go нет единственного общепринятого стека, который полностью решает задачи большого проекта автотестов. Стандартный пакет testing предоставляет надёжную и предсказуемую основу, но оставляет разработчику большую часть инфраструктурных решений. Testify дополняет стандартную библиотеку удобными проверками и тестовыми наборами, однако самостоятельно не решает вопросы архитектуры проекта, управления зависимостями, метаданных, плагинов, отчётности и организации сложного параллельного запуска. Поэтому тестовая инфраструктура в Go редко возникает из простого объединения нескольких библиотек. Её приходится осознанно проектировать: определять границы компонентов, жизненный цикл зависимостей, правила подготовки данных, структуру тестов и механизм их выполнения. Многие команды годами выращивают такую инфраструктуру самостоятельно или переносят решения из Java, Python и других языков. Часть этих подходов полезна, но некоторые из них плохо сочетаются с простотой и явностью, которые приняты в экосистеме Go. В курсе мы разберём эти особенности и построим архитектуру, которая остаётся понятной, расширяемой и естественной для Go-проекта. Три с половиной года практики, собранные в одном курсе: В основе курса лежат три с половиной года интенсивной работы с API-, интеграционными и изоляционными автотестами на Go. За это время я создавал и поддерживал тестовую инфраструктуру, наблюдал за её развитием вместе с продуктами, внедрял решения в разных командах, сталкивался с ограничениями существующих инструментов и неоднократно пересматривал неудачные архитектурные подходы. На практике мне приходилось решать ситуации, когда: тесты невозможно безопасно запускать параллельно подготовка данных становится сложнее самого сценария фикстуры превращаются в набор несвязанных функций инфраструктурный код копируется между десятками тестов API-клиенты смешивают транспорт, модели и бизнес-логику логирование и отчётность подключаются вручную повторные запуски скрывают реальные причины нестабильности тесты работают локально, но регулярно падают в CI архитектура становится настолько сложной, что команда боится её изменять Эти проблемы не были придуманы специально для учебных примеров. Они возникали при развитии настоящих тестовых проектов. Работа над их решением в конечном итоге привела к созданию Axiom. Материал про Axiom из первых рук: Я являюсь автором Axiom и знаю не только его публичный API, но и причины, стоящие за каждым архитектурным решением. В курсе разбирается опыт, который невозможно получить из одного README или набора примеров: какие подходы рассматривались на ранних этапах от каких решений пришлось отказаться какие проблемы проявились только при росте количества тестов что пришлось переписывать после внедрения как различные механизмы работают при параллельном запуске как фреймворк ведёт себя на больших тестовых наборах какие компромиссы приходится учитывать при проектировании инфраструктуры Resty, Testify, Protobuf и Allure можно изучать отдельно по документации. В этом курсе они объединяются в одну систему вместе с архитектурой, тестовыми данными, клиентами, фикстурами, проверками, отчётностью и CI/CD. По сочетанию авторского фреймворка, материала от его создателя и последовательного построения полноценной инфраструктуры курс не имеет прямых аналогов. При этом программа не строится исключительно вокруг Axiom. Фреймворк помогает реализовать универсальные концепции, которые применимы и при проектировании собственной инфраструктуры: управление жизненным циклом тестов композиция зависимостей разделение сценариев и технического кода переиспользование компонентов организация метаданных расширение через плагины безопасное параллельное выполнение управляемая диагностика ошибок Последовательный путь к архитектуре: В первом модуле вы не получите огромный готовый фреймворк, структуру которого останется только скопировать. Мы начнём с простых API-автотестов на Go. По мере развития проекта будут появляться реальные проблемы: дублирование кода, сложная подготовка данных, разрозненные клиенты, неудобные проверки, смешивание транспортного и сценарного уровней. Каждый следующий архитектурный слой будет добавляться как решение уже понятной проблемы. Шаг за шагом в проекте появятся: модели и генерация тестовых данных Builders HTTP- и gRPC-транспорты переиспользуемые API-клиенты Resources и Fixtures Toolset базовые, протокольные и доменные Assertions Runner, Suites и Cases метаданные и шаги Allure Report техническое логирование плагины и теги повторные запуски параллельное выполнение автоматизированный запуск в CI/CD Такой подход помогает запомнить не только итоговую структуру каталогов и файлов. Вы увидите причинно-следственную связь между возникающей проблемой и архитектурным решением, которое её устраняет. Именно это позволяет в дальнейшем самостоятельно проектировать тестовую инфраструктуру, а не зависеть от готовых шаблонов. Практика на реальных бизнес-сценариях: Курс строится вокруг выделенного тестового сервера с HTTP- и gRPC-интерфейсами. Вы будете работать со связанными и вложенными данными, создавать и изменять ресурсы, передавать идентификаторы между запросами, проверять бизнес-правила, обрабатывать ошибки и восстанавливать необходимое состояние перед выполнением тестов. К финалу вы реализуете полноценное покрытие HTTP- и gRPC API: позитивные и негативные сценарии, работу со связанными данными, проверку бизнес-правил, обработку ошибок и управление состоянием тестов. Каждый сценарий используется не только для расширения покрытия, но и для развития инфраструктуры, проверки архитектурных решений и отработки подходов, применяемых в реальных проектах. Понимание синтаксиса языка, умение работать с переменными, функциями, структурами, методами, указателями, интерфейсами, коллекциями и обработкой ошибок. Также важно понимать устройство пакетов и основы работы с Go Modules. Экспертный уровень не требуется, но язык в курсе не изучается с нуля Базовое понимание программирования. Умение читать код, использовать условия и циклы, разбивать логику на функции, работать со структурами данных и подключать внешние библиотеки. Это поможет увереннее разбираться в архитектуре тестовой инфраструктуры Общее понимание тестирования. Желательно знать, что такое тестовый сценарий, предусловия, ожидаемый результат, позитивные и негативные проверки. Опыт ручного тестирования API будет полезен, но глубокие знания HTTP и gRPC до начала курса не требуются — необходимые концепции разбираются в программе Уверенная работа с компьютером и окружением разработки. Потребуется устанавливать программы и зависимости, работать с терминалом, запускать команды, пользоваться IDE — например, GoLand или VS Code, — редактировать конфигурационные файлы и работать с браузером Готовность активно писать код. Курс построен вокруг одного накопительного проекта. Вам предстоит запускать тестовый сервер, писать HTTP- и gRPC-автотесты, изменять инфраструктуру, выполнять практические задания, анализировать ошибки и самостоятельно применять изученные подходы Автор Никита Филонов Автор месяца Stepik 2025 Победитель Stepik Awards 2025 в номинациях «Программирование и разработка», «Лучшее сопровождение курса» 10 лет в области QA Automation, три года в должности QA Lead Опыт автоматизации тестирования на Python, JavaScript/TypeScript, C#, Golang, Swift в боевых проектах Автор тестового фреймворка Axiom

