Поступление в шад глазами куратора и студента

Специалист по анализу данных в прикладных науках

Никита Казеев, выпускник 2015 года:

«Я работаю над применением методов машинного обучения для задач фундаментальной физики в ЦЕРНе в статусе аспиранта ФКН ВШЭ и Sapienza University of Rome.

Физикой увлекался со школы, был призёром Всероссийской олимпиады, пошел на ФОПФ МФТИ. Во многом из-за идеалистических соображений — если заниматься не наукой, то чем? Но к компьютерам тянуло всегда. Бакалаврская работа была посвящена компьютерному моделированию неидеальной плазмы, и в ней было много алгоритмов и C++.

На четвертом курсе я поступил в ШАД, через год меня пригласили в формирующуюся группу международных учебно-научных проектов в Яндексе. Сейчас она трансформировалась в совместную лабораторию Яндекса и ВШЭ — LAMBDA. Мы не только делаем что-то руками, но и учим физиков машинному обучению, так что я в некотором роде преподавал в Оксфорде. На нашей летней школе, но всё же 😉

Из того, что нам преподавали в ШАДе, хочется отметить:

• Курс алгоритмов: общая культура программирования и, внезапно, алгоритмы. Было забавно за два часа ускорить физический симулятор в десять раз, просто добавив k-d tree вместо полного перебора.
• Машинное обучение, глубинное обучение: bread and butter, особенно, внезапно, теоретическая часть. В физике высоких энергий приходится иметь дело с нестандартными задачами, в которых недостаточно import xgboost.
• Доменная адаптация: как совместить физические соображения и машинное обучение, чтобы сделать алгоритм, который будет обучаться по симулированным данным, а применяться к реальным? Как быть, если обучающая выборка грязная, но есть отрицательные веса, которые её очищают? Как измерить точность восстановления распределения GANом?
• Обработка больших данных: пришлось попользоваться Hadoop.
• Недавний курс по продукту: мы работаем в составе коллаборации в 1000 человек, и многие наши результаты — это не научное открытие в чистом виде, а инструмент, предназначенный для других людей. Например, проект, с которого я начинал, придя практикантом, — поисковый индекс по событиям, которые регистрирует детектор, — в итоге оказался не востребован, в отличие от системы мониторинга, с помощью которой прямо сейчас отслеживают качество данных с детектора.

Специалист по инфраструктуре больших данных

Влад Бидзиля, выпускник 2017 года:

«Со старших классов мне хотелось профессионально заниматься программированием. В ШАД я поступил, когда был на третьем курсе университета. Он открыл передо мной дивный новый мир машинного обучения и интеллектуального анализа данных, высокоэффективных систем с кучей алгоритмов на стыке прикладной математики и программирования.

В течение нескольких лет я работал в Яндексе в команде качества ранжирования видеопоиска. Курсы ШАДа по продвинутому С++ и Python помогли мне в короткие сроки втянуться в рабочий процесс — перейти от написания академических программ в университете до серьезного продакшн-кода в компании. 

С недавнего времени я работаю в службе технологий распределенных вычислений. Мы занимаемся разработкой MapReduce-системы YT. Здесь знания и навыки, приобретенные в ШАДе, тоже оказались чрезвычайно полезными: курс по классическим алгоритмам и структурам данных привил алгоритмическую культуру, выработал умение быстро писать эффективный и чистый код с минимальным количеством багов и понятной структурой, разбираться в сложных алгоритмических решениях; курс по алгоритмам работы с большими объемами данных продемонстрировал сложности, возникающие при обработке массива данных, не помещающегося в память компьютера, и методы борьбы с этими сложностями, позволил получить понимание основных паттернов построения алгоритмов во внешней памяти и потоковых (streaming) алгоритмов, выработал базовые практические навыки их написания; курс по параллельным и распределенным вычислениям познакомил с основными конструкциями многопоточного и распределенного программирования, применяемыми везде и всюду в разрабатываемой системе.

Кроме того, стоит отметить, что благодаря ШАДу мне удалось глубоко познакомиться с прикладными математическими курсами, которые часто остаются за бортом классической университетской программы: теория информации и вычислительной сложности, продвинутая дискретная математика, статистический анализ, комбинаторная и выпуклая оптимизация. Эти знания соединяют теоретическую математику и IT-индустрию высоких технологий».

