9-Й ПОТОК: 16 января – 11 февраля 2025
APACHE SPARK 3 ADVANCED ▶️ видео-отзыв
◉ Работа датафреймов «под капотом» и как ускорить обработку данных в своих проектах
◉ Взаимодействие с внешними источниками, которые не поддерживаются Spark из коробки или для которых нет уже кем-то разработанных коннекторов
◉ Пользовательские функции — как писать быстро, какие подходы можно использовать, что можно из них выжать и какие есть паттерны их использования
◉ Взаимодействие с внешними источниками, которые не поддерживаются Spark из коробки или для которых нет уже кем-то разработанных коннекторов
◉ Пользовательские функции — как писать быстро, какие подходы можно использовать, что можно из них выжать и какие есть паттерны их использования
8 занятий
2 раза в неделю
2 раза в неделю
Занятия раз в неделю по
3 часа с 19:00 до 22:00 мск, проект из 4-х лаб и отработка навыков
3 часа с 19:00 до 22:00 мск, проект из 4-х лаб и отработка навыков
Онлайн в зуме
и малая группа до 20 человек
и малая группа до 20 человек
Занятия с преподавателем, лайвкодинг, вопросы-ответы и поддержка в чате участников
Средняя оценка
★★★★★
★★★★★
На основе отзывов выпускников предыдущих 8-ми потоков. Всего программу прошли 173 человека
Поможет разобраться в работе датафреймов «под капотом» и покажет, как ускорить обработку данных в своих проектах
Первый вектор обучения
Взаимодействие с внешними источниками, которые не поддерживаются Spark из коробки или для которых нет уже кем-то разработанных коннекторов
Второй вектор обучения
Пользовательские функции — как писать быстро, какие подходы можно использовать, что можно из них выжать и какие есть паттерны их использования
Первый вектор обучения
Взаимодействие с внешними источниками, которые не поддерживаются Spark из коробки или для которых нет уже кем-то разработанных коннекторов
Второй вектор обучения
Пользовательские функции — как писать быстро, какие подходы можно использовать, что можно из них выжать и какие есть паттерны их использования
4 недели, 8 занятий
Занятия раз в неделю по
3 часа с 19:00 до 22:00 мск, проект из 4-х лаб и отработка навыков
Онлайн в зуме
и малая группа до 20 человек
Занятия с преподавателем, лайвкодинг, вопросы-ответы и поддержка координатора
Средняя оценка
★★★★★
На основе отзывов выпускников предыдущих 8-ми потоков. Всего программу прошли 173 человека
Занятия раз в неделю по
3 часа с 19:00 до 22:00 мск, проект из 4-х лаб и отработка навыков
Онлайн в зуме
и малая группа до 20 человек
Занятия с преподавателем, лайвкодинг, вопросы-ответы и поддержка координатора
Средняя оценка
★★★★★
На основе отзывов выпускников предыдущих 8-ми потоков. Всего программу прошли 173 человека
- работать с внутренними структурами Spark 3
- использовать py4j для взаимодействия со структурами Spark 2 из Python в JVM
- писать хорошие высокопроизводительные Scala UDF
- писать нативные UDF на internal row
- работать с планировщиками запускать и синхронные действия на dataframe
- выбирать оптимальные ресурсы для Spark 2 приложения
- разрабатывать коннекторы к источникам с помощью static UPS и с помощью стримов
- Опыт построения ETL и стриминг пайплайнов с помощью Spark
- Базовые знания Python
- Понимание архитектуры распределенных вычислений с использованием HDFS, YARN
- Практический опыт разработки на Scala
- Базовые навыки Linux
- Знание основ TCP/IP
- Понимание как работают распределенные базы данных
- Опыт работы и использования библиотек Mongo
- Интенсивное обучение и полное погружение в тему
- Строгие дедлайны
- 4 лабы, объединенные в пайплайн
- Детальный разбор всех вопросов
- Облачная рабочая инфраструктура
- Автоматическая проверка лаб чекером, количество попыток неограничено
Dataframe API
Spark Structured Streaming API
org.apache.spark.sql.Row
py4j в pyspark
Scala UDF в pyspark
ВЫ НУЧИТЕСЬ
- работать с внутренними структурами Spark 3
- использовать py4j для взаимодействия со структурами Spark 3 из Python в JVM
- писать хорошие высокопроизводительные Scala UDF
- писать нативные UDF на internal row
- работать с планировщиками запускать и синхронные действия на dataframe
- выбирать оптимальные ресурсы для Spark 3 приложения
- разрабатывать коннекторы к источникам с помощью static UPS и с помощью стримов
ВХОДНЫЕ ТРЕБОВАНИЯ
- Опыт построения ETL и стриминг пайплайнов с помощью Spark
- Базовые знания Python
- Понимание архитектуры распределенных вычислений с использованием HDFS, YARN
- Практический опыт разработки на Scala
- Базовые навыки Linux
- Знание основ TCP/IP
- Понимание как работают распределенные базы данных
- Опыт работы и использования библиотек Mongo
ПРАКТИКА
В этой программе есть четыре лабораторных работы, которые необходимо выполнить самостоятельно в нашей инфраструктуре. Лабы проверяются автоматическими чекерами и количество попыток неограниченно. Преподаватель и координатор будут отвечать на ваши вопросы и всегда помогут по техническим вопросам.