Вы освоите HTTP, gRPC, Resty, Protobuf, Axiom, Allure, Testify, gofakeit и CI/CD. Научитесь строить полноценную инфраструктуру API-автотестов на Go, проектировать поддерживаемую архитектуру, настраивать параллельный запуск и отчётность, применять лучшие практики и работать с реальными сценариями. В финале соберёте готовый проект — от первых API-запросов до полноценного тестового фреймворка. Полноценная система API-автотестов на Go: Написать несколько HTTP- или gRPC-тестов на Go несложно. Для этого достаточно Resty, Protobuf, Testify и стандартного пакета testing. Проблемы начинаются тогда, когда тестов становится не десять, а несколько сотен. В этот момент простые примеры перестают масштабироваться. Тесты начинают дублировать друг друга, подготовка данных занимает больше места, чем сам сценарий, API-клиенты смешиваются с бизнес-логикой, параллельный запуск ломает состояние, а диагностика падений превращается в отдельное расследование. Ни Resty, ни Testify, ни Protobuf сами по себе не решают эти задачи. Это инструменты, а не архитектура. В этом курсе вы не просто напишете набор API-тестов. Вы последовательно построите полноценную инфраструктуру HTTP- и gRPC-автотестов на Go и разберётесь, как сделать её: независимой читаемой переиспользуемой удобной для диагностики безопасной для параллельного запуска готовой к развитию вместе с проектом Главная цель курса: Курс формирует комплексную и фундаментальную базу для проектирования API-автотестов на Go. Мы начнём с устройства API, клиент-серверного взаимодействия, HTTP и gRPC. Затем напишем первые тесты с использованием стандартного пакета testing, Resty, Protobuf и Testify. После этого будем постепенно развивать проект: отделять транспортный слой, создавать API-клиенты, управлять тестовыми данными, проектировать фикстуры и проверки, подключать отчётность, логирование, параллельный запуск и CI/CD. Главный результат — понимание всей системы автоматизации: от отправки запроса до архитектуры проекта, жизненного цикла тестовых данных, диагностики ошибок и организации больших тестовых наборов. Инструменты занимают важное место в программе, но основной фокус сделан на инженерных принципах, которые сохраняют ценность независимо от конкретной библиотеки: разделение ответственности между слоями изоляция тестовых сценариев от инфраструктуры управление зависимостями и состоянием подготовка и очистка тестовых данных проектирование переиспользуемых клиентов создание доменных проверок организация параллельного выполнения логирование и диагностика падений масштабирование проекта вместе с ростом количества тестов Почему автоматизация тестирования на Go требует отдельного подхода: В Go нет единственного общепринятого стека, который полностью решает задачи большого проекта автотестов. Стандартный пакет testing предоставляет надёжную и предсказуемую основу, но оставляет разработчику большую часть инфраструктурных решений. Testify дополняет стандартную библиотеку удобными проверками и тестовыми наборами, однако самостоятельно не решает вопросы архитектуры проекта, управления зависимостями, метаданных, плагинов, отчётности и организации сложного параллельного запуска. Поэтому тестовая инфраструктура в Go редко возникает из простого объединения нескольких библиотек. Её приходится осознанно проектировать: определять границы компонентов, жизненный цикл зависимостей, правила подготовки данных, структуру тестов и механизм их выполнения. Многие команды годами выращивают такую инфраструктуру самостоятельно или переносят решения из Java, Python и других языков. Часть этих подходов полезна, но некоторые из них плохо сочетаются с простотой и явностью, которые приняты в экосистеме Go. В курсе мы разберём эти особенности и построим архитектуру, которая остаётся понятной, расширяемой и естественной для Go-проекта. Три с половиной года практики, собранные в одном курсе: В основе курса лежат три с половиной года интенсивной работы с API-, интеграционными и изоляционными автотестами на Go. За это время я создавал и поддерживал тестовую инфраструктуру, наблюдал за её развитием вместе с продуктами, внедрял решения в разных командах, сталкивался с ограничениями существующих инструментов и неоднократно пересматривал неудачные архитектурные подходы. На практике мне приходилось решать ситуации, когда: тесты невозможно безопасно запускать параллельно подготовка данных становится сложнее самого сценария фикстуры превращаются в набор несвязанных функций инфраструктурный код копируется между десятками тестов API-клиенты смешивают транспорт, модели и бизнес-логику логирование и отчётность подключаются вручную повторные запуски скрывают реальные причины нестабильности тесты работают локально, но регулярно падают в CI архитектура становится настолько сложной, что команда боится её изменять Эти проблемы не были придуманы специально для учебных примеров. Они возникали при развитии настоящих тестовых проектов. Работа над их решением в конечном итоге привела к созданию Axiom. Материал про Axiom из первых рук: Я являюсь автором Axiom и знаю не только его публичный API, но и причины, стоящие за каждым архитектурным решением. В курсе разбирается опыт, который невозможно получить из одного README или набора примеров: какие подходы рассматривались на ранних этапах от каких решений пришлось отказаться какие проблемы проявились только при росте количества тестов что пришлось переписывать после внедрения как различные механизмы работают при параллельном запуске как фреймворк ведёт себя на больших тестовых наборах какие компромиссы приходится учитывать при проектировании инфраструктуры Resty, Testify, Protobuf и Allure можно изучать отдельно по документации. В этом курсе они объединяются в одну систему вместе с архитектурой, тестовыми данными, клиентами, фикстурами, проверками, отчётностью и CI/CD. По сочетанию авторского фреймворка, материала от его создателя и последовательного построения полноценной инфраструктуры курс не имеет прямых аналогов. При этом программа не строится исключительно вокруг Axiom. Фреймворк помогает реализовать универсальные концепции, которые применимы и при проектировании собственной инфраструктуры: управление жизненным циклом тестов композиция зависимостей разделение сценариев и технического кода переиспользование компонентов организация метаданных расширение через плагины безопасное параллельное выполнение управляемая диагностика ошибок Последовательный путь к архитектуре: В первом модуле вы не получите огромный готовый фреймворк, структуру которого останется только скопировать. Мы начнём с простых API-автотестов на Go. По мере развития проекта будут появляться реальные проблемы: дублирование кода, сложная подготовка данных, разрозненные клиенты, неудобные проверки, смешивание транспортного и сценарного уровней. Каждый следующий архитектурный слой будет добавляться как решение уже понятной проблемы. Шаг за шагом в проекте появятся: модели и генерация тестовых данных Builders HTTP- и gRPC-транспорты переиспользуемые API-клиенты Resources и Fixtures Toolset базовые, протокольные и доменные Assertions Runner, Suites и Cases метаданные и шаги Allure Report техническое логирование плагины и теги повторные запуски параллельное выполнение автоматизированный запуск в CI/CD Такой подход помогает запомнить не только итоговую структуру каталогов и файлов. Вы увидите причинно-следственную связь между возникающей проблемой и архитектурным решением, которое её устраняет. Именно это позволяет в дальнейшем самостоятельно проектировать тестовую инфраструктуру, а не зависеть от готовых шаблонов. Практика на реальных бизнес-сценариях: Курс строится вокруг выделенного тестового сервера с HTTP- и gRPC-интерфейсами. Вы будете работать со связанными и вложенными данными, создавать и изменять ресурсы, передавать идентификаторы между запросами, проверять бизнес-правила, обрабатывать ошибки и восстанавливать необходимое состояние перед выполнением тестов. К финалу вы реализуете полноценное покрытие HTTP- и gRPC API: позитивные и негативные сценарии, работу со связанными данными, проверку бизнес-правил, обработку ошибок и управление состоянием тестов. Каждый сценарий используется не только для расширения покрытия, но и для развития инфраструктуры, проверки архитектурных решений и отработки подходов, применяемых в реальных проектах. Понимание синтаксиса языка, умение работать с переменными, функциями, структурами, методами, указателями, интерфейсами, коллекциями и обработкой ошибок. Также важно понимать устройство пакетов и основы работы с Go Modules. Экспертный уровень не требуется, но язык в курсе не изучается с нуля Базовое понимание программирования. Умение читать код, использовать условия и циклы, разбивать логику на функции, работать со структурами данных и подключать внешние библиотеки. Это поможет увереннее разбираться в архитектуре тестовой инфраструктуры Общее понимание тестирования. Желательно знать, что такое тестовый сценарий, предусловия, ожидаемый результат, позитивные и негативные проверки. Опыт ручного тестирования API будет полезен, но глубокие знания HTTP и gRPC до начала курса не требуются — необходимые концепции разбираются в программе Уверенная работа с компьютером и окружением разработки. Потребуется устанавливать программы и зависимости, работать с терминалом, запускать команды, пользоваться IDE — например, GoLand или VS Code, — редактировать конфигурационные файлы и работать с браузером Готовность активно писать код. Курс построен вокруг одного накопительного проекта. Вам предстоит запускать тестовый сервер, писать HTTP- и gRPC-автотесты, изменять инфраструктуру, выполнять практические задания, анализировать ошибки и самостоятельно применять изученные подходы Автор Никита Филонов Автор месяца Stepik 2025 Победитель Stepik Awards 2025 в номинациях «Программирование и разработка», «Лучшее сопровождение курса» 10 лет в области QA Automation, три года в должности QA Lead Опыт автоматизации тестирования на Python, JavaScript/TypeScript, C#, Golang, Swift в боевых проектах Автор тестового фреймворка Axiom

Тестируем Python. 12 лабораторных работ с pytest Глеб Зайцев Тест полезен не тем, что стал зелёным, а тем, что замечает нарушение правила. В этом практикуме — 12 самостоятельных лабораторных работ: границы, исключения, параметризация, изменяемые данные, фикстуры, временные файлы, зависимости и переходы состояний. В каждой работе есть точный учебный контракт, намеренно ошибочная реализация, тесты, разбор падения, исправленный код и упражнение с ответом. Примеры рассчитаны на Python 3.12 и pytest 8.3.5, не требуют веб-фреймворка, базы данных или аккаунта сервиса. Нужно уже понимать функции, импорты, списки и основы классов Python. Это практикум по небольшим изолированным проверкам, а не полный курс тестирования приложения. Объём книги: 70 стр. Формат выдачи: epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip ООП на Python. 10 небольших моделей с объяснениями Глеб Зайцев Вы умеете писать функции, но не понимаете, когда нужен класс и где провести границу объекта? Этот практикум помогает связать данные, операции и правила небольшой программы. Внутри — 10 самостоятельных лабораторных, 10 упражнений на изменение требований и полные решения. Разбираем владение изменяемыми данными, проверку состояния, объекты-значения, композицию и общий интерфейс разных реализаций. У каждого решения есть объяснение выбора и более простой вариант, когда класс не нужен. Все программы используют стандартную библиотеку Python 3.12 и синтетические данные; сеть, платные сервисы и установка пакетов не требуются. Это учебные модели, а не готовые промышленные компоненты. Объём книги: 100 стр. Формат выдачи: epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip Общая сумма: 199+199=398р

Это практическое руководство по автоматизации бизнес-процессов с помощью Spring, Spring Boot и Camunda поможет вам, шаг за шагом, собрать цельное приложение, которое к последней главе пройдет путь от mvn spring-boot:run до kubectl apply, и всё, что здесь описано, проверено на реальных системах, а не только в учебных примерах. Помимо разработки небольших приложений, через всю книгу проходит большой сквозной проект – система управления заказами интернет-магазина. Процесс обрастает логикой от главы к главе: сначала валидация, потом ручное подтверждение оператором, ветвление по типу доставки, таймеры ожидания оплаты, обработка ошибок с компенсацией, интеграция со складом и службой доставки. За двадцать одну главу вы: освоите нотацию BPMN 2.0 и моделирование в Camunda Modeler, разберётесь с Service Task, User Task, шлюзами, событиями, подпроцессами и таблицами решений DMN. перейдете с H2 на PostgreSQL, настроите миграции Flyway и работу с историей процессов. освоите тестирование процессов, безопасность, версионирование и миграцию запущенных экземпляров. выведете приложение в продакшен-мониторинг через Prometheus и Grafana, Docker, Docker Compose, Kubernetes, CI/CD. разберете архитектурные паттерны Saga, Event-Driven Architecture, интеграцию с Kafka и CQRS, и получите обзор Camunda 8 со стратегией миграции. Пять приложений-справочников (элементы BPMN, REST API Camunda, настройки Spring Boot Starter, структура репозитория и список источников) превращают книгу в настольный справочник, к которому вы будете возвращаться в работе. Также в комплекте – виртуальный диск с кодом и примерами и репозиторий-спутник на GitHub с кодом к каждой главе. По итогу у вас останутся не отдельные приемы, а рабочий проект, собранный своими руками от первого коммита до деплоя: его можно показать на собеседовании, взять за основу своего сервиса или разобрать с коллегами. Формат: pdf скан Объем: 640 стр.

Практическая программа для Manual QA и начинающих автоматизаторов. Java 21, API, UI, Kafka, PostgreSQL, моки и CI/CD собраны вокруг реального проекта ShawarmaShop. Подготовитесь к рабочим задачам и техническим собеседованиям, итоговый грейд зависит от вашего стартового опыта. Шесть «болей» новичков и мануальщиков, которые я слышу годами. Под каждую — конкретный модуль, проект, домашка или живой ответ в чате. 6 болей · 6 решений: 1. Прошёл курс, а на собесе спрашивают то, чего не было. Как решаем: Учим то, что реально спрашивают: REST/SOAP/GraphQL/gRPC, Kafka, JDBC, фабрики тестовых данных, чтение чужого кода. 2. В портфолио — учебная Petstore-демка, как у всех. Как решаем: Backend-приложение ShawarmaShop с четырьмя API-протоколами, webhooks и Kafka — не типовая Petstore-демка. 3. Тесты пишут, но не показывают как это встраивается в CI и команду. Как решаем: Полный pipeline: Gradle → Allure → Docker → GitLab CI. Работаем как на проде. 4. Стало непонятно, как пользоваться LLM, чтобы не писать ересь. Как решаем: Отдельный модуль AI: prompt-инженерия, Kiro IDE, генерация тестов, ревью кода через Claude/ChatGPT. 5. Техническая база есть, но резюме и собеседования остаются отдельной задачей. Как решаем: Карьерный блок: резюме, стратегия поиска, мок-собеседование, soft skills и разбор обратной связи. 6. Из ручника тяжело перейти — не хватает базы по Java. Как решаем: Курс начинается с переменных и циклов, затем постепенно переходит к автотестам, проекту и CI/CD. Java даёт инженерную глубину. Вместо обещаний конкретной зарплаты курс показывает полный рабочий контекст: от языка и тестовых библиотек до интеграций, инфраструктуры и собеседований. Конкретный грейд после обучения зависит от стартового опыта и качества выполненного проекта. Маршрут обучения: Старт — Основы Java Синтаксис, ООП, коллекции, исключения, дженерики и Stream API. Практика — Автотесты и интеграции API, UI, PostgreSQL, Kafka, WireMock и асинхронные сценарии. Результат — Портфолио и подготовка к интервью Проект, CI/CD, отчёты, разбор резюме и итоговое мок-собеседование. Почему стек полезен: Подходит для сложных продуктов: Java часто встречается в системах с большим числом сервисов и интеграций. Поэтому в программе есть не только UI, но и API, БД, Kafka, моки и CI/CD. Зрелый тестовый стек: JUnit 5, REST Assured, Selenide, AssertJ, Allure и WireMock позволяют собрать поддерживаемый фреймворк, а не набор разрозненных тестов. Навыки переносятся в команду: Архитектура, конфигурация, Git, Docker и пайплайны пригодятся независимо от конкретной компании или домена продукта. Стек курса Java QA Automation Не зоопарк случайных библиотек, а собранная под продакшен экосистема. Кликни плитку — увидишь, зачем она в реальном проекте. Java 21 — Language JUnit 5 — Framework REST Assured — API Tests AssertJ — Assertions Selenide — UI Tests WireMock — Stub Partners Allure — Reports Datafaker — Test Data JDBC + Hikari — DB Layer Apache Kafka — Streams Awaitility — Async Waits Owner — Config Внешние интеграции — 4 API-протокола: REST — классический API SOAP — Legacy Enterprise GraphQL — Schema-First gRPC — бинарный RPC Глубоко, по-инженерному Not Junior-Tier. Темы разбираются не «галочкой», а так, как ты будешь писать в нормальной команде. Не первый попавшийся пример из YouTube-туториала, а подходы прод-уровня — те, что отличают самоучку от инженера на собесе. Page Object на каждый экран Типизированные клиенты и DTO Awaitility вместо Thread.sleep Нормальные моки внешних систем Repository + RowMapper JUnit 5 Extensions для фикстур Реальный backend для автотестов — 4 API-протокола + webhooks Платежи, вебхуки, интеграции — есть на каждом проекте. В ShawarmaShop всё это работает: оплата → webhook → статус. Стенд поднимается одной командой `docker compose up`. AI в QA-автоматизации — отдельный модуль На рынке уже не «знаешь Java» против «не знаешь Java», а «знаешь как работать с LLM» против «не знаешь». Мы учим конкретные сценарии — генерацию тестов, ревью, дебаг и архитектуру через AI. Не магии, а ремеслу. Автор Олег Пендрак Прошёл путь от джуна-мануальщика до Tech Lead за 4 года. Автоматизировал тестирование в продуктах с миллионами пользователей. Создал ThreadQA — канал и сообщество, где разбираю автоматизацию без воды. Tech Lead · ThreadQA 5+ лет в автоматизации 300+ консультаций 10к+ на YouTube Что получите: Все модули — предзаписанные видео с конспектами (рекомендуемый срок 12–17 недель) ShawarmaShop — реальный backend для тестов 12+ библиотек: REST Assured, Selenide, Kafka, JDBC AI-модуль: LLM · Prompts · API ключи и токены Карьерный блок: резюме, поиск, soft skills Домашние задания с проверкой и письменным фидбэком — обычно в течение 24 часов в рабочие дни Конспекты и квизы к каждому модулю