[править] Сотрудничество с вузами

В 2007 году при поддержке ШАД на базе МФТИ была создана кафедра анализа данных. Для студентов Физтеха обучение начинается на 3-4 курсах бакалавриата, магистерская программа доступна всем желающим.

Весной 2014 года Высшая школа экономики и Яндекс открыли факультет компьютерных наук. Преподаватели ШАД и сотрудники компании участвуют в создании учебного плана, ведут занятия для студентов.

С сентября 2011 года ШАД сотрудничает с факультетом прикладной математики и информатики Белорусского государственного университета. В 2014 году на ФПМИ БГУ стартовала магистерская программа по направлению «Алгоритмы и системы обработки больших данных».

Программа Школы анализа данных и магистратуры механико-математического факультета МГУ действует с 2012 года. Для обучения по ней требуется одновременно поступить в ШАД и в магистратуру университета по специальности «Компьютерная алгебра».

УРФУ

С сентября 2017 года в рамках направления «Компьютерные науки» открыта совместная магистратура ШАДа и Уральского федерального университета в Институте естественных наук и математики по траектории «Анализ данных».

ННГУ

Ряд дисциплин института информационных технологий, математики и механики Нижегородского государственного университета преподаётся с использованием материалов ШАД. В 2018 году в ННГУ запущена магистерская программа «Когнитивные системы», учебный план и материалы которой подготовлены при участии преподавателей Школы анализа данных Яндекса.

РЭШ

В 2019 году ШАД и Российская экономическая школа создали программу подготовки специалистов, обладающих одновременно навыками экономического моделирования и анализа данных. При прогнозировании в дополнение к классическим моделям машинного обучения они смогут учитывать экономические факторы, поведение людей, строение сложных экосистем.

ИТМО

Магистерская программа «Аналитика данных» открылась в Университете ИТМО в 2020 году при содействии Яндекса. Студентов учат создавать, адаптировать и применять методы анализа данных к разным предметным областям, используя машинное обучение, анализ временных рядов, компьютерное зрение, интеллектуальный анализ изображений, звуков и текстов на естественном языке.

ЕУ СПб

Осенью 2020 года Европейский университет в Санкт-Петербурге и Яндекс запустили программу профессионального образования «Пандан» (Прикладной анализ данных). В рамках образовательного цикла выпускники гуманитарных и общественных специальностей узнают больше о количественном повороте в своих и смежных областях, а выпускники технических направлений получат представление о проблемах в общественных науках.

СПбГУ

При участии Яндекса и СS-центра в Санкт-Петербургском государственном университете был создан факультет математики и компьютерных наук.

ЦЕРН

ШАД — участник совместных экспериментов с LHCb и ЦЕРН по применению возможностей машинного обучения и анализа данных в задачах физики высоких энергий.

Проекты Академии Яндекса

Лицей Академии Яндекса

Двухгодичные курсы промышленного программирования на языке Python для школьников 8-10 классов.

Для того, чтобы поступить в Лицей, нужно справиться с онлайн-экзаменом и пройти собеседование. На вступительных испытаниях проверяются знания по математике и информатике, а также мотивация к поступлению. После выпуска из Лицея ребята уже могут разрабатывать свои небольшие сервисы на языке Python.

Школа анализа данных

Двухгодичная программа для студентов старших курсов и выпускников, которые хотят стать продвинутыми датасаентистами или архитекторами систем хранения и обработки больших данных.

Для того, чтобы поступить в ШАД, нужно успешно пройти три этапа вступительных испытаний: онлайн-тестирование, экзамен и собеседование. На них проверяются мотивация, а также знания в области высшей математики и алгоритмов, навыки программирования. Выпускники ШАД не только работают в крупнейших IT-компаниях России и мира, но и занимаются исследованиями в области компьютерных наук.

Сезонные школы Академии Яндекса

Ежегодные краткосрочные программы для начинающих разработчиков, менеджеров и дизайнеров.

Участие в них позволит прокачаться в профессии, получить недостающие знания и навыки, а также получить опыт работы в команде.

Конкурсный отбор на каждую из профессиональных программ предполагает прохождение онлайн-экзамена и собеседования, на которых проверяются базовые знания в рамках специальности, а также мотивация абитуриентов. После успешного завершения обучения студенты устраиваются на работу в Яндекс и другие IT-компании.

Программы Академии в университетах

Совместные бакалаврские, магистерские и ДПО-программы в ведущих вузах России и Беларуси.

Преподаватели Академии Яндекса учат студентов разработке, а также работе с данными. Сейчас совместные программы есть в ВШЭ, МФТИ, СПбГУ, ННГУ, РЭШ, УрФУ, Европейском университете и БГУ.

Программы по разработке и анализу данных в Сириусе

В образовательном центре «Сириус» старшеклассники могут принять участие в образовательной смене «Алгоритмы и анализ данных». А в университете «Сириус»студенты воспроизводят результаты научных статей и под руководством менторов из Яндекса создают собственные IT-проекты.

Онлайн-курсы

Онлайн-курсы и специализации на платформах Coursera и Stepik, разработанные преподавателями Академии Яндекса совместно с ведущими университетами России и мира.

Видеолекции и часть онлайн-заданий бесплатны для всех пользователей, а полностью курсы можно пройти, оплатив использование платформы. Для этого студенты могут воспользоваться финансовой помощью от Coursera.

Вика Ходырева, Москва

ШАД для меня — такая маленькая группа людей, которые делают большие дела. И это очень вдохновляет: ты туда приходишь и понимаешь, сколько невероятных людей вокруг. Даже не верится, что так всё удачно сложилось, что возникло место, в котором лучшие умы могут в самых комфортных условиях общаться, учиться и развиваться вместе. 

Самым напряженным и интересным временем в ШАДе была сдача алгоритмов. Там очень веселая система: либо ты сделал всё идеально, либо тебя не пропускают дальше «огненные драконы» — переделывай. Было классно: едешь в метро — делаешь алгоритмы, сидишь на парах — делаешь алгоритмы. 

Это работает так: чем больше ты понимаешь, тем больше тебе это нравится. А когда тебе всё подробно объясняют замечательные преподаватели — ты просто начинаешь в это влюбляться. Хочется глубже этим заниматься, оставаться в курсе научных прорывов. Может быть, база ШАДа позволит в будущем даже быть причастной к ним. 

Что я хочу посоветовать ребятам, которые будут поступать в ШАД? Во-первых, не бояться поступать в ШАД. Нужно верить в себя и хотя бы пробовать. Второй совет: когда уже поступил — не сидеть дома, а приходить в Школу и как можно больше общаться с людьми. Третий совет: не забывать про жизнь вне ШАДа, это поможет как-то существовать после того, как эти чудесные два года закончатся. 

Собеседование

Андрей Спиридонов: Собеседование – самый увлекательный этап отбора. Я пришёл на него с четырьмя баллами из восьми, набранными на очном туре, стараясь думать, что с этим можно работать. Чтобы расслабиться, я сидел на кофе-поинте в ШАДе и параллельно решал какую-то домашнюю работу у себя в тетради. Вокруг мельтешили другие ребята: ходили из стороны в сторону и нервничали. Я знал, что Школа анализа данных — это популярное место, но перед собеседованием я впервые ощутил, что людям действительно нравится ШАД, и они мечтают туда поступить. Я отложил в сторону тетрадь и решил пообщаться с другими поступающими, сказать: «Ребят, не переживайте, всё будет хорошо». С некоторыми из них мы теперь вместе учимся.

Собеседование проходило в три этапа: сперва я обсудил мотивацию для поступления, потом решал математические задачи и наконец отвечал на вопросы по алгоритмам. C кофе-поинта меня забрал парень, который представился Никитой, и повёл говорить про то, зачем я хочу поступать в ШАД. Я стал рассказывать ему про то, как сильно люблю теоретическую  физику, что я изучил, и какими исследованиями в теории струн хочу заниматься.

Кажется, моя теория подтвердилась: Никита увлечённо меня слушал и задавал уточняющие вопросы. Я рассказывал ему про бордизмы (понятие из дифференциальной геометрии; многообразия, границами которых служат два заданных многообразия). Свойства бордизмов часто изучаются в теории струн: потому что перемещения струн описываются не кривыми, а плёнками.

Я стал описывать эти плёнки и то, какие топологические характеристики у них изучают. Я вошёл в раж и стал у доски рассказывать про то, как склеить тор из квадрата, и почему при разных склейках получаются разные фундаментальные группы. Так прошло минут сорок: я просто рассказывал про то, что меня увлекает, и это был не анализ данных.

В какой-то момент мой рассказ внезапно подошёл к концу, и я подумал: «Чёрт, а теперь-то что рассказывать». Сел на стул и говорю: «Вот то, чем я занимаюсь, а в ШАД я пришел, потому что прочитал на Хабре, что у вас очень успешно учатся физики. Был такой выпускник МФТИ — Никита Казеев, который потом использовал анализ данных для поиска частиц, работая на Большом адронном коллайдере». 

Мой собеседник ехидно заулыбался. Я вспомнил, что его зовут Никита. И это был он. Вот почему он так понимающе меня слушал: потому что сам физик. Мы по душам поговорили про научную составляющую в физике и в анализе данных, а формального интервью так и не произошло. Но думаю, что это скорее исключение из правил.

У меня было очень хорошее настроение, когда мы разошлись. Потом Стас Федотов позвал меня решать задания по математике: я чувствовал себя уверенно и поэтому сразу решил все. С частью по алгоритмам было сложнее: я рассказывал про алгоритм поиска подстроки Ахо-Корасик сначала студентке ШАДа, а потом Максиму Бабенко

Максим задавал много уточняющих вопросов: важно было действительно разбираться в теме, а не знать её поверхностно

Как мне тогда казалось, я задержался на собеседовании допоздна — и освободился в семь вечера. А теперь я учусь в ШАДе и не ухожу из Яндекса раньше одиннадцати: охраннику даже приходится меня выгонять.

Стас Федотов: Для нас собеседование – это шанс узнать о поступающем что-то такое, что мы не узнали на предыдущих этапах. В первую очередь о его мотивации: о том, насколько человек интересуется анализом данных или инфраструктурой больших данных, насколько он понимает, что происходит в ШАДе и чему хотел бы здесь научиться, насколько он готов к  временным и ресурсным затратам, которые его ожидают. 

Помимо этого на заключительном этапе нужно решать задачи. В каком-то смысле это шанс компенсировать те проблемы, которые могли возникнуть на втором этапе, и показать себя с лучшей стороны. Решать задания на собеседовании намного проще: ведь мы подсказываем, когда видим, что человек зашёл в тупик, и не пытаемся никого «завалить».

Анастасия Новичкова

Я два года не могла поступить в ШАД из-за того, что заваливала задания по математике. А когда узнала о новом треке с другими условиями для поступления, то поняла, что у меня  появился шанс: да, математическая подготовка у меня не такая, как у студентов мехмата, но зато есть практический опыт. На втором курсе я проходила стажировку для разработчиков в Яндекс.Маркете, а на следующий год я снова решила пойти стажироваться, но уже в «Тинькофф» — в команду  разработки голосового помощника Олега.

Там я занималась экспериментами над N-грамм моделями: в NLP они используются для того, чтобы на основании первых слов в предложении предугадывать, какие слова будут идти дальше. А к концу стажировки подготовила небольшую статью, в которой описала результаты всех экспериментов.

После этого опыта я поняла, что хочу посвятить свою работу именно машинному обучению. Я пишу диплом по этой теме и занимаюсь созданием библиотеки для рекомендательных систем. Есть немало библиотек для классического машинного обучения: они позволяют строить модели, в которых есть линейные регрессии или деревья принятия решений. Но для рекомендательных систем готовых библиотек практически нет. Они пригодились бы малому бизнесу, у которого нет ресурсов для того, чтобы разрабатывать всё с нуля. Думаю, что ШАД как раз может помочь моему развитию в этой области.

При подготовке к поступлению в Школу я делала упор на программирование, особенно на алгоритмы: решала задания из списка литературы, прорабатывала каждую тему и готовилась к собеседованиям. 

Мне предлагали остаться работать в «Тинькофф», но я твёрдо решила, что буду учиться в ШАДе. Я рада, что пошла на этот трек: мне очень нравится, как читают вводные лекции по математике, особенно по линейной алгебре. Учёба идёт по-разному: я то спокойно и размеренно занимаюсь, то на меня сваливается по несколько дедлайнов в один день. Иногда я сижу с домашками по ночам, но у меня вроде бы получается всё успевать.

Иначе в сложные периоды на меня находит апатия. Справиться с ней мне помогают вдохновляющие видео на YouTube, в которых рассказывается о проектах, реализованных с помощью машинного обучения. Например, ролик о разработчике, который обучил нейронную сеть водить в машину в GTA.

Если вы хотите поступить в ШАД, то стоит готовиться по списку литературы, который выложен на сайте

Важно разбираться в демоверсиях заданий, искать в интернете ответы на возникающие вопросы. 

Data scientist

Никита Попов, выпускник 2016 года:

«Data scientist — так сейчас называют аналитиков всех мастей. Мы в Яндексе привыкли считать, что data scientist — это человек, который отлично владеет машинным обучением и статистикой и, главное, на практике может извлечь полезную информацию из огромного объема данных.

Сейчас я работаю в команде метрик Поиска. Мы работаем над тем, чтобы оценивать качество нашего поиска, выбирать, в какую сторону двигаться и какой из множества проводимых экспериментов действительно увеличит “счастье пользователя”. В команду я попал через стажировку сразу после окончания ШАДа. Школа анализа данных дала мне отличную базу: курсы по машинному обучению и вероятностным моделям — это как раз то, что я использую каждый рабочий день.

Я поступил за компанию со своими одногруппниками, но уже с первых семинаров стало понятно, что ШАД — это безумно интересно. Именно там я осознал, чем хочу заниматься. Думаю, что каждый data scientist должен хорошо разбираться в различных методах машинного обучения, знать их плюсы, минусы и область применения, уметь находить в данных зависимости и делать правильные выводы на их основе. Несмотря на то, что работаю я аналитиком, очень часто приходится заниматься и разработкой. Недавно я допилил сервис, для которого разрабатывал и фронтенд, и бекенд, и сами алгоритмы — data scientist должен уметь всё».

Белорусский государственный университет

Чему мы учим?

Магистранты изучают современные методы хранения, обработки и анализа данных. Чтобы создавать распределённые и параллельные системы в сфере AI и для решения прикладных производственных задач, будущим специалистам нужны актуальные знания и навыки. В списке дисциплин есть всё необходимое: от супер популярного в последние годы машинного обучения до узких разделов алгоритмической теории. Также много внимания уделяется фундаментальным исследованиям, что помогает студентам находить подходы к самым сложным задачам.

Обучение в магистратуре длится три семестра, включает обязательные дисциплины, формирующие основу специальности, и курсы по выбору, а также написание магистерской диссертации в области, связанной с обработкой больших данных, распределёнными вычислениями или искусственным интеллектом.

Как поступить?

Для поступления необходимо сдать устный экзамен, включающий материалы из нескольких математических дисциплин и направлений компьютерных наук. Консультацию по программе можно получить у Алексея Толстикова.

Почему важно развивать математическую интуицию

Внутреннее устройство математики – это формальный язык, символы на листе бумаги, которые написаны по заранее заданным правилам. На таком формальном уровне символов с ними могут оперировать компьютеры. Есть языки программирования и специальные инструменты, при помощи которых можно доказывать теоремы или проверять, верны ли их доказательства. Однако компьютер пока не способен рождать новые математические результаты, и в целом все процедуры укладываются в алгоритмы.

Понятно, что человек мыслит иначе. Профессиональный математик постоянно повышает уровень абстракции, который он применяет в работе. Так, когда он думает про непрерывную функцию, то представляет себе непрерывную линию. Например, если дана непрерывная функция на отрезке, которая справа положительна, а слева отрицательна, то почему у неё обязательно есть ноль? Потому что если провести непрерывную линию, которая начинается ниже горизонтальной оси и заканчивается выше, то она обязана где-то пересечь ось. Именно эта мысль находится в голове человека, когда тот пытается решить задачу, в которой нужно работать с непрерывной функцией. 

Мозг профессионального математика автоматически компилирует неформальные идеи в формальные доказательства. Не думаю, что кто-то из математиков размышляет на языке машинного кода, все предпочитают оперировать более наглядными понятиями.

Кроме того, всё то, что можно представлять и визуализировать, проще использовать, связывать и соотносить с другими представлениями. Можно вообразить это так: у тебя в руках мешок, полный самых разных работающих теорий и механизмов. Ты ставишь себе цель и думаешь, как до неё добраться с их помощью. Не наугад, а на основании прошлого опыта и зная, какие инструменты раньше позволяли тебе решать похожие задачи. 

Это рассуждение происходит не на математическом языке, а на языке высокоуровневых идей, которые у тебя накопились. Так строится приблизительный план решения самой сложной задачи. Если на этом пути человек встретил пропасть и первым придумал, что применить для её преодоления, то можно сделать открытие. Уже потом, в научной статье формальный язык опишет это открытие, склеит полученные результаты в строгий текст.

Я думаю, что у музыкантов, архитекторов и разработчиков это работает так же. Как можно построить огромное здание, думая только про бетон и кирпичи? Нужно думать о более глобальных вещах, используя свой талант, знания и прошлый практический опыт.

Почему изучать математику лучше вживую

Принципиальная позиция ШАДа – это живое общение учащихся и преподавателей. Даже во время карантина мы делали розыгрыш на места в аудитории. Переходить полностью в онлайн-формат мы не планируем.

Конечно, можно самому взяться за освоение высшей математики и корпеть над учебниками. Но есть вещи, которые не прописаны в теории, те, про которые лучше услышать от более опытных людей. Некая философия: как правильно думать про каждую теорию, как применять те или иные понятия.

Например, в линейной алгебре есть теорема про сингулярное разложение или SVD, в которой утверждается, что любую матрицу можно разложить некоторым образом. Возникает справедливый вопрос: и что дальше делать с этим разложением? Оказывается, что в зависимости от того, откуда взялась матрица с данными, возникают разные интерпретации для сингулярного разложения или его компонент. А значит, мы можем вытаскивать скрытые закономерности из данных. Ещё можно придавать разложению геометрический смысл. 

Я часто демонстрирую студентам популярное видео о том, как можно быстро симулировать физические процессы в компьютерных играх при помощи SVD. Без применения этой теории процессор выдаёт 3 кадра в секунду. С применением скорость увеличивается до 2500 кадров в секунду на центральном процессоре несмотря на то, что он не рассчитан на такую скорость.  Однако SVD даёт очень хорошее сжатие информации и уменьшает объём «ненужных» вычислений. А для того, чтобы использовать SVD при симуляции физических процессов, нужно понимать, как работают разложения. С этим намного проще разобраться на занятиях с преподавателем.

Есть ещё одна причина учиться вживую: очень важно, чтобы занятиям не мешали страхи и сомнения. В изоляции человек часто ударяется в крайности от «Я вообще ничего не понимаю» до «Всё и так ясно, можно дальше не разбираться»

Общение в группах позволяет здраво себя оценивать, получать необходимую поддержку и самому поддерживать других.

Как появилась идея открыть новый поток

Когда только открывался ШАД, его идея была такова: учить математиков и физиков машинному обучению. Предполагалось, что приходят люди с серьёзной математической подготовкой, а им объясняют, как применять эти знания.

Это работающий подход, но с ним есть одна проблема: специалисты с хорошим математическим бэкграундом – это довольно узкий круг людей. Яндекс растёт, сегодня он ищет сотню сильных профессионалов, а завтра начнёт искать тысячу. И ШАД призван помогать в таком поиске. К тому же, в ШАДе давно существовала идея обучать более широкую аудиторию. Конечно, эти люди не будут во всех аспектах обладать таким же уровнем навыков и знаний, как те, кто пять лет учил математику в вузе. Но у ШАДа и нет цели вырастить продвинутого математика. Основная задача — научить тому, что имеет конкретные приложения в машинном обучении. 

Первый поток курса «Математика для Data Science» уже прошел в ШАДе с сентября по декабрь 2020 года. В основном в нём участвовали студенты Школы, но были и вольнослушатели. Например, сотрудники Яндекса, у которых основное образование не связано ни с программированием, ни с математикой, и которые хотели усилить фундаментальную подготовку.

[править] Ссылки

• Записи с меткой «ШАД» в официальном блоге Яндекса
• Школа компьютерных наук — журнал Открытые системы. СУБД
• В поисках «свежей крови» — Эксперт (журнал)
• Информация о курсах

Похожие записи:

Эфемерный Баухаус: функциональность и эстетика в одном флаконе Средство «форсайт» от клопов и других насекомых: 4 преимущества и 4 недостатка золотистого яