Цели обучения

О чём этот файл

Этот файл фиксирует, чему именно учит курс, чему он не учит, какой уровень подготовки предполагается на входе и какой результат считается успешным. Прочитайте его до начала обучения: он задаёт ожидания и помогает выбрать учебное расписание.

Проблема, которую решает курс

Типичная ситуация: Python-разработчик умеет запустить docker compose up, скопировать Dockerfile из чужого проекта и добавить туда свою зависимость. Пока всё работает — вопросов нет. Проблемы начинаются, когда:

• container падает с exit code 137, и непонятно, кто его убил;
• print() не появляется в docker logs, хотя приложение явно работает;
• port опубликован, curl с host не отвечает, а изнутри container всё доступно;
• образ весит 1.2 GB, и никто не знает почему;
• при изменении одной строки в коде пересобираются все dependencies;
• приложение в Compose стартует раньше базы данных, хотя depends_on прописан;
• файлы, созданные внутри container, принадлежат root и не удаляются с host.

Все эти симптомы объединяет одно: они не решаются подбором команд. Они решаются пониманием того, что Docker делает с процессами, файловой системой и сетью Linux.

Курс строится на этом принципе. Каждая тема отвечает не только на вопрос «как сделать», но и на вопросы «что при этом происходит», «почему так устроено» и «где это перестаёт работать».

Цели курса

После прохождения курса учащийся сможет:

1. Объяснить механику containers. Описать, как Linux containers работают на уровне processes, namespaces, cgroups, filesystem и networking; сказать, какие ресурсы container разделяет с host, а какие изолирует.
2. Настроить среду. Установить и настроить Docker Engine в Linux из официального репозитория, управлять daemon, понимать роль Docker socket и осознанно выбирать между группой docker и rootless mode.
3. Писать Dockerfile. Создавать качественные Dockerfile для Python-приложений: с корректным порядком слоёв, multi-stage build, non-root user, работающим build cache и без секретов в layers.
4. Управлять containers. Запускать, отлаживать и обслуживать containers: понимать lifecycle, exit codes, restart policies, обработку сигналов и проблему PID 1.
5. Работать с состоянием и сетью. Осознанно выбирать между volumes, bind mounts и tmpfs; связывать containers через user-defined networks; публиковать порты, понимая, что делает NAT.
6. Проектировать многокомпонентные системы. Описывать stack на Docker Compose с healthchecks, зависимостями по готовности, изолированными networks и named volumes.
7. Контейнеризировать Python-приложения. Python CLI, Flask, FastAPI и background worker — с корректным logging, graceful shutdown, worker configuration и учётом resource limits.
8. Оптимизировать. Уменьшать image size и build time, опираясь на измерения (docker history, docker image inspect, время сборки), а не на догадки.
9. Применять требования безопасности. Выявлять опасные настройки, объяснять сценарий риска и предлагать безопасную альтернативу.
10. Интегрировать Docker в testing и CI/CD. Запускать integration tests с реальными зависимостями, собирать и публиковать images в pipeline с кэшем и сканированием.
11. Диагностировать проблемы. Переходить от симптома к root cause по воспроизводимой методике, а не перебором.
12. Понимать границы применения. Отличать задачи Docker от задач Kubernetes и аргументированно отказываться от контейнеризации там, где она вредна.

Детализация по уровням владения — в карте компетенций.

Профиль учащегося

Курс рассчитан на Python-разработчика, который:

• пишет код профессионально и знает Python на рабочем уровне;
• знаком с Linux command line;
• понимает файлы, процессы, права доступа и environment variables;
• умеет использовать Git;
• имеет ограниченный практический опыт с Docker;
• хочет понимать не только команды, но и внутреннее устройство системы.

Что считается известным

Курс не объясняет и свободно использует:

Что объясняется с нуля

Чему курс не учит

Явно обозначенные границы важны не меньше целей.

Критерии успешного завершения

Курс считается пройденным, когда учащийся:

1. Закрыл все разделы 01–19 (теория, упражнения, quiz) — таблица прогресса в MAIN.md.
2. Выполнил все четыре проекта и прошёл их CHECKLIST.md.
3. Прошёл все checkpoints.
4. Решил не менее 15 из 20 debugging challenges самостоятельно.
5. Набрал не менее 70 баллов из 100 на итоговом практическом экзамене по rubric.

Практический критерий

Формальные баллы вторичны. Настоящий критерий формулируется так:

Учащемуся дают незнакомое Python-приложение и просят подготовить его к запуску в production. Он самостоятельно определяет base image, фиксирует зависимости, пишет multi-stage Dockerfile с non-root user, настраивает logging и graceful shutdown, описывает stack в Compose с healthchecks, задаёт resource limits, объясняет каждое своё решение и умеет диагностировать проблему, когда что-то из этого сломается.

Если это выполнимо без подсказок — курс достиг цели.

Риски и ограничения курса

Честный список того, что может помешать.

Как измерить свой стартовый уровень

Ответьте на вопросы до начала курса. Это не тест — это ориентир, показывающий, какие разделы потребуют больше времени.

1. Что произойдёт с данными, записанными в /tmp внутри container, после docker rm?
2. Чем CMD отличается от ENTRYPOINT?
3. Почему приложение, слушающее 127.0.0.1:8000 внутри container, недоступно снаружи даже при -p 8000:8000?
4. Что означает exit code 137?
5. Почему изменение одной строки в requirements.txt может сделать сборку в десять раз дольше, а изменение кода — нет?
6. Что видит ps aux, запущенный внутри container, и почему?
7. Чем docker volume отличается от bind mount с точки зрения владельца файлов?
8. Почему depends_on не гарантирует, что база данных готова принимать соединения?

Если уверенных ответов меньше четырёх — берите расписание B или C. Если больше шести — расписание A реалистично.

Ответы на все восемь вопросов появятся по ходу курса; сверить их можно будет по glossary и соответствующим разделам.

Навигация

Вернуться к главному оглавлению
Следующий материал → Карта компетенций