Практическая программа для Manual QA и начинающих автоматизаторов. Java 21, API, UI, Kafka, PostgreSQL, моки и CI/CD собраны вокруг реального проекта ShawarmaShop. Подготовитесь к рабочим задачам и техническим собеседованиям, итоговый грейд зависит от вашего стартового опыта. Шесть «болей» новичков и мануальщиков, которые я слышу годами. Под каждую — конкретный модуль, проект, домашка или живой ответ в чате. 6 болей · 6 решений: 1. Прошёл курс, а на собесе спрашивают то, чего не было. Как решаем: Учим то, что реально спрашивают: REST/SOAP/GraphQL/gRPC, Kafka, JDBC, фабрики тестовых данных, чтение чужого кода. 2. В портфолио — учебная Petstore-демка, как у всех. Как решаем: Backend-приложение ShawarmaShop с четырьмя API-протоколами, webhooks и Kafka — не типовая Petstore-демка. 3. Тесты пишут, но не показывают как это встраивается в CI и команду. Как решаем: Полный pipeline: Gradle → Allure → Docker → GitLab CI. Работаем как на проде. 4. Стало непонятно, как пользоваться LLM, чтобы не писать ересь. Как решаем: Отдельный модуль AI: prompt-инженерия, Kiro IDE, генерация тестов, ревью кода через Claude/ChatGPT. 5. Техническая база есть, но резюме и собеседования остаются отдельной задачей. Как решаем: Карьерный блок: резюме, стратегия поиска, мок-собеседование, soft skills и разбор обратной связи. 6. Из ручника тяжело перейти — не хватает базы по Java. Как решаем: Курс начинается с переменных и циклов, затем постепенно переходит к автотестам, проекту и CI/CD. Java даёт инженерную глубину. Вместо обещаний конкретной зарплаты курс показывает полный рабочий контекст: от языка и тестовых библиотек до интеграций, инфраструктуры и собеседований. Конкретный грейд после обучения зависит от стартового опыта и качества выполненного проекта. Маршрут обучения: Старт — Основы Java Синтаксис, ООП, коллекции, исключения, дженерики и Stream API. Практика — Автотесты и интеграции API, UI, PostgreSQL, Kafka, WireMock и асинхронные сценарии. Результат — Портфолио и подготовка к интервью Проект, CI/CD, отчёты, разбор резюме и итоговое мок-собеседование. Почему стек полезен: Подходит для сложных продуктов: Java часто встречается в системах с большим числом сервисов и интеграций. Поэтому в программе есть не только UI, но и API, БД, Kafka, моки и CI/CD. Зрелый тестовый стек: JUnit 5, REST Assured, Selenide, AssertJ, Allure и WireMock позволяют собрать поддерживаемый фреймворк, а не набор разрозненных тестов. Навыки переносятся в команду: Архитектура, конфигурация, Git, Docker и пайплайны пригодятся независимо от конкретной компании или домена продукта. Стек курса Java QA Automation Не зоопарк случайных библиотек, а собранная под продакшен экосистема. Кликни плитку — увидишь, зачем она в реальном проекте. Java 21 — Language JUnit 5 — Framework REST Assured — API Tests AssertJ — Assertions Selenide — UI Tests WireMock — Stub Partners Allure — Reports Datafaker — Test Data JDBC + Hikari — DB Layer Apache Kafka — Streams Awaitility — Async Waits Owner — Config Внешние интеграции — 4 API-протокола: REST — классический API SOAP — Legacy Enterprise GraphQL — Schema-First gRPC — бинарный RPC Глубоко, по-инженерному Not Junior-Tier. Темы разбираются не «галочкой», а так, как ты будешь писать в нормальной команде. Не первый попавшийся пример из YouTube-туториала, а подходы прод-уровня — те, что отличают самоучку от инженера на собесе. Page Object на каждый экран Типизированные клиенты и DTO Awaitility вместо Thread.sleep Нормальные моки внешних систем Repository + RowMapper JUnit 5 Extensions для фикстур Реальный backend для автотестов — 4 API-протокола + webhooks Платежи, вебхуки, интеграции — есть на каждом проекте. В ShawarmaShop всё это работает: оплата → webhook → статус. Стенд поднимается одной командой `docker compose up`. AI в QA-автоматизации — отдельный модуль На рынке уже не «знаешь Java» против «не знаешь Java», а «знаешь как работать с LLM» против «не знаешь». Мы учим конкретные сценарии — генерацию тестов, ревью, дебаг и архитектуру через AI. Не магии, а ремеслу. Автор Олег Пендрак Прошёл путь от джуна-мануальщика до Tech Lead за 4 года. Автоматизировал тестирование в продуктах с миллионами пользователей. Создал ThreadQA — канал и сообщество, где разбираю автоматизацию без воды. Tech Lead · ThreadQA 5+ лет в автоматизации 300+ консультаций 10к+ на YouTube Что получите: Все модули — предзаписанные видео с конспектами (рекомендуемый срок 12–17 недель) ShawarmaShop — реальный backend для тестов 12+ библиотек: REST Assured, Selenide, Kafka, JDBC AI-модуль: LLM · Prompts · API ключи и токены Карьерный блок: резюме, поиск, soft skills Домашние задания с проверкой и письменным фидбэком — обычно в течение 24 часов в рабочие дни Конспекты и квизы к каждому модулю

​ Соберете и настроите свою профессиональную среду для разработки с агентами: от написания кода до ревью, автотестов и проверки безопасности. Кому подойдёт воркшоп: Разработчикам Тем, кто пишет на Python и хочет, чтобы рутину закрывал агент, а они занимались архитектурой и сложными задачами Инженерам данных и ML-инженерам Тем, кому нужен production-grade код, а не ноутбуки, и кто устал спорить с бэкендерами про качество DevOps или платформенным инженерам Тем, кто выстраивает стандарты разработки в командах и хочет зашить их прямо в агента Тимлидам и техлидам Тем, кому важно не просто «внедрить ИИ», а показать руководству вклад агентов в цифрах по коммитам Заберёте с собой после воркшопа: Агентная среда под ключ Настроенный AI-агент с выверенной схемой «модель под задачу» через OpenRouter. Переносится в любой проект Правила, навыки и чеклисты Готовые промпты под ревью, автотесты, безопасность и политики работы с секретами Шаблон AI-first проекта Python / Litestar / PostgreSQL / Alembic. Готов к продакшену с первого дня Инструменты контроля качества Способы определить, где агент справляется сам, а где его нужно направлять Формат: Онлайн 4 часа Живой формат с экспертом, запись доступна в LMS Результат: Рабочая агентная среда на живом проекте, которую переносишь в свой репозиторий сразу после воркшопа. Не демонстрация возможностей AI, а собранная среда, в которой агент ежедневно закрывает инженерные задачи Что добавите в резюме и примените на работе уже завтра: Безопасность AI-разработки: секреты, утечки, зависимости Автоматический контроль качества: pre-commit, линтеры AI-first разработка на Litestar + PostgreSQL + Alembic Построение агентной среды с правилами и стандартами команды Unit- и integration-тесты через агента с контролем покрытия Code Review силами AI-агента по чеклисту архитектуры Оценка вклада AI-инструментов через метрики по коммитам Выбор LLM под задачу по метрикам цена/качество Настройка AI-агентов в VS Code через OpenRouter

Соберете и настроите свою профессиональную среду для разработки с агентами: от написания кода до ревью, автотестов и проверки безопасности. Кому подойдёт воркшоп: Разработчикам Тем, кто пишет на Python и хочет, чтобы рутину закрывал агент, а они занимались архитектурой и сложными задачами Инженерам данных и ML-инженерам Тем, кому нужен production-grade код, а не ноутбуки, и кто устал спорить с бэкендерами про качество DevOps или платформенным инженерам Тем, кто выстраивает стандарты разработки в командах и хочет зашить их прямо в агента Тимлидам и техлидам Тем, кому важно не просто «внедрить ИИ», а показать руководству вклад агентов в цифрах по коммитам Заберёте с собой после воркшопа: Агентная среда под ключ Настроенный AI-агент с выверенной схемой «модель под задачу» через OpenRouter. Переносится в любой проект Правила, навыки и чеклисты Готовые промпты под ревью, автотесты, безопасность и политики работы с секретами Шаблон AI-first проекта Python / Litestar / PostgreSQL / Alembic. Готов к продакшену с первого дня Инструменты контроля качества Способы определить, где агент справляется сам, а где его нужно направлять Формат: Онлайн 4 часа Живой формат с экспертом, запись доступна в LMS Результат: Рабочая агентная среда на живом проекте, которую переносишь в свой репозиторий сразу после воркшопа. Не демонстрация возможностей AI, а собранная среда, в которой агент ежедневно закрывает инженерные задачи Что добавите в резюме и примените на работе уже завтра: Безопасность AI-разработки: секреты, утечки, зависимости Автоматический контроль качества: pre-commit, линтеры AI-first разработка на Litestar + PostgreSQL + Alembic Построение агентной среды с правилами и стандартами команды Unit- и integration-тесты через агента с контролем покрытия Code Review силами AI-агента по чеклисту архитектуры Оценка вклада AI-инструментов через метрики по коммитам Выбор LLM под задачу по метрикам цена/качество Настройка AI-агентов в VS Code через OpenRouter Спикер Алексей Жиряков Исполнительный директор, Сбер ex-Stream CTO, МТС Web Services (KION) Лидер Python-гильдии, TechMaster MWS

