Программа «Python в DevOps и автоматизация инфраструктуры» включает 144 урока (256 академических часов).
Курс объединяет программирование на Python, инфраструктурную автоматизацию, DevOps-инструменты и контейнеризацию. Вы освоите построение CI/CD, управление серверами, работу с Docker и Kubernetes, автоматизацию облаков и мониторинг современной инфраструктуры.
Выпускники программы могут занимать позиции
DevOps Engineer, Python DevOps Engineer, SRE (Site Reliability Engineer),
Infrastructure Automation Engineer, Cloud Engineer.
Востребованность — в DevOps-командах, облачных провайдерах, IT-компаниях, финтех-организациях, технологических стартапах.
DevOps Engineer, Python DevOps Engineer, SRE (Site Reliability Engineer),
Infrastructure Automation Engineer, Cloud Engineer.
Востребованность — в DevOps-командах, облачных провайдерах, IT-компаниях, финтех-организациях, технологических стартапах.
Технологический стек программы
Python
Linux
SSH
Ansible
Terraform
Prometheus
Grafana
ELK Stack
GitLab CI/CD
Docker
Kubernetes
Yandex.Cloud
Linux
SSH
Ansible
Terraform
Prometheus
Grafana
ELK Stack
GitLab CI/CD
Docker
Kubernetes
Yandex.Cloud
Программа реализуется Центром индивидуального обучения Центра 25-12.
Обучение проходит в формате 1-на-1 с преподавателем по согласованному расписанию.
Обучение проходит в формате 1-на-1 с преподавателем по согласованному расписанию.
Документ об окончании
Диплом о профессиональной переподготовке
✓
Официальный документ об окончании программы ДПО
Официальный документ об окончании программы ДПО
✓
Подтверждает квалификацию «Специалист по большим данным»
Подтверждает квалификацию «Специалист по большим данным»
✓
Соответствует профстандарту 06.042 «Специалист по большим данным» и требованиям ФГОС СПО 09.02.07
Соответствует профстандарту 06.042 «Специалист по большим данным» и требованиям ФГОС СПО 09.02.07
Качество и соответствие
Программа «Python в DevOps и автоматизация инфраструктуры» соответствует профстандарту 06.042 «Специалист по большим данным» и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование».
Стоимость и оплата
Оплату можно разделить на 4 этапа в течение обучения. Все платежи осуществляются напрямую в адрес образовательной организации — без процентов и скрытых комиссий.
1 этап
при старте модуля 1
72 000 ₽
2 этап
перед модулем 2
72 000 ₽
3 этап
перед модулем 3
72 000 ₽
4 этап
перед модулем 4
72 000 ₽
Общая стоимость программы — 288 000 ₽
Содержание
- 4 модуля
- 144 уроков
- 256 часов
- Модуль 1. Программирование на языке Python36
- 1.1Введение в Python и установка среды разработки
- 1.2Практическая работа №1. Установка Python и запуск первой программы
- 1.3Переменные и типы данных
- 1.4Практическая работа №2. Работа с переменными и типами данных
- 1.5Операторы в Python
- 1.6Практическая работа №3. Вычисления и логические операции в Python
- 1.7Условные конструкции
- 1.8Практическая работа №4. Программы с условными операторами
- 1.9Циклы в Python
- 1.10Практическая работа №5. Написание циклических программ
- 1.11Работа со строками
- 1.12Практическая работа №6. Обработка строк
- 1.13Списки и кортежи
- 1.14Практическая работа №7. Работа со списками
- 1.15Словари и множества
- 1.16Практическая работа №8. Использование словарей
- 1.17Функции в Python: основы
- 1.18Практическая работа №9. Создание пользовательских функций
- 1.19Передача аргументов, *args, **kwargs
- 1.20Практическая работа №10. Работа с *args и **kwargs
- 1.21Работа с файлами: чтение и запись
- 1.22Практическая работа №11. Работа с файлами: чтение и запись данных
- 1.23Работа с CSV и JSON файлами
- 1.24Практическая работа №12. Чтение и запись данных в CSV и JSON
- 1.25Обработка ошибок и исключения
- 1.26Практическая работа №13. Обработка ошибок в программах
- 1.27Регулярные выражения (re)
- 1.28Практическая работа №14. Поиск и замена данных с использованием regex
- 1.29Основы ООП в Python
- 1.30Практическая работа №15. Создание классов и объектов
- 1.31Наследование и полиморфизм
- 1.32Практическая работа №16. Реализация наследования в Python
- 1.33Генераторы списков и lambda-функции
- 1.34Практическая работа №17. Оптимизация кода с генераторами
- 1.35Модули и виртуальные окружения
- 1.36Практическая работа №18. Создание и использование venv
- Модуль 2. Python для DevOps36