Лабы объединены в пайплайн и за 4 недели вам нужно будет разработать коннектор к гибридному хранилищу, который для хранения данных использует одновременно Mongo и файловую систему. Вы будете самостоятельно разрабатывать статическую часть этого коннектора для работы со Static Dataframe API, стримовую часть и малую часть и добавлять туда Predicate Pushdown фильтры. Лабы проверяется автоматически, количество попыток не ограничено.
Лабы объединены в пайплайн и за 4 недели вам нужно будет разработать коннектор к гибридному хранилищу, который для хранения данных использует одновременно Mongo и файловую систему. Вы будете самостоятельно разрабатывать статическую часть этого коннектора для работы со Static Dataframe API, стримовую часть и малую часть и добавлять туда Predicate Pushdown фильтры. Лабы проверяется автоматически, количество попыток не ограничено.
Вам нужно будет написать функции, которые позволяют работать с InternalRow. Они позволяют конвертировать в общепринятые форматы, в частности JSON в представлении InternalRow для того, чтобы в дальнейшем использовать это в остальных трех лабах.
ЦЕЛИ
ЗАДАЧИ
org.apache.spark.sql.hybrid.JsonParser
Вам необходимо разработать класс для конвертации JSON строк в InternalRow package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow import org.apache.spark.sql.types.StructType class JsonParser(schema: StructType) { def toRow(input: Iterator[String]): Iterator[InternalRow] = { ??? } }
org.apache.spark.sql.hybrid.RowConverter
Вам необходимо разработать класс для конвертации InternalRow в JSON строки
package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow class RowConverter(dataType: StructType) { def toJsonString(input: Iterator[InternalRow]): Iterator[String] = { ??? } }
ЦЕЛИ
- Создать проект hybrid-json-datasource
- Разработать вспомогательные классы для работы с данными в следующих лабораторных
ЗАДАЧИ
org.apache.spark.sql.hybrid.JsonParser
Вам необходимо разработать класс для конвертации JSON строк в InternalRow package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow import org.apache.spark.sql.types.StructType class JsonParser(schema: StructType) { def toRow(input: Iterator[String]): Iterator[InternalRow] = { ??? } }
- schema - схема JSON документа
- input - итератор JSON документов. Каждая срока - это отдельный JSON документ вида {"foo": 0, "bar": "hello world"}
org.apache.spark.sql.hybrid.RowConverter
Вам необходимо разработать класс для конвертации InternalRow в JSON строки
package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow class RowConverter(dataType: StructType) { def toJsonString(input: Iterator[InternalRow]): Iterator[String] = { ??? } }
- schema - схема InternalRow
- input - итератор InternalRow. На выходе должен получится Iterator[String], содержащий JSON строки вида {"foo": 0, "bar": "hello world"}. Каждая InternalRow превращается в одну JSON строку
ЦЕЛИ
Использование коннектора
// writing
spark .range(0, 10, 1, 1) .write.format("hybrid-json") .option("path", "/tmp/foo.json") .option("objectName", "test01") .save()
// reading val df = spark.read.format("hybrid-json").option("objectName", "test01").load()
Параметры:
- Разработать функционал для чтения и записи формата hybrid-json
Использование коннектора
// writing
spark .range(0, 10, 1, 1) .write.format("hybrid-json") .option("path", "/tmp/foo.json") .option("objectName", "test01") .save()
// reading val df = spark.read.format("hybrid-json").option("objectName", "test01").load()
Параметры:
- MONGO_URI - переменная окружения, в которой задается адрес для подключения к БД Mongo. Пример: mongodb://localhost:27017
- path - локальный путь к директории, в которую необходимо произвести запись заданного DataFrame (используется только при записи)