Соберете и настроите свою профессиональную среду для разработки с агентами: от написания кода до ревью, автотестов и проверки безопасности. Кому подойдёт воркшоп: Разработчикам Тем, кто пишет на Python и хочет, чтобы рутину закрывал агент, а они занимались архитектурой и сложными задачами Инженерам данных и ML-инженерам Тем, кому нужен production-grade код, а не ноутбуки, и кто устал спорить с бэкендерами про качество DevOps или платформенным инженерам Тем, кто выстраивает стандарты разработки в командах и хочет зашить их прямо в агента Тимлидам и техлидам Тем, кому важно не просто «внедрить ИИ», а показать руководству вклад агентов в цифрах по коммитам Заберёте с собой после воркшопа: Агентная среда под ключ Настроенный AI-агент с выверенной схемой «модель под задачу» через OpenRouter. Переносится в любой проект Правила, навыки и чеклисты Готовые промпты под ревью, автотесты, безопасность и политики работы с секретами Шаблон AI-first проекта Python / Litestar / PostgreSQL / Alembic. Готов к продакшену с первого дня Инструменты контроля качества Способы определить, где агент справляется сам, а где его нужно направлять Формат: Онлайн 4 часа Живой формат с экспертом, запись доступна в LMS Результат: Рабочая агентная среда на живом проекте, которую переносишь в свой репозиторий сразу после воркшопа. Не демонстрация возможностей AI, а собранная среда, в которой агент ежедневно закрывает инженерные задачи Что добавите в резюме и примените на работе уже завтра: Безопасность AI-разработки: секреты, утечки, зависимости Автоматический контроль качества: pre-commit, линтеры AI-first разработка на Litestar + PostgreSQL + Alembic Построение агентной среды с правилами и стандартами команды Unit- и integration-тесты через агента с контролем покрытия Code Review силами AI-агента по чеклисту архитектуры Оценка вклада AI-инструментов через метрики по коммитам Выбор LLM под задачу по метрикам цена/качество Настройка AI-агентов в VS Code через OpenRouter Спикер Алексей Жиряков Исполнительный директор, Сбер ex-Stream CTO, МТС Web Services (KION) Лидер Python-гильдии, TechMaster MWS

Изучаем pytest: От основ до продвинутых техник тестирования в Python Алекс Коган Вы ручной тестировщик и мечтаете перейти в автоматизированное тестирование? Эта книга для вас! Вы уже освоили основы Python, но пока что испытываете трудности с покрытием программ тестами или не знаете, что именно изучать дальше? Эта книга для вас! Вы веб-разработчик на стеках Django, Flask или FastAPI и хотели бы улучшить качество и надежность своего кода? Знание мощного фреймворка pytest вам в этом обязательно поможет! Эта книга станет вашим практическим руководством по самому популярному инструменту тестирования в экосистеме Python. Шаг за шагом мы пройдем путь от написания первого простого теста до создания сложных, масштабируемых тестовых инфраструктур, готовых к внедрению в реальные проекты. Формат pdf Культивация программиста. Становление императором Java. Секта Java Core Евгений Маслов Что, если изучение Java было бы не скучным учебником, а путём культивации? Перед вами необычная книга для тех, кто хочет начать программировать, но устал от сухих объяснений, однотипных примеров и ощущения, что код — это набор непонятных символов. Главный герой попадает в Секту Java Core — место, где переменные становятся сосудами ци, условия превращаются в печати истины а классы и объекты раскрываются как духовные формы. Вместе с учеником вы пройдёте путь от первой Java-программы до собственного консольного проекта. Вы узнаете, что такое JDK, JVM, переменные, типы данных, условия, циклы, методы, классы и многое другое. В книге есть не только теория, но и практические испытания, повреждённые свитки с ошибками, турнирные зачёты и финальное задание — собрать собственную систему секты. Эта книга подойдёт абсолютным новичкам, фанатам аниме, ранобэ, дунхуа и всем, кто хочет изучать Java через историю, юмор и понятные метафоры. Путь культивации программиста начинается здесь. Формат pdf Общая цена 70 + 299 = 369 руб.

Поможем освоить автоматизацию, чтобы избавиться от рутины и больше зарабатывать: Освоите pytest, Selenium WebDriver и другие нужные инструменты Поймёте, как строить процесс автоматизации внутри проекта Будете перенимать опыт тестировщиков из Яндекса и других крупных IT-компаний Сможете заниматься в удобное время и совмещать учёбу с работой Поймёте, как и в каком направлении развивать карьеру Кому подойдёт курс: Начинающим тестировщикам, которые хотят повысить квалификацию – получите новые навыки, которые помогут найти работу или получить повышение на текущем месте Опытным ручным тестировщикам – сможете полностью перейти в автоматизацию: писать автотесты для веб-приложений и API, проводить юнит-тесты, развивать инфраструктуру проекта Тем, у кого мало или совсем нет опыта в программировании – познакомитесь с основами Python и выйдете на новый уровень в тестировании Если уже знакомы с QA и хотите руководить – узнаете, как строить и оптимизировать QA/QC-процессы, а также лидировать техническое развитие Зачем инженеру по ручному тестированию учиться автоматизации: Избавитесь от рутины – автоматизация позволит избежать рутинных проверок и ускорить тестирование задач Освоите новые инструменты и технологии – станете конкурентоспособнее: VS Code, Pytest, Git, DevTools, Selenium WebDriver, Allure, XPath, CSS, Консоль Сможете больше зарабатывать – зарплаты автоматизаторов почти в 2 раза выше, чем у инженеров по ручному тестированию: Manual ~70 000 руб., Automation ~150 000 руб., Senior automation ~250 000 руб. Чему вы научитесь: Автоматизировать тестирование – как веб-приложений, так и API – для этого освоите pytest, Selenium WebDriver, Git, XPath, CSS и Allure Писать код на Python – поймёте, как устроен язык, изучите его базовый синтаксис, напишете небольшое приложение Проводить юнит-тесты – создавать моки и стабы, использовать Spy, разрывать зависимости Выстраивать процесс автоматизации – разберётесь в инфраструктуре и архитектуре приложений, чтобы покрывать их тестами на всех уровнях Усилите свои хардскилы с помощью ИИ. Научитесь использовать нейросети, чтобы: Генерировать классы Page Object, локаторы и методы для Pytest Создавать тестовые данные и mock-объекты для любых сценариев Автоматически составлять матрицу покрытия требований Выявлять пропущенные кейсы Быстро анализировать ошибки в логах Составлять рекомендации по исправлению багов Как вы будете учиться: Будете изучать наглядную теорию и сразу отрабатывать её в тренажёре. Заниматься можно в любое удобное время: сначала объяснят теорию понятным языком, а потом вы закрепите её в заданиях с автоматической проверкой – можно сразу увидеть ошибки, исправить их, попробовать ещё раз Встречаться с опытными автоматизаторами на вебинарах. Каждый спринт специалисты проводят вебинары, где разбирают сложные темы и интересные кейсы, делятся опытом, отвечают на вопросы. После вебинара пришлют запись, а всё, что не успеете спросить, можно обсудить в общем чате Делать проекты и получать подробную обратную связь. В течение курса вы сможете сделать и добавить в портфолио 7 проектов. Каждый из них проверит тестировщик с большим опытом в автоматизации и даст подробную обратную связь, с которой проще развиваться Изучите основы объектно-ориентированного программирования (ООП). Это принципы, которые помогают решать сложные задачи, настраивать методы и классы, создавать логичные иерархии. ООП помогает писать программы, которые легко поддерживать и проверять. ООП: инкапсуляция Продолжите изучать ООП. После этого модуля сможете решать комплексные сложные задачи в коде. Чтобы закрепить полученные навыки, напишете небольшое приложение. Юнит-тестирование Освоите важную часть автоматического тестирования – фреймворк pytest. Его используют, чтобы не писать каждый раз код с нуля. Начнёте работать в pytest сначала с самыми простыми тестами – юнит-тестами. Потом узнаете, как в pytest тестировать веб. UI-тестирование Научитесь автоматизировать проверки, которые обычно проводятся вручную через браузер. Для этого изучите Selenium – с его помощью программы с автотестами «нажимают» на кнопки и «заполняют» поля ввода. Примените всё, что узнали о Python, для тестирования веб-приложений. Page Object Model Узнаете, как улучшать автотесты с помощью паттерна проектирования Page Object Model. Он помогает выстраивать правильную структуру тестов, чтобы их было легче читать и поддерживать. Построите отчёты о тестировании с помощью инструмента Allure, который предоставляет наглядную статистику о проверках. Тестирование API Узнаете, как автоматизировать тестирование API. Научитесь применять Postman и Swagger для автоматизации, писать несколько видов запросов. Потренируетесь работать с моками и стабами – заглушками, которые имитируют поведение реальных сервисов. Архитектура Мало покрыть приложение тестами, нужно позаботиться о том, чтобы процесс тестирования был исправен. Поэтому в этом модуле вы научитесь оценивать, насколько полно функциональность покрыта тестами. Это нужно, чтобы не было проблем при автоматизации. Итоговый проект Это проект, который объединит весь изученный материал. Вам предстоит покрыть тестами веб-приложение, API и написать юнит-тесты на отдельную функциональность. Дополнительный модуль. Основы работы с базами данных Это дополнительный модуль, в котором вы узнаете, как устроены базы данных, напишете SQL-запросы, научитесь агрегировать данные и связывать несколько таблиц. Также узнаете, как группировать и сортировать данные в таблицах. Дополнительный модуль. Принципы работы с ИИ Начнёте рационально применять искусственный интеллект. Узнаете ограничения моделей. Научитесь писать точные промпты. Дополнительный модуль. Применение ИИ в тестировании Пройдёте цикл автоматизации с поддержкой ИИ: от генерации тест-кейсов и структуры проекта до создания сложных данных, написания кода по шаблону Page Object и аналитики. Полная программа Бесплатное введение: Узнаете чуть больше о курсе и о том, как проходит учёба: оцените подачу материала и тренажёр для написания кода. Введение поможет понять, подходит ли вам такой формат. Основы Git: Настроите Git, разберёте основные команды: ветвление и слияние изменений. Погрузитесь в работу с GitHub и подготовитесь к первому проекту. Настройка окружения и знакомство с командной строкой. Что такое Git. Как работать с командной строкой – навигация и советы. Операции с папками и файлами: создание, копирование, перемещение, чтение и удаление. Эффективная работа с командной строкой. Установка и настройка Git Работа с Git. Инициализация репозитория и добавление файлов. Создание первого коммита. Знакомство с историей коммитов и GitHub. Регистрация на GitHub. Создание удалённого репозитория. Что такое SSH. SSH-ключ: генерация и привязывание к GitHub. Связывание и синхронизация локального и удалённого репозитория Основы работы с ветками в Git. Скачивание и клонирование репозитория. Выполнение Fork. Создание ветки Основы Python: Познакомитесь с базовыми конструкциями языка: классами и объектами, функциями, ветвлениями и так далее. Будете сразу применять знания на практике – писать код внутри уроков и в среде разработки VS Code. Как устроено обучение. Сроки и дедлайны. Как всё организовано. Что поможет справиться. Ошибки и ответственность Знакомство с Python. Язык Python. Вывод на экран. Пробелы в выводе на экран. Переменные. Как называть переменные. Константы. Типы данных: числа и строки. Операции с целыми числами. Конкатенация строк. Форматирование строк. Преобразование типов. Дробные числа Ветвления. Логические выражения. Тип данных bool. Ветвление кода. Ветвление кода с else. Множественные ветвления. Логические операции. Приоритет логических операторов Списки. Знакомство со списками. Длина списка и индексы. Списки и индексы: практика. Операции со списками: append(), insert() и remove(). Операции со списками: pop() и in. Сложение списков. Списки списков и копирование. Операции со списками: практика Циклы. Циклы. Диапазоны от и до. Функция reversed(). Перебор через обратный срез списка. Вложенные циклы. Цикл с условием. Циклы: практика Операции со строками. Длина строки, индексы и подстроки. Метод split(). Метод replace() Словари и коллекции. Что такое словарь. Как получить и изменить значение в словаре. Как добавить элементы в словарь. Метод get(). Методы keys() и values(). Перебор элементов в словаре. Как проверить наличие элемента. Словари: практика Функции. Функция. Как объявить и вызвать функцию. Аргументы и параметры. Возврат значений из функции. Значение по умолчанию и разные виды аргументов. Библиотеки. Вызов функции из функции. Ошибки и их обработка. Ошибки в списках и словарях. Функции: практика Классы и объекты. Классы и объекты. Как создать класс. Как создать объект. Ошибка AttributeError. Как объявить и вызвать метод. Встроенные методы: __dict__. Как взаимодействуют классы VS Code. Командная строка. Как запустить Python в командной строке. Среда разработки VS Code. Как создать проект. Интерфейс VS Code. Запуск и отладка проекта Решите несколько комплексных задач на Python. Напишете программы, которые печатают текст, считают время и составляют таблицы ООП: наследование и полиморфизм: Изучите основы объектно-ориентированного программирования (ООП). Это принципы, которые помогают решать сложные задачи, настраивать методы и классы, создавать логичные иерархии. ООП помогает писать программы, которые легко поддерживать и проверять. Наследование. Что такое ООП. Наследование. Наследование с конструктором. Функция super(). Переопределение методов. Переопределение методов: меняется сигнатура. Переопределение и super(). Полиморфизм Множественное наследование. Множественное наследование. Множественное наследование с конструктором. Множественное наследование и super(). Ромбовидное наследование. Миксины. Наследование: практика Статические методы. Что такое статический метод. Как вызвать статический метод через класс. Как применять статический метод на практике Методы класса. Что такое методы класса. Как применять методы класса Область видимости. Область видимости. Когда какую область видимости использовать С помощью принципов ООП решите несколько комплексных задач на Python ООП: инкапсуляция: Продолжите изучать ООП. После этого модуля сможете решать комплексные сложные задачи в коде. Чтобы закрепить полученные навыки, напишете небольшое приложение. Лямбда-функции. Что такое лямбда-функции. Выражение и аргументы лямбда-функций. Функция filter(). Функция map() Инкапсуляция. Модификаторы доступа. Модификатор private. Что такое инкапсуляция. Геттеры и сеттеры. Свойства. Инкапсуляция: практика Обработка исключений. Что такое исключения. Как обрабатывать исключения. Разные типы исключений и их обработка. Как определить тип исключения. Продвинутая обработка исключений. Вызов исключений. Как создать исключение. Обработка исключений: практика Напишете консольное приложение с помощью принципов ООП и VS Code Юнит-тестирование: Освоите важную часть автоматического тестирования – фреймворк pytest. Его используют, чтобы не писать каждый раз код с нуля. Начнёте работать в pytest сначала с самыми простыми тестами – юнит-тестами. Потом узнаете, как в pytest тестировать веб. Темы: Git, Консоль, Pytest, Юнит-тесты: Консоль. Командная строка: начало работы. Подключение к удалённому серверу. Как переходить по каталогам. Как управлять файлами и папками. Как создавать и удалять файлы. Как копировать и перемещать файлы. Сокращённые команды. Работа с текстовыми файлами. История и полезные команды. Фильтрация содержимого файлов. Как быстро работать в командной строке Продвинутая командная работа в Git. Пререквизиты. Fast-forward. Git push. Модели веток. Feature-branch-модель. Pull request и code review. Работа с PR. Разрешение конфликта Основы юнит-тестов и pytest. Фреймворк pytest. Что такое юнит-тесты. Пирамида тестирования. Базовые правила тестов. Как называть юнит-тесты. Как установить pytest. Структура теста в pytest Ассерты. Что такое assert. Базовые assert. Как покрыть тестами метод. Как покрыть тестами класс. Как называть файлы для тестов. Как называть тесты. Как называть все элементы в тестах Параметризация. Что такое параметризация. Как написать параметризованный тест. Параметризация: практика Фикстуры. Фикстуры. Особенности фикстур. Параметры scope и autouse Оценка покрытия. Оценка покрытия. Как посчитать покрытие Покроете юнит-тестами небольшое консольное приложение и выложите работу в Git UI-тестирование: Научитесь автоматизировать проверки, которые обычно проводятся вручную через браузер. Для этого изучите Selenium – с его помощью программы с автотестами «нажимают» на кнопки и «заполняют» поля ввода. Примените всё, что узнали о Python, для тестирования веб-приложений. Архитектура веб-приложений. Клиент-серверная архитектура. Веб-приложение. URL. Протоколы HTTP и HTTPS. Структура HTTP-запроса. Структура HTTP-ответа. Веб-страница: HTML. HTML: теги и атрибуты. Веб-страница: CSS. Веб-страница: JavaScript. DOM Devtools. Поиск элементов в Devtools. Работа с разрешениями. Просмотр запросов. Куки Введение в UI-тестирование. Что такое UI-тесты. Пирамида тестирования. UI-тесты: преимущества и недостатки Selenium: поиск элементов. Что такое Selenium WebDriver. Что такое локатор. Основные теги. Что такое XPath. Поиск по элементу и атрибуту. Узлы. Значение элемента. Список элементов. Усечённый список. Видимые и невидимые элементы. Относительный и абсолютный путь. Вложенные элементы по относительному пути. Сложный поиск. Составные локаторы. Поиск по CSS Selenium: базовые методы. Подключение Selenium в VS Code. Открыть и закрыть страницу. Найти элемент. Кликнуть по элементу. Задать ожидания. Заполнить поле ввода. Получить текст элемента. Перейти к элементу. Работа с куками из тестов. Selenium: практика. Структура проекта Протестируете UI-интерфейс сервиса заказа еды Stellar Burgers с помощью Selenium и Devtools, покроете тестами несколько веб-страниц Page Object Model: Узнаете, как улучшать автотесты с помощью паттерна проектирования Page Object Model. Он помогает выстраивать правильную структуру тестов, чтобы их было легче читать и поддерживать. Построите отчёты о тестировании с помощью инструмента Allure, который предоставляет наглядную статистику о проверках. Page Object. Что такое Page Object Model. Как задать класс page object. Работа с локаторами. Работа с методами. Как объединять методы в шаг. Методы setup_class() и teardown_class(). POM: практика Allure. Отчёты о тестировании. Установка Allure. Allure: декораторы Структура проекта. Файл с внешними зависимостями. Структура проекта с POM. Как улучшить организацию проекта Напишете тесты для веб-приложения с помощью Page Object Model, построите информативный отчёт о тестировании в Allure Тестирование API: Узнаете, как автоматизировать тестирование API. Научитесь применять Postman и Swagger для автоматизации, писать несколько видов запросов. Потренируетесь работать с моками и стабами – заглушками, которые имитируют поведение реальных сервисов. Введение в API. Архитектура приложений. Что такое API. Архитектурные решения – REST. HTTP: структура запросов и ответов. JSON. Тестирование API. Тестирование сервера: Postman. Документация API. Swagger. Авторизация Как тестировать API с помощью Python. Зачем автоматизировать тестирование API. Флоу автоматизированного тестирования API. Библиотека Requests. Метод GET. Десериализация. Метод POST. Сериализация. Метод DELETE. Метод PATCH Подготовка к автоматизации. Как подготовить тестовый стенд. Как написать тест-кейс. Как подготовить данные. Как хранить данные Моки. Изоляция в тестах. Что такое мок. Как создать мок. Как замокировать вызов. Как проверить вызовы мока. Как замокировать внешний сервис. Моки в UI-тестах. Моки в API-тестах Протестируете API учебного веб-приложения Архитектура: Мало покрыть приложение тестами, нужно позаботиться о том, чтобы процесс тестирования был исправен. Поэтому в этом модуле вы научитесь оценивать, насколько полно функциональность покрыта тестами. Это нужно, чтобы не было проблем при автоматизации. Темы: Архитектура приложений, Флоу работы автоматизатора: Архитектура. Монолитная архитектура. Микросервисная архитектура. Виды межсервисного взаимодействия. Архитектурные паттерны Как покрывать тестами разные уровни программы. Сколько тестов нужно на каждый уровень пирамиды. Когда запускают тесты разных уровней. Оценка покрытия по каждому уровню Рабочие задачи автоматизатора. Какие задачи решает автоматизатор. Автоматизация новой фичи. Обновление устаревших тестов. Автотесты для новой системы. Практика Подготовка к итоговому проекту. Юнит-тесты: повторение. Тестирование API: повторение. Тестирование веб-приложения: повторение. Поделись впечатлениями о проекте Подытожите знания и выполните задания на повторение юнит-тестов, тестирования API и веб-приложений Итоговый проект: Это проект, который объединит весь изученный материал. Вам предстоит покрыть тестами веб-приложение, API и написать юнит-тесты на отдельную функциональность. Дополнительный модуль. Основы работы с базами данных: Это дополнительный модуль, в котором вы узнаете, как устроены базы данных, напишете SQL-запросы, научитесь агрегировать данные и связывать несколько таблиц. Также узнаете, как группировать и сортировать данные в таблицах. Темы: SQL-запросы, Тестирование баз данных: Базы данных. Тестирование БД. Реляционные БД. SQL-запросы. Срезы данных в SQL. Агрегирующие функции. Изменение типов. Группировка данных. Сортировка данных. БД и консоль. Изменение данных: INSERT, UPDATE, DELETE. Снятие дампов. Тест: основы баз данных Дополнительный модуль. Принципы работы с ИИ: Начнёте рационально применять искусственный интеллект. Узнаете ограничения моделей. Научитесь писать точные промпты. Принципы и ограничения. Поймёте, почему нейросети ошибаются при генерации кода и как этого избежать. Научитесь проводить ревью ИИ-решений: находить несуществующие функции и логические ошибки Выбор инструментов. Сравните облачные и локальные модели, IDE-плагины и AI-чаты. Научитесь подбирать ИИ-инструменты под конкретные задачи, исходя из их стоимости и функциональности Основы промптинга. Разберёте структуру запроса: контекст, задачу, формат. Освоите zero-shot, few-shot, chain-of-thought, чтобы получать точные и предсказуемые ответы Планирование и декомпозиция. Узнаете, как разбивать объёмные задачи на подзадачи, а также планировать рабочие и личные проекты с помощью ИИ Освоите промпт-инжиниринг, научитесь выбирать оптимальные ИИ-решения и выявлять галлюцинации Дополнительный модуль. Применение ИИ в тестировании: Пойдёте цикл автоматизации с поддержкой ИИ: от генерации тест-кейсов и структуры проекта до создания сложных данных, написания кода по шаблону Page Object и аналитики. Темы: Тест-дизайн, Page Object, Тестовые данные, Анализ логов: Тест-дизайн и документация. Научитесь формулировать запросы для генерации тест-кейсов и чек-листов на основе требований. Сможете составлять матрицу покрытия (Traceability Matrix) и группировать тесты по модулям с помощью ИИ Код автотестов и классы Page Object. Поймёте, как использовать ИИ для генерации структуры Python-проекта, документации (README) и классов Page Object. Начнёте создавать локаторы, методы действий и настро