- 2.1Введение в DevOps и автоматизацию инфраструктуры
- 2.2Практическая работа №1. Установка и настройка локального DevOps-окружения (Python, Git, SSH)
- 2.3Работа с серверами через SSH и Python
- 2.4Практическая работа №2. Написание Python-скрипта для удалённого выполнения команд по SSH
- 2.5Основы работы с Linux и автоматизация задач
- 2.6Практическая работа №3. Автоматизация резервного копирования с использованием Python и cron
- 2.7Управление пользователями и правами доступа
- 2.8Практическая работа №4. Автоматизация управления пользователями на сервере
- 2.9Введение в Ansible: автоматизация серверных конфигураций
- 2.10Практическая работа №5. Создание Ansible-плейбука для настройки Python-окружения
- 2.11Использование Python в Ansible
- 2.12Практическая работа №6. Разработка кастомного модуля Ansible на Python
- 2.13Автоматизация инфраструктуры с Terraform
- 2.14Практическая работа №7. Написание Terraform-конфигурации для развертывания виртуальной машины
- 2.15Python-скрипты для управления облачной инфраструктурой
- 2.16Практическая работа №8. Управление облачными ресурсами через Python (с использованием Yandex.Cloud SDK)
- 2.17Основы мониторинга и логирования в DevOps
- 2.18Практическая работа №9. Настройка Prometheus для сбора системных метрик
- 2.19Сбор метрик с помощью Prometheus
- 2.20Практическая работа №10. Разработка Python-экспортера метрик для Prometheus
- 2.21Визуализация метрик в Grafana
- 2.22Практическая работа №11. Настройка дашборда Grafana для отображения метрик
- 2.23Логирование и анализ данных с ELK Stack
- 2.24Практическая работа №12. Настройка централизованного логирования с Filebeat + Elasticsearch + Kibana
- 2.25Автоматизация работы с логами
- 2.26Практическая работа №13. Скрипт на Python для парсинга и отправки логов в централизованное хранилище
- 2.27Настройка алертинга в DevOps
- 2.28Практическая работа №14. Интеграция уведомлений в Telegram при сбое сервиса
- 2.29Сбор и анализ системных логов
- 2.30Практическая работа №15. Автоматизированный анализ логов systemd через Python
- 2.31Основы CI/CD и автоматизированного развертывания
- 2.32Практическая работа №16. Настройка пайплайна в GitLab CI для Python-приложения
- 2.33Интеграция Python-скриптов в CI/CD
- 2.34Практическая работа №17. Запуск автоматизированных тестов и деплоя через GitLab CI
- 2.35Kubernetes и оркестрация контейнеров
- 2.36Практическая работа №18. Деплой Python-приложения в локальный Kubernetes-кластер (Minikube)
- Модуль 3. Работа с Docker и Kubernetes36
- 3.1Введение в контейнеризацию и Docker
- 3.2Практическая работа №1. Установка Docker и запуск первого контейнера
- 3.3Управление образами и контейнерами
- 3.4Практическая работа №2. Работа с Docker CLI: запуск, остановка, удаление контейнеров и образов
- 3.5Работа с реестрами контейнеров
- 3.6Практическая работа №3. Публикация образа в GitHub Container Registry
- 3.7Сетевое взаимодействие контейнеров
- 3.8Практическая работа №4. Создание пользовательской сети и настройка связи между контейнерами
- 3.9Основы создания образов с Dockerfile
- 3.10Практическая работа №5. Написание Dockerfile для Python-веб-приложения
- 3.11Переменные окружения и конфигурация контейнеров
- 3.12Практическая работа №6. Передача конфигурации через .env и –env в Docker
- 3.13Оптимизация Docker-образов
- 3.14Практическая работа №7. Использование multi-stage сборки для уменьшения размера образа
- 3.15Работа с Docker Logs и отладка контейнеров
- 3.16Практическая работа №8. Анализ логов контейнеров и отладка с использованием docker logs и exec
- 3.17Введение в Docker Compose
- 3.18Практическая работа №9. Запуск нескольких сервисов с помощью docker-compose.yml
- 3.19Связь контейнеров в Docker Compose
- 3.20Практическая работа №10. Развертывание связки: Flask-приложение + PostgreSQL
- 3.21Масштабирование контейнеров в Docker Compose
- 3.22Практическая работа №11. Масштабирование веб-сервиса с помощью docker-compose scale
- 3.23Автоматизация развертывания с Docker Compose
- 3.24Практическая работа №12. Развёртывание стека на виртуальной машине в облаке
- 3.25Основные концепции Kubernetes
- 3.26Практическая работа №13. Установка Minikube и запуск первого Pod
- 3.27Управление подами (Pods) в Kubernetes
- 3.28Практическая работа №14. Развёртывание Python-контейнера в Pod через kubectl