- objectName - имя объекта (для аналогии можно считать, что это имя некоторой таблицы, в которую будет делаться запись)
ЦЕЛИ
ЗАДАЧИ
Вам необходимо:
- Добавить механизм predicate pushdown в hybrid-json
ЗАДАЧИ
Вам необходимо:
- реализовать механизм индексирования, аналогичному в parquet, при использовании которого для каждого файла для каждой колонки необходимо будет посчитать ее минимальное и максимальное значение и сохранить это в index_store.file_index в поле columnStats в следующем формате:
- cтруктура поля columnStats - это массив словарей, в каждом словаре name - имя колонки, min - ее минимальное значение в файле, max - ее максимальное значение в файле
- запись columnStats должна происходить после успешной записи файла, вместе с остальными полями документа в index_store.file_index
- для упрощения задачи необходимо реализовать поддержку columnStats только для полей, имеющих тип IntegerType
- реализовать механизм predicate pushdown, при котором будут читаться только те файлы, которые пройдут по columnnStats. Должны поддерживаться следующие фильтры
- EqualTo ( == в DataFrame API)
- GreaterThan ( > в DataFrame API)
- GreaterThanOrEqual ( >= в DataFrame API)
- LessThan ( < в DataFrame API)
- LessThanOrEqual ( <= в DataFrame API)
ЦЕЛИ
ЗАДАЧИ
Добавление поддержки StreamSourceProvider
val df = spark.readStream.format("hybrid-json").option("objectName", "test01").load()
val sq = df.writeStream .format("hybrid-json") .option("objectName","test01") .option("path","/tmp/test01.json") .option("checkpointLocation", "/tmp/chk01.chk") .start() sq.awaitTermination()
- Добавить поддержку Structured Streaming API в hybrid-json
ЗАДАЧИ
Добавление поддержки StreamSourceProvider
val df = spark.readStream.format("hybrid-json").option("objectName", "test01").load()
- На каждом батче необходимо вычитывать все файлы, начиная с последнего оффсета
- В качестве оффсета необходимо использовать максимальное значение commitMillis, прочитанное из index_store.file_index из последнего батча
val sq = df.writeStream .format("hybrid-json") .option("objectName","test01") .option("path","/tmp/test01.json") .option("checkpointLocation", "/tmp/chk01.chk") .start() sq.awaitTermination()
- Каждый батч должен записывать по аналогии с обычным .write
В этой программе есть четыре лабораторных работы, которые необходимо выполнить самостоятельно в нашей инфраструктуре. Лабы проверяются автоматическими чекерами и количество попыток неограниченно. Преподаватель и координатор будут отвечать на ваши вопросы и всегда помогут по техническим вопросам.
Лабы объединены в пайплайн и за 4 недели вам нужно будет разработать коннектор к гибридному хранилищу, который для хранения данных использует одновременно Mongo и файловую систему. Вы будете самостоятельно разрабатывать статическую часть этого коннектора для работы со Static Dataframe API, стримовую часть и малую часть и добавлять туда Predicate Pushdown фильтры. Лабы проверяется автоматически, количество попыток не ограничено.
Лабы объединены в пайплайн и за 4 недели вам нужно будет разработать коннектор к гибридному хранилищу, который для хранения данных использует одновременно Mongo и файловую систему. Вы будете самостоятельно разрабатывать статическую часть этого коннектора для работы со Static Dataframe API, стримовую часть и малую часть и добавлять туда Predicate Pushdown фильтры. Лабы проверяется автоматически, количество попыток не ограничено.
Разработка Encoder JSON to Row
Вам нужно будет написать функции, которые позволяют работать с InternalRow. Они позволяют конвертировать в общепринятые форматы, в частности JSON в представлении InternalRow для того, чтобы в дальнейшем использовать это в остальных трех лабах.