Кратко и по делу. Микросервисы - живой стенд: один раз поднял и проходишь от контейнеров до Grafana по шагам. Пройдём весь путь от кнопки «Оформить заказ» до логов и трассировки. Необходимая теория, а дальше практика «где смотреть и как найти проблему по цепочке». Пошаговые ТЗ и схемы под каждый этап - без перегруза. Чему вы научитесь Ориентироваться в микросервисной системе: понимать, какие сервисы есть, кто с кем общается, где что лежит (контейнеры, порты, папки проекта). Вызывать API и проверять результат в БД: создавать заказ через Swagger/Postman, находить запись в таблице orders в PostgreSQL через pgAdmin. Работать с очередями сообщений: заходить в RabbitMQ UI, находить сообщения по traceId/orderId, понимать цепочку «202 → очередь → воркер → БД». Работать с топиками Kafka: открывать Kafka UI, смотреть топики payment_requests и order-events, прослеживать один заказ по traceId в обоих брокерах (RabbitMQ и Kafka). Искать по одному заказу в логах и трейсах: в Loki — по traceId логи всех сервисов, в Tempo — цепочку вызовов по Trace ID для Tempo (otelTraceId); расследовать сбой или убедиться, что поток прошёл успешно. Связывать в одну картину: один заказ = один traceId в API, в очередях, в топиках, в логах и в трейсе — без страха «а где это смотреть». О курсе Краткое описание курса Обучение идёт по этапам: каждый следующий добавляет один слой (БД, очередь, топики, мониторинг). На каждом этапе — короткие лекции (5–10 мин) и в конце этапа срез (проверка / домашнее задание) Этап 1 — Старт Обзор: что будем разбирать (фронт, заказ, оплата). Вводная по архитектуре: где что лежит, порты, схемы. Как запустить стенд (docker compose). ТЗ и схемы. Этап 2 — База, контейнеры, API и логи Контейнеры и порты (docker-compose.yml). API заказов (Swagger). База данных PostgreSQL Логи в контейнерах и поиск по traceId Этап 3 — RabbitMQ Зачем очередь между сервисами. RabbitMQ в проекте: очереди order_requests и payment_results. Типичные ошибки RabbitMQ Этап 4 — Kafka Чем Kafka отличается от RabbitMQ Kafka UI: топики Типичные ошибки Kafka Этап 5 — Grafana, Loki и Tempo Зачем единое окно для логов и трейсов. Как логи попадают в Loki. Поиск по traceId в Loki. Трейсы в Tempo и Trace ID для Tempo (otelTraceId). Связка логов и трейса. . Рекомендуется конспектировать видео для подготовки к собеседованиям. Для кого этот курс Ручные тестировщики, которые хотят разобраться в микро сервисной архитектуре не «по картинкам», а в живой системе: где что смотреть, как проследить один сценарий от начала до конца. Специалисты, которым нужно проверять сценарии в системе с очередями (RabbitMQ), топиками (Kafka), логами и трейсами (Grafana, Loki, Tempo) и при этом не теряться. Те, кто хочет ориентироваться в проекте: контейнеры, порты, API, БД, веб-интерфейсы брокеров — без обязательного углубления в код и настройку инфраструктуры. Начальные требования Обязательно: Уметь открыть терминал (командную строку) и выполнить команду (перейти в папку, ввести команду, прочитать вывод). Открывать ссылку в браузере (все интерфейсы — по адресам вида , :8080, :5050 и т.д.). Иметь установленный и запущенный Docker (Docker Desktop или Docker Engine). Стенд поднимается одной командой `docker compose up -d`. Желательно (но не блокер): Понимать на базовом уровне, что такое API и HTTP (есть URL, запрос, ответ в виде JSON). Коды 202, 500 и т.д. разбираем по ходу. Не пугаться слова «база данных» — мы не пишем SQL с нуля, только подключаемся к PostgreSQL через pgAdmin и смотрим таблицу. Иметь представление, что такое «логи» (сообщения приложения о своих действиях). Не требуется: Глубоко знать Docker (достаточно `docker compose up -d` и `docker compose ps`). Писать код — курс про ориентирование, вызов API, просмотр очередей, топиков и логов. Заранее знать RabbitMQ, Kafka или Grafana — всё вводится по шагам. Компьютер: рекомендуется не менее 8 GB RAM (лучше 16 GB), 4 ядра CPU, 10 GB свободного места на диске — стенд запускает много контейнеров. Как проходит обучение Лекции — короткие блоки по 5–10 минут Пошаговое погружение: сначала контейнеры, API и БД; потом добавляем RabbitMQ; затем Kafka; в конце - Grafana, Loki, Tempo. Срезы в конце каждого этапа - практические задания после блока лекций: создать заказ, найти в БД; найти сообщение в RabbitMQ; найти traceId в RabbitMQ и Kafka; найти заказ в Loki и Tempo. Сначала объясняю "как», потом делаешь самостоятельно. Стенд у ученика: один раз поднимается локально (docker compose), все интерфейсы доступны на localhost. Можно повторять демо и задания у себя после лекции. Документация: план лекций, описание микросервисов, ТЗ по этапам, схемы, словарик, сценарии неполадок, чек-лист готовности — всё в есть в курсе. При необходимости можно запросить поддержку в курсе - я подскажу и отвечу. Порешаем Программа курса ​ 1. Приветствие Приветствие Глоссарий/Словарь терминов Требования к компьютеру ​ 2. Знакомство с арихитектурой Собираем проект Вводная архитектура Техническое задание Срез по ТЗ Где что живёт: контейнеры и порты API заказов: что можно вызвать Где хранятся заказы: база данных Поиск логов в контейнерах Успешный заказ Заказ с учебной ошибкой Срез Этап 2 ​ 3. RabbitMQ Очереди.Теория Зачем очередь между сервисами Техническое задание + RabbitMQ RabbitMQ в нашем проекте: что куда кладётся RabbitMQ: публикация сообщения напрямую в очередь RabbitMQ: публикация сломанного сообщения напрямую в очередь Как читать RabbitMQ Ack Nack при ручной проверке Типичные ошибки RabbitMQ Срез Этап 3 ​ 4. Kafka Чем Kafka отличается от RabbitMQ Kafka UI топики, сообщения и функции для тестировщика Kafka UI практика Типичные ошибки Kafka Срез. Этап 4. ​ 5. Grafana Зачем единое окно для логов и трейсов Как логи попадают в Loki Поиск по traceId в Loki Трейсы в Tempo Универсальный чек-лист (справочник) ​ 6. Завершение курса Напутствие ​ Что вы получаете Уверенно ориентироваться в микросервисной системе: понимать, какие сервисы за что отвечают, кто с кем общается, где смотреть данные (порты, интерфейсы, контейнеры). Работать с очередями и топиками: заходить в RabbitMQ UI и Kafka UI, находить нужные сообщения, связывать их с заказом и с поведением на фронте; понимать, что такое 202 и почему результат приходит позже. Расследовать сбои по логам и трейсам: искать в Grafana (Loki) все логи по одному заказу по traceId и открывать цепочку вызовов (трейс) в Tempo по Trace ID для Tempo — формулировать, в каком сервисе ошибка или что поток прошёл успешно. Применять подход в новых проектах: тот же принцип - «один запрос = один идентификатор по всей цепочке» — переносится на другие микросервисные системы; вы будете знать, куда смотреть и какие вопросы задавать.

Кратко и по делу. Микросервисы - живой стенд: один раз поднял и проходишь от контейнеров до Grafana по шагам. Пройдём весь путь от кнопки «Оформить заказ» до логов и трассировки. Необходимая теория, а дальше практика «где смотреть и как найти проблему по цепочке». Пошаговые ТЗ и схемы под каждый этап - без перегруза. Чему вы научитесь Ориентироваться в микросервисной системе: понимать, какие сервисы есть, кто с кем общается, где что лежит (контейнеры, порты, папки проекта). Вызывать API и проверять результат в БД: создавать заказ через Swagger/Postman, находить запись в таблице orders в PostgreSQL через pgAdmin. Работать с очередями сообщений: заходить в RabbitMQ UI, находить сообщения по traceId/orderId, понимать цепочку «202 → очередь → воркер → БД». Работать с топиками Kafka: открывать Kafka UI, смотреть топики payment_requests и order-events, прослеживать один заказ по traceId в обоих брокерах (RabbitMQ и Kafka). Искать по одному заказу в логах и трейсах: в Loki — по traceId логи всех сервисов, в Tempo — цепочку вызовов по Trace ID для Tempo (otelTraceId); расследовать сбой или убедиться, что поток прошёл успешно. Связывать в одну картину: один заказ = один traceId в API, в очередях, в топиках, в логах и в трейсе — без страха «а где это смотреть». О курсе Обучение идёт по этапам: каждый следующий добавляет один слой (БД, очередь, топики, мониторинг). На каждом этапе — короткие лекции (5–10 мин) и в конце этапа срез (проверка / домашнее задание) Этап 1 — Старт Обзор: что будем разбирать (фронт, заказ, оплата). Вводная по архитектуре: где что лежит, порты, схемы. Как запустить стенд (docker compose). ТЗ и схемы. Этап 2 — База, контейнеры, API и логи Контейнеры и порты (docker-compose.yml). API заказов (Swagger). База данных PostgreSQL Логи в контейнерах и поиск по traceId Этап 3 — RabbitMQ Зачем очередь между сервисами. RabbitMQ в проекте: очереди order_requests и payment_results. Типичные ошибки RabbitMQ Этап 4 — Kafka Чем Kafka отличается от RabbitMQ Kafka UI: топики Типичные ошибки Kafka Этап 5 — Grafana, Loki и Tempo Зачем единое окно для логов и трейсов. Как логи попадают в Loki. Поиск по traceId в Loki. Трейсы в Tempo и Trace ID для Tempo (otelTraceId). Связка логов и трейса. . Рекомендуется конспектировать видео для подготовки к собеседованиям. Для кого этот курс Ручные тестировщики, которые хотят разобраться в микро сервисной архитектуре не «по картинкам», а в живой системе: где что смотреть, как проследить один сценарий от начала до конца. Специалисты, которым нужно проверять сценарии в системе с очередями (RabbitMQ), топиками (Kafka), логами и трейсами (Grafana, Loki, Tempo) и при этом не теряться. Те, кто хочет ориентироваться в проекте: контейнеры, порты, API, БД, веб-интерфейсы брокеров — без обязательного углубления в код и настройку инфраструктуры. Начальные требования Обязательно: Уметь открыть терминал (командную строку) и выполнить команду (перейти в папку, ввести команду, прочитать вывод). Открывать ссылку в браузере (все интерфейсы — по адресам вида , :8080, :5050 и т.д.). Иметь установленный и запущенный Docker (Docker Desktop или Docker Engine). Стенд поднимается одной командой `docker compose up -d`. Желательно (но не блокер): Понимать на базовом уровне, что такое API и HTTP (есть URL, запрос, ответ в виде JSON). Коды 202, 500 и т.д. разбираем по ходу. Не пугаться слова «база данных» — мы не пишем SQL с нуля, только подключаемся к PostgreSQL через pgAdmin и смотрим таблицу. Иметь представление, что такое «логи» (сообщения приложения о своих действиях). Не требуется: Глубоко знать Docker (достаточно `docker compose up -d` и `docker compose ps`). Писать код — курс про ориентирование, вызов API, просмотр очередей, топиков и логов. Заранее знать RabbitMQ, Kafka или Grafana — всё вводится по шагам. Компьютер: рекомендуется не менее 8 GB RAM (лучше 16 GB), 4 ядра CPU, 10 GB свободного места на диске — стенд запускает много контейнеров. Как проходит обучение Лекции — короткие блоки по 5–10 минут Пошаговое погружение: сначала контейнеры, API и БД; потом добавляем RabbitMQ; затем Kafka; в конце - Grafana, Loki, Tempo. Срезы в конце каждого этапа - практические задания после блока лекций: создать заказ, найти в БД; найти сообщение в RabbitMQ; найти traceId в RabbitMQ и Kafka; найти заказ в Loki и Tempo. Сначала объясняю "как», потом делаешь самостоятельно. Стенд у ученика: один раз поднимается локально (docker compose), все интерфейсы доступны на localhost. Можно повторять демо и задания у себя после лекции. Документация: план лекций, описание микросервисов, ТЗ по этапам, схемы, словарик, сценарии неполадок, чек-лист готовности — всё в есть в курсе. Программа курса ​ 1. Приветствие Приветствие Глоссарий/Словарь терминов Требования к компьютеру ​ 2. Знакомство с арихитектурой Собираем проект Вводная архитектура Техническое задание Срез по ТЗ Где что живёт: контейнеры и порты API заказов: что можно вызвать Где хранятся заказы: база данных Поиск логов в контейнерах Успешный заказ Заказ с учебной ошибкой Срез Этап 2 ​ 3. RabbitMQ Очереди.Теория Зачем очередь между сервисами Техническое задание + RabbitMQ RabbitMQ в нашем проекте: что куда кладётся RabbitMQ: публикация сообщения напрямую в очередь RabbitMQ: публикация сломанного сообщения напрямую в очередь Как читать RabbitMQ Ack Nack при ручной проверке Типичные ошибки RabbitMQ Срез Этап 3 ​ 4. Kafka Чем Kafka отличается от RabbitMQ Kafka UI топики, сообщения и функции для тестировщика Kafka UI практика Типичные ошибки Kafka Срез. Этап 4. ​ 5. Grafana Зачем единое окно для логов и трейсов Как логи попадают в Loki Поиск по traceId в Loki Трейсы в Tempo Универсальный чек-лист (справочник) ​ 6. Завершение курса Напутствие ​ Что вы получаете Уверенно ориентироваться в микросервисной системе: понимать, какие сервисы за что отвечают, кто с кем общается, где смотреть данные (порты, интерфейсы, контейнеры). Работать с очередями и топиками: заходить в RabbitMQ UI и Kafka UI, находить нужные сообщения, связывать их с заказом и с поведением на фронте; понимать, что такое 202 и почему результат приходит позже. Расследовать сбои по логам и трейсам: искать в Grafana (Loki) все логи по одному заказу по traceId и открывать цепочку вызовов (трейс) в Tempo по Trace ID для Tempo — формулировать, в каком сервисе ошибка или что поток прошёл успешно. Применять подход в новых проектах: тот же принцип - «один запрос = один идентификатор по всей цепочке» — переносится на другие микросервисные системы; вы будете знать, куда смотреть и какие вопросы задавать.

Практический курс по Computer Vision. Соберёте продакшн-сервис: датасет → обучение (YOLO/RT-DETR, SAM), трекинг, OCR/Doc-AI, веб-приложение (UI+API) и мониторинг. Экспорт в ONNX/TensorRT/OpenVINO, батчинг/квантование под CPU/GPU. Плюс профессиональные блоки: mAP/IoU/Dice и калибровка доверия, QA разметки и аугментации, p95/стоимость, дрейф данных и алерты, guardrails (NMS/правила), A/B-тесты, Triton/gRPC/FastAPI. Этот курс — про продакшн-компьютерное зрение. Вы пройдёте путь от данных и разметки до работающего сервиса с метриками качества, скорости и стоимости инференса. Мы не ограничиваемся ноутбуками: строим сервисы, считаем p95-латентность и cost/1000 кадров, настраиваем мониторинг и приватность. Что внутри. Детекция и сегментация (YOLOv8/YOLO11, RT-DETR, SAM), Doc-AI (PaddleOCR + LayoutParser), экспорт и ускорение (ONNX/TensorRT/OpenVINO, квантизация INT8, батчинг, динамические инпуты), сервисный слой (FastAPI, очереди Redis/RabbitMQ, rate-limit, ретраи), деплой (Docker/Compose, канареечные релизы), наблюдаемость (Prometheus/Grafana, структурированные логи, алерты). Практика и артефакты: Retail: детектор пустых полок → mAP, p95, cost/req, дашборд. Пром: сегментация дефектов → IoU/Dice, отчёт по браку для менеджмента. Офис: Doc-AI для чеков/актов → JSON → БД, SLA эндпоинта. Каждый модуль завершается артефактом: модель/скрипт инференса/эндпоинт/отчёт или дашборд. Все репозитории воспроизводимы (Makefile, docker-compose, инструкции «из коробки»). Почему это ценно. Вы научитесь не только обучать модели, но и обосновывать ROMI: корректно мерить качество, latency и стоимость, находить узкие места, безопасно обновлять модели (канарейка/shadow), соблюдать политику PII (маскирование лиц/номеров, аудит доступа). Формат: короткая теория → код → автопроверки/чек-листы → мини-итог. Финал — деплой сервиса с мониторингом и отчётом метрик.

​ Практический курс по Computer Vision. Соберёте продакшн-сервис: датасет → обучение (YOLO/RT-DETR, SAM), трекинг, OCR/Doc-AI, веб-приложение (UI+API) и мониторинг. Экспорт в ONNX/TensorRT/OpenVINO, батчинг/квантование под CPU/GPU. Плюс профессиональные блоки: mAP/IoU/Dice и калибровка доверия, QA разметки и аугментации, p95/стоимость, дрейф данных и алерты, guardrails (NMS/правила), A/B-тесты, Triton/gRPC/FastAPI. Этот курс — про продакшн-компьютерное зрение. Вы пройдёте путь от данных и разметки до работающего сервиса с метриками качества, скорости и стоимости инференса. Мы не ограничиваемся ноутбуками: строим сервисы, считаем p95-латентность и cost/1000 кадров, настраиваем мониторинг и приватность. Что внутри. Детекция и сегментация (YOLOv8/YOLO11, RT-DETR, SAM), Doc-AI (PaddleOCR + LayoutParser), экспорт и ускорение (ONNX/TensorRT/OpenVINO, квантизация INT8, батчинг, динамические инпуты), сервисный слой (FastAPI, очереди Redis/RabbitMQ, rate-limit, ретраи), деплой (Docker/Compose, канареечные релизы), наблюдаемость (Prometheus/Grafana, структурированные логи, алерты). Практика и артефакты: Retail: детектор пустых полок → mAP, p95, cost/req, дашборд. Пром: сегментация дефектов → IoU/Dice, отчёт по браку для менеджмента. Офис: Doc-AI для чеков/актов → JSON → БД, SLA эндпоинта. Каждый модуль завершается артефактом: модель/скрипт инференса/эндпоинт/отчёт или дашборд. Все репозитории воспроизводимы (Makefile, docker-compose, инструкции «из коробки»). Почему это ценно. Вы научитесь не только обучать модели, но и обосновывать ROMI: корректно мерить качество, latency и стоимость, находить узкие места, безопасно обновлять модели (канарейка/shadow), соблюдать политику PII (маскирование лиц/номеров, аудит доступа). Формат: короткая теория → код → автопроверки/чек-листы → мини-итог. Финал — деплой сервиса с мониторингом и отчётом метрик.

Практический курс по Computer Vision. Соберёте продакшн-сервис: датасет → обучение (YOLO/RT-DETR, SAM), трекинг, OCR/Doc-AI, веб-приложение (UI+API) и мониторинг. Экспорт в ONNX/TensorRT/OpenVINO, батчинг/квантование под CPU/GPU. Плюс профессиональные блоки: mAP/IoU/Dice и калибровка доверия, QA разметки и аугментации, p95/стоимость, дрейф данных и алерты, guardrails (NMS/правила), A/B-тесты, Triton/gRPC/FastAPI. Этот курс — про продакшн-компьютерное зрение. Вы пройдёте путь от данных и разметки до работающего сервиса с метриками качества, скорости и стоимости инференса. Мы не ограничиваемся ноутбуками: строим сервисы, считаем p95-латентность и cost/1000 кадров, настраиваем мониторинг и приватность. Что внутри. Детекция и сегментация (YOLOv8/YOLO11, RT-DETR, SAM), Doc-AI (PaddleOCR + LayoutParser), экспорт и ускорение (ONNX/TensorRT/OpenVINO, квантизация INT8, батчинг, динамические инпуты), сервисный слой (FastAPI, очереди Redis/RabbitMQ, rate-limit, ретраи), деплой (Docker/Compose, канареечные релизы), наблюдаемость (Prometheus/Grafana, структурированные логи, алерты). Практика и артефакты: Retail: детектор пустых полок → mAP, p95, cost/req, дашборд. Пром: сегментация дефектов → IoU/Dice, отчёт по браку для менеджмента. Офис: Doc-AI для чеков/актов → JSON → БД, SLA эндпоинта. Каждый модуль завершается артефактом: модель/скрипт инференса/эндпоинт/отчёт или дашборд. Все репозитории воспроизводимы (Makefile, docker-compose, инструкции «из коробки»). Почему это ценно. Вы научитесь не только обучать модели, но и обосновывать ROMI: корректно мерить качество, latency и стоимость, находить узкие места, безопасно обновлять модели (канарейка/shadow), соблюдать политику PII (маскирование лиц/номеров, аудит доступа). Формат: короткая теория → код → автопроверки/чек-листы → мини-итог. Финал — деплой сервиса с мониторингом и отчётом метрик.

Базовый курс автотестирования API при помощи Postman (включает в себя знакомство с API, Postman, JavaScript и библиотекой Chai.js) от команды qahacking.ru Чему вы научитесь Познакомитесь с азами JavaScript Повторите теорию тестирования API Научитесь параметризировать тесты Потрогаете сниппеты, заложенные в Postman Напишете собственные автотесты О курсе Курс создан как базовый, то есть вам не нужно обладать какими-то глубокими познаниями в области программирования или автотестирования. Мы познакомим вас с основами JS, коротко познакомим с понятием API и с тем, что такое Postman. Также мы расскажем о том, что именно проверяется при тестировании API и какую часть этих проверок может покрыть автотестирование. Для кого этот курс Этот курс будет интересен тем тестировщикам, кто мало знает о программировании, немного трогал постман и тестирование API и является базовым для того, чтобы начать писать автотесты в Postman (для REST сервисов) Начальные требования Для того, чтобы писать хорошие автотесты необходимо знать общую теорию тестирования и немного понимать как тестируется API. Базовое знакомство с одним из языков программирования не помешает (оптимально - JS). Но если нет технических знаний, то самые основные мы дадим в курсе. Наши преподаватели Юлия Горшкова/ В 2020 году впервые совместила педагогическое образование и опыт работы в QA и начала преподавание и создание учебных программ. Тестировщица (QA Lead) и преподавательница (Course Lead) Как проходит обучение В уроках представлены видео, тексты и тесты. Главная часть обучения - практика в запущенном на вашем компьютере Postman-е. Рекомендации по изучению: если у вас будут сложности на этапе изучения JS, не переживайте, можно просто прочитать эти уроки и переходить к изучению автотестов. По мере написания тестов, можно возвращаться к теме JS и перечитывать уроки по программированию. Это базовый уровень и наша задача заложить основы автотестирования и программирования.