- 3.29Деплойменты и обновления в Kubernetes
- 3.30Практическая работа №15. Развёртывание приложения через Deployment и обновление версии
- 3.31Конфигурации и секреты в Kubernetes
- 3.32Практическая работа №16. Использование ConfigMap и Secret для передачи конфигурации
- 3.33Балансировка нагрузки в Kubernetes
- 3.34Практическая работа №17. Настройка Service типа LoadBalancer (или NodePort для локального кластера)
- 3.35Масштабирование приложений в Kubernetes
- 3.36Практическая работа №18. Настройка Horizontal Pod Autoscaler (HPA) на основе CPU
- Модуль 4. Автоматизация DevOps-процессов на Python36
- 4.1Основы DevOps и роль Python в автоматизации
- 4.2Практическая работа №1. Написание первого DevOps-скрипта на Python (мониторинг доступности сервиса)
- 4.3Работа с процессами и файлами в Python
- 4.4Практическая работа №2. Автоматизация архивирования и очистки логов
- 4.5Инфраструктура как код (IaC) с Python
- 4.6Практическая работа №3. Генерация конфигураций Ansible через Python-скрипты
- 4.7Управление облачными сервисами через Python
- 4.8Практическая работа №4. Работа с Yandex.Cloud через официальный Python SDK
- 4.9Мониторинг DevOps-инфраструктуры с Python
- 4.10Практическая работа №5. Создание простого экспортера метрик для Prometheus
- 4.11Логирование и обработка логов
- 4.12Практическая работа №6. Настройка структурированного логирования с использованием Python logging + JSON
- 4.13CI/CD и автоматизация деплоя
- 4.14Практическая работа №7. Написание скрипта для автоматизированной сборки и тестирования
- 4.15Интеграция Python с CI/CD инструментами
- 4.16Практическая работа №8. Запуск Python-валидации конфигураций в GitLab CI
- 4.17Контейнеризация Python-приложений с Docker
- 4.18Практическая работа №9. Создание оптимизированного Docker-образа для CLI-инструмента
- 4.19Автоматизация Kubernetes через Python
- 4.20Практическая работа №10. Использование официального Kubernetes Python client для управления кластером
- 4.21Масштабирование DevOps-скриптов
- 4.22Практическая работа №11. Применение асинхронного программирования (async/await) для параллельных задач
- 4.23Управление конфигурациями серверов через Python
- 4.24Практическая работа №12. Генерация конфигурационных файлов (nginx, systemd) с шаблонами Jinja2
- 4.25Автоматизация тестирования DevOps-инфраструктуры
- 4.26Практическая работа №13. Написание health-check скрипта для проверки целостности инфраструктуры
- 4.27Автоматизированный анализ уязвимостей
- 4.28Практическая работа №14. Скрипт для сканирования зависимостей Python-приложений на уязвимости (safety, bandit)
- 4.29Автоматизированный бэкап и восстановление данных
- 4.30Практическая работа №15. Резервное копирование базы данных PostgreSQL с отправкой в облако
- 4.31Автоматизация управления доступом и пользователями
- 4.32Практическая работа №16. Управление SSH-ключами и sudoers через Python
- 4.33Настройка алертинга и уведомлений в DevOps
- 4.34Практическая работа №17. Отправка оповещений в Telegram при нештатной ситуации
- 4.35Интеграция DevOps-инструментов в единый автоматизированный пайплайн
- 4.36Практическая работа №18. Реализация интегрированного DevOps-пайплайна: мониторинг, логирование, резервное копирование и автоматическое восстановление
Занятия проходят онлайн, в формате один на один.
График занятий формируется индивидуально.
Всё программное обеспечение устанавливается и настраивается с преподавателем.
Финальный проект – комплексный DevOps‑пайплайн с автоматизацией.
Документ выдаётся после успешной сдачи проекта.
Требования
- Уверенное владение ПК
- Наличие гарнитуры и стабильного интернета
- Установленная среда разработки (рекомендации по установке даются в начале курса)
Особенности
- Обучение без воды – только актуальные знания, которые применяются в реальных задачах
- Полноценная практика – каждую тему сопровождают практические задания
- Работа с преподавателем – разбор ошибок и помощь
- Выбор формата обучения – персональный
- Выдача документа – удостоверение о повышении квалификации
Целевая аудитория
- Начинающие DevOps-специалисты
- Системные администраторы и инженеры
- Python-разработчики, переходящие в DevOps
- Специалисты по информационным системам профессиональному росту в области информационных систем и DevOps‑инфраструктуры.
- Студенты и выпускники технических направлений