ЦЕЛИ
ЗАДАЧИ
org.apache.spark.sql.hybrid.JsonParser
Вам необходимо разработать класс для конвертации JSON строк в InternalRow package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow import org.apache.spark.sql.types.StructType class JsonParser(schema: StructType) { def toRow(input: Iterator[String]): Iterator[InternalRow] = { ??? } }
org.apache.spark.sql.hybrid.RowConverter
Вам необходимо разработать класс для конвертации InternalRow в JSON строки
package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow class RowConverter(dataType: StructType) { def toJsonString(input: Iterator[InternalRow]): Iterator[String] = { ??? } }
Вам нужно будет написать функции, которые позволяют работать с InternalRow. Они позволяют конвертировать в общепринятые форматы, в частности JSON в представлении InternalRow для того, чтобы в дальнейшем использовать это в остальных трех лабах.
ЦЕЛИ
- Создать проект hybrid-json-datasource
- Разработать вспомогательные классы для работы с данными в следующих лабораторных
ЗАДАЧИ
org.apache.spark.sql.hybrid.JsonParser
Вам необходимо разработать класс для конвертации JSON строк в InternalRow package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow import org.apache.spark.sql.types.StructType class JsonParser(schema: StructType) { def toRow(input: Iterator[String]): Iterator[InternalRow] = { ??? } }
- schema - схема JSON документа
- input - итератор JSON документов. Каждая срока - это отдельный JSON документ вида {"foo": 0, "bar": "hello world"}
org.apache.spark.sql.hybrid.RowConverter
Вам необходимо разработать класс для конвертации InternalRow в JSON строки
package org.apache.spark.sql.hybrid import org.apache.spark.sql.catalyst.InternalRow class RowConverter(dataType: StructType) { def toJsonString(input: Iterator[InternalRow]): Iterator[String] = { ??? } }
- schema - схема InternalRow
- input - итератор InternalRow. На выходе должен получится Iterator[String], содержащий JSON строки вида {"foo": 0, "bar": "hello world"}. Каждая InternalRow превращается в одну JSON строку
Разработка коннектора для DataFrame API с использованием Datasource API v1
ЦЕЛИ
Использование коннектора
// writing
spark .range(0, 10, 1, 1) .write.format("hybrid-json") .option("path", "/tmp/foo.json") .option("objectName", "test01") .save()
// reading val df = spark.read.format("hybrid-json").option("objectName", "test01").load()
Параметры:
ЦЕЛИ
- Разработать функционал для чтения и записи формата hybrid-json
Использование коннектора
// writing
spark .range(0, 10, 1, 1) .write.format("hybrid-json") .option("path", "/tmp/foo.json") .option("objectName", "test01") .save()
// reading val df = spark.read.format("hybrid-json").option("objectName", "test01").load()
Параметры:
- MONGO_URI - переменная окружения, в которой задается адрес для подключения к БД Mongo. Пример: mongodb://localhost:27017
- path - локальный путь к директории, в которую необходимо произвести запись заданного DataFrame (используется только при записи)
- objectName - имя объекта (для аналогии можно считать, что это имя некоторой таблицы, в которую будет делаться запись)
Добавление поддержки Predicate Pushdown в коннектор
ЦЕЛИ
ЗАДАЧИ
Вам необходимо:
ЦЕЛИ
- Добавить механизм predicate pushdown в hybrid-json
ЗАДАЧИ
Вам необходимо:
- реализовать механизм индексирования, аналогичному в parquet, при использовании которого для каждого файла для каждой колонки необходимо будет посчитать ее минимальное и максимальное значение и сохранить это в index_store.file_index в поле columnStats в следующем формате:
- cтруктура поля columnStats - это массив словарей, в каждом словаре name - имя колонки, min - ее минимальное значение в файле, max - ее максимальное значение в файле
- запись columnStats должна происходить после успешной записи файла, вместе с остальными полями документа в index_store.file_index
- для упрощения задачи необходимо реализовать поддержку columnStats только для полей, имеющих тип IntegerType
- реализовать механизм predicate pushdown, при котором будут читаться только те файлы, которые пройдут по columnnStats. Должны поддерживаться следующие фильтры
- EqualTo ( == в DataFrame API)
- GreaterThan ( > в DataFrame API)
- GreaterThanOrEqual ( >= в DataFrame API)
- LessThan ( < в DataFrame API)
- LessThanOrEqual ( <= в DataFrame API)
Добавление поддержки Structured Streaming API в коннектор
ЦЕЛИ
ЗАДАЧИ
Добавление поддержки StreamSourceProvider
val df = spark.readStream.format("hybrid-json").option("objectName", "test01").load()
val sq = df.writeStream .format("hybrid-json") .option("objectName","test01") .option("path","/tmp/test01.json") .option("checkpointLocation", "/tmp/chk01.chk") .start() sq.awaitTermination()
ЦЕЛИ
- Добавить поддержку Structured Streaming API в hybrid-json
ЗАДАЧИ
Добавление поддержки StreamSourceProvider
val df = spark.readStream.format("hybrid-json").option("objectName", "test01").load()
- На каждом батче необходимо вычитывать все файлы, начиная с последнего оффсета
- В качестве оффсета необходимо использовать максимальное значение commitMillis, прочитанное из index_store.file_index из последнего батча
val sq = df.writeStream .format("hybrid-json") .option("objectName","test01") .option("path","/tmp/test01.json") .option("checkpointLocation", "/tmp/chk01.chk") .start() sq.awaitTermination()
- Каждый батч должен записывать по аналогии с обычным .write
ИНФРАСТРУКТУРА ПРОГРАММЫ
GitHub
Все материалы занятий, инструкции к лабам и мануалы размещаются в закрытом репозитории программы
Личный кабинет
В нем вы сможете проверить правильность выполнения лаб, используя автоматические чекеры, а также отслеживать свою успеваемость для получения сертификата
Чат для участников в Telegram
Общее пространство участников для обсуждения лаб и взаимодействия с координатором
ПРЕПОДАВАТЕЛЬ программы
Сергей Гришаев, Architect, Сбермаркет
Проведет 8 занятий в зуме и ответит на все ваши вопросы в чате
Проведет 8 занятий в зуме и ответит на все ваши вопросы в чате
Каждый участник получает доступ к облачному кластеру для решения лаб с доступом через SSH и JupyterHub
Все материалы занятий, инструкции к лабам и мануалы размещаются в закрытом репозитории программы
В нем вы сможете проверить правильность выполнения лаб, используя автоматические чекеры, а также отслеживать свою успеваемость для получения сертификата
Общее пространство участников для обсуждения лаб и взаимодействия с координатором
ПРЕПОДАВАТЕЛЬ ПРОГРАММЫ
Сергей Гришаев, Architect, Сбермаркет
Проведет 8 занятий в зуме и ответит на все ваши вопросы в чате
Проведет 8 занятий в зуме и ответит на все ваши вопросы в чате
РАСПИСАНИЕ ЗАНЯТИЙ
- Что находится под капотом DataFrame API
- Планы выполнения
- Работа с Row и InternalRow
- Работа с sql.Column
- Использование py4j для работы с Scala API в pyspark
- Написание Hello World UDF в Scala
- Импорт UDF в pyspark в обход стандартного метода вызова
- Использование Singleton паттерна в UDF
- Особенности управления конфигурациями в UDF
- Чтение данных
- Использование Predicate Pushdown для оптимизации чтения
- Формирование схемы
- Запись данных
- Параллелизм чтения и записи
- Использование оконных функций, приводящих к Exchange SinglePartition
- Нарушение консистентности при использовании Partial Caching
- Обработка null значений в Scala UDF
- Повторный вызов Scala UDF при использовании сложных типов данных
- Снижение параллелизма при использовании coalesce
- Чтение данных и формирование SDF
- Создание Sink
- Управлением состоянием и восстановление из чекпоинта
- Недостатки Dynamic Resource Allocation
- Добавление новых воркеров в процессе работы приложения
- Удаление воркеров в процессе работы приложения
- Примеры реализации на Python и Scala
- Запуск нескольких действий над DF в параллель
- Разница в FIFO и FAIR scheduling
- Настройка FAIR scheduling
- Примеры реализации на Python и Scala
- разбор лаб
- подведение итогов программы
Внутренние структуры Spark
- Что находится под капотом DataFrame API
- Планы выполнения
- Работа с Row и InternalRow
- Работа с sql.Column
- Использование py4j для работы с Scala API в pyspark
Использование Scala UDF в pyspark
- Написание Hello World UDF в Scala
- Импорт UDF в pyspark в обход стандартного метода вызова
- Использование Singleton паттерна в UDF
- Особенности управления конфигурациями в UDF
Разработка коннектора к источнику в DataFrame API с Datasource API. Часть 1
- Чтение данных
- Использование Predicate Pushdown для оптимизации чтения
Разработка коннектора к источнику в DataFrame API с Datasource API. Часть 2
- Формирование схемы
- Запись данных
- Параллелизм чтения и записи
Антипаттерны в Spark
- Использование оконных функций, приводящих к Exchange SinglePartition
- Нарушение консистентности при использовании Partial Caching
- Обработка null значений в Scala UDF
- Повторный вызов Scala UDF при использовании сложных типов данных
- Снижение параллелизма при использовании coalesce
Разработка коннектора к источнику в Spark Structured Streaming API с Datasource API
- Чтение данных и формирование SDF
- Создание Sink
- Управлением состоянием и восстановление из чекпоинта
Управление количеством воркеров в YARN
- Недостатки Dynamic Resource Allocation
- Добавление новых воркеров в процессе работы приложения
- Удаление воркеров в процессе работы приложения
- Примеры реализации на Python и Scala
Параллельная обработка DF в Dataframe API
- Запуск нескольких действий над DF в параллель
- Разница в FIFO и FAIR scheduling
- Настройка FAIR scheduling
- Примеры реализации на Python и Scala
CЕРТИФИКАТ
НА АНГЛИЙСКОМ
ЯЗЫКЕ
НА АНГЛИЙСКОМ
ЯЗЫКЕ
Мы выдаем сертификат только участникам, которые пройдут программу успешно и выполнят любые три лабы из четырех в срок.
Наш сертификат на английском языке и он подтверждает ваши навыки работы с Apache Spark для задач дата-инжиниринга на продвинутом уровне.
Сертификат можно будет добавить в свое резюме или в свой Linkedin-профиль, указав уникальный номер.
Наш сертификат на английском языке и он подтверждает ваши навыки работы с Apache Spark для задач дата-инжиниринга на продвинутом уровне.
Сертификат можно будет добавить в свое резюме или в свой Linkedin-профиль, указав уникальный номер.
CЕРТИФИКАТ
НА АНГЛИЙСКОМ
ЯЗЫКЕ
НА АНГЛИЙСКОМ
ЯЗЫКЕ
Мы выдаем сертификат только участникам, которые пройдут программу успешно и выполнят любые три лабы из четырех в срок.
Наш сертификат на английском языке и он подтверждает ваши навыки работы с Apache Spark для задач дата-инжиниринга на продвинутом уровне.
Сертификат можно будет добавить в свое резюме или в свой Linkedin-профиль, указав уникальный номер.
Наш сертификат на английском языке и он подтверждает ваши навыки работы с Apache Spark для задач дата-инжиниринга на продвинутом уровне.
Сертификат можно будет добавить в свое резюме или в свой Linkedin-профиль, указав уникальный номер.
СТОИМОСТЬ УЧАСТИЯ
8 живых занятий с экспертом из индустрии в зуме, реальный результат в конце, поддержка и обратная связь. Записи занятий и материалы остаются у вас навсегда.
65 000₽ 79 000 ₽ | $650 $790
стоимость действует только до 31 декабря 2024
стоимость действует только до 31 декабря 2024
Оставляйте заявку или звоните +74951288675, cчтобы узнать подробности.
Сейчас платить не нужно. Оплата только после общения с менеджером.
Можно оплатить иностранной картой.
Сейчас платить не нужно. Оплата только после общения с менеджером.
Можно оплатить иностранной картой.
СТОИМОСТЬ УЧАСТИЯ
65 000₽ 79 000 ₽
$650 $790
стоимость действует только до 31 декабря 2024
65 000₽ 79 000 ₽
$650 $790
стоимость действует только до 31 декабря 2024
8 недель и 8 живых занятий с экспертом из индустрии в зуме, реальный результат в конце, поддержка и обратная связь.
Записи занятий и материалы остаются у вас навсегда.
Записи занятий и материалы остаются у вас навсегда.
Оставляйте заявку или звоните +74951288675, чтобы узнать подробности. Сейчас платить не нужно. Оплата только после общения с менеджером. Можно оплатить иностранной картой.
ОТЗЫВЫ УЧАСТНИКОВ
SPARK ADVANCED
Пожалуйста, оставьте свои контакты — мы свяжемся с вами в ближайшее время
Отправляя данную форму, вы подтверждаете свое
согласие на обработку персональных данных
согласие на обработку персональных данных