Этот курс создан для начинающих и работающих тестировщиков уровня джуниор и миддл, которые хотят уверенно проверять требования, пользовательские сценарии, API-спецификации и сопроводительные материалы. Мы последовательно разберём, как читать документы так, чтобы находить противоречия, неопределённости и пробелы, как соотносить документацию с реальным поведением системы и как выстраивать трассируемость между требованиями и тестами. Чему вы научитесь Определять цели и границы тестирования документации, выбирать правильные источники истины и договариваться о критериях качества. Применять чек-листы качества к требованиям: полнота, непротиворечивость, однозначность, проверяемость, актуальность, трассируемость. Разбирать пользовательские сценарии: основной поток, альтернативы, исключения, предусловия и постусловия, а также переводить их в тестовые идеи и наборы. Читать и проверять спецификации API на основе Swagger или OpenAPI: схемы, типы, обязательные поля, коды ошибок, примеры, версии и обратная совместимость. Строить карту трассируемости между требованиями, тестами, багами и релизами, поддерживать её в актуальном состоянии и использовать для анализа регрессии. Тестировать интерфейсные тексты и локализацию: единообразие терминов, тональность, длины строк, переносы,Plural-формы, форматы даты, времени и чисел, а также доступность. Работать с версиями и процессом согласования изменений: ревью, комментарии, фиксация решений, контроль изменений и связь с задачами. Использовать инструменты: системы документации как код, линтеры, статический анализ, средства для сравнения версий и автоматической генерации документации. О курсе Тестирование документации — это не формальность и не финальный штрих, а важная часть качества продукта, значительно удешевляющая процесс разработки ПО. Этот курс создан для начинающих и работающих тестировщиков уровня джуниор и миддл, которые хотят уверенно проверять требования, пользовательские сценарии, API-спецификации и сопроводительные материалы. Мы последовательно разберём, как читать документы так, чтобы находить противоречия, неопределённости и пробелы, как соотносить документацию с реальным поведением системы и как выстраивать трассируемость между требованиями и тестами. К окончанию курса вы сможете уверенно проверять документацию разных типов, фиксировать замечания аргументированно и конструктивно, поддерживать трассируемость и влиять на качество продукта ещё до написания кода. Вы научитесь выстраивать предсказуемый процесс ревью, экономить время команды и снижать стоимость исправления дефектов за счёт раннего обнаружения проблем в документах. Для кого этот курс Тестировщики начального уровня, которые хотят понять, с чего начинать проверку документации и как не упускать важные детали. Тестировщики уровня миддл, которым нужна структура, чёткие критерии и расширение набора техник для ревью документов. Инженеры по качеству, участвующие в анализе требований, уточнении сценариев и приёмке изменений по API. Наши преподаватели Юлия Горшкова.В 2020 году впервые совместила педагогическое образование и опыт работы в QA и начала преподавание и создание учебных программ. Тестировщица (QA Lead) и преподавательница (Course Lead)

Базовый курс автотестирования API при помощи Postman (включает в себя знакомство с API, Postman, JavaScript и библиотекой Chai.js) от команды qahacking.ru Чему вы научитесь Познакомитесь с азами JavaScript Повторите теорию тестирования API Научитесь параметризировать тесты Потрогаете сниппеты, заложенные в Postman Напишете собственные автотесты О курсе Курс создан как базовый, то есть вам не нужно обладать какими-то глубокими познаниями в области программирования или автотестирования. Мы познакомим вас с основами JS, коротко познакомим с понятием API и с тем, что такое Postman. Также мы расскажем о том, что именно проверяется при тестировании API и какую часть этих проверок может покрыть автотестирование. Для кого этот курс Этот курс будет интересен тем тестировщикам, кто мало знает о программировании, немного трогал постман и тестирование API и является базовым для того, чтобы начать писать автотесты в Postman (для REST сервисов) Начальные требования Для того, чтобы писать хорошие автотесты необходимо знать общую теорию тестирования и немного понимать как тестируется API. Базовое знакомство с одним из языков программирования не помешает (оптимально - JS). Но если нет технических знаний, то самые основные мы дадим в курсе. Наши преподаватели Юлия Горшкова/ В 2020 году впервые совместила педагогическое образование и опыт работы в QA и начала преподавание и создание учебных программ. Тестировщица (QA Lead) и преподавательница (Course Lead) Как проходит обучение В уроках представлены видео, тексты и тесты. Главная часть обучения - практика в запущенном на вашем компьютере Postman-е. Рекомендации по изучению: если у вас будут сложности на этапе изучения JS, не переживайте, можно просто прочитать эти уроки и переходить к изучению автотестов. По мере написания тестов, можно возвращаться к теме JS и перечитывать уроки по программированию. Это базовый уровень и наша задача заложить основы автотестирования и программирования.

Этот курс создан для начинающих и работающих тестировщиков уровня джуниор и миддл, которые хотят уверенно проверять требования, пользовательские сценарии, API-спецификации и сопроводительные материалы. Мы последовательно разберём, как читать документы так, чтобы находить противоречия, неопределённости и пробелы, как соотносить документацию с реальным поведением системы и как выстраивать трассируемость между требованиями и тестами. Чему вы научитесь Определять цели и границы тестирования документации, выбирать правильные источники истины и договариваться о критериях качества. Применять чек-листы качества к требованиям: полнота, непротиворечивость, однозначность, проверяемость, актуальность, трассируемость. Разбирать пользовательские сценарии: основной поток, альтернативы, исключения, предусловия и постусловия, а также переводить их в тестовые идеи и наборы. Читать и проверять спецификации API на основе Swagger или OpenAPI: схемы, типы, обязательные поля, коды ошибок, примеры, версии и обратная совместимость. Строить карту трассируемости между требованиями, тестами, багами и релизами, поддерживать её в актуальном состоянии и использовать для анализа регрессии. Тестировать интерфейсные тексты и локализацию: единообразие терминов, тональность, длины строк, переносы,Plural-формы, форматы даты, времени и чисел, а также доступность. Работать с версиями и процессом согласования изменений: ревью, комментарии, фиксация решений, контроль изменений и связь с задачами. Использовать инструменты: системы документации как код, линтеры, статический анализ, средства для сравнения версий и автоматической генерации документации. О курсе Тестирование документации — это не формальность и не финальный штрих, а важная часть качества продукта, значительно удешевляющая процесс разработки ПО. Этот курс создан для начинающих и работающих тестировщиков уровня джуниор и миддл, которые хотят уверенно проверять требования, пользовательские сценарии, API-спецификации и сопроводительные материалы. Мы последовательно разберём, как читать документы так, чтобы находить противоречия, неопределённости и пробелы, как соотносить документацию с реальным поведением системы и как выстраивать трассируемость между требованиями и тестами. К окончанию курса вы сможете уверенно проверять документацию разных типов, фиксировать замечания аргументированно и конструктивно, поддерживать трассируемость и влиять на качество продукта ещё до написания кода. Вы научитесь выстраивать предсказуемый процесс ревью, экономить время команды и снижать стоимость исправления дефектов за счёт раннего обнаружения проблем в документах. Для кого этот курс Тестировщики начального уровня, которые хотят понять, с чего начинать проверку документации и как не упускать важные детали. Тестировщики уровня миддл, которым нужна структура, чёткие критерии и расширение набора техник для ревью документов. Инженеры по качеству, участвующие в анализе требований, уточнении сценариев и приёмке изменений по API. Наши преподаватели Юлия Горшкова.В 2020 году впервые совместила педагогическое образование и опыт работы в QA и начала преподавание и создание учебных программ. Тестировщица (QA Lead) и преподавательница (Course Lead)

​ Практический онлайн-курс для Python QA Automation - инженеров, которые хотят уверенно тестировать брокеры сообщений, писать стабильные E2E-тесты и не бояться асинхронных систем. Тренинг для инженеров автоматизаторов на Python, которые уже имеют опыт автоматизации и опыт тестирования back-end. В тренинге внимание сфокусированно именно на брокерах сообщений. Если вам важны такие темы, как CI/CD, отчеты о тестировании, сбор метрик покрытия сервисов автотестами, красивое логгирование, оповещение о прохождении тестов и другое, лучше рассмотреть тренинг REST API Advanced. Необходимые знания: уверенные навыки программирования на Python и работы с Git опыт автоматизации тестирования веб-приложений навыки использования ООП на Python

Приветствую! Многие годы я размышлял над тем, как дать возможность каждому человеку, независимо от его текущей профессии и технического бэкграунда, освоить профессию тестировщика. За более чем 30 лет работы в сфере тестирования и обучения специалистов я видел сотни людей, которые приходили в эту профессию из самых разных областей, бывшие учителя, экономисты, инженеры, менеджеры по продажам. Каждый из них сталкивался с одной и той же проблемой, что информации о тестировании в интернете много, но она разрозненная, противоречивая и зачастую оторванная от реальной практики. Мне же хотелось создать материал, который соберет все необходимые знания в одном месте и проведет читателя от самых основ до уверенного владения профессией, поэтому я написал эту книгу. Формат pdf

AI в 1С как инструмент ускорения разработки По теме AI много докладов и статей. Интерес высокий, кейсов становится больше. При этом не хватает пошагового обучения, которое показывает: Как создавать рабочие промпты для задач 1С Как работать с большими объёмами кода и данных Как снижать риск «галлюцинаций» Как встроить AI в процесс разработки Из-за этого AI используют фрагментарно: для отдельных запросов или быстрых экспериментов. Курс формирует понятную систему работы и AI становится частью ежедневной разработки, ускоряя работу и сокращая ошибки. Компании всё чаще ищут разработчиков, которые: Работают быстро Умеют оптимизировать код Снижают нагрузку на QA AI позволяет сократить время разработки и сократить ошибки в написании кода. После курса вы освоите: Ключевые навыки Системный промпт-инжиниринг для 1С Генерацию и оптимизацию кода Работу с БСП через AI Автоматизацию тестирования Проведение AI-code review Работу с большими кодовыми базами После курса вы сможете: Генерировать алгоритмы с нуля Рефакторить легаси-код Быстро писать запросы Искать механизмы в БСП Автоматически создавать тесты Проводить code review с трёх ракурсов Работать с большими данными без потери контекста Автор Станислав Ганиев Разработчик и архитектор 1С Опыт работы в крупнейших распределённых командах России Разработал и внедрил систему процессов групповой разработки в ИТ-департаменте рилейт-холдинга Внедрил версионирование крупных сложноразветвлённых проектов Эксперт по командной разработке и Git/GitHub в 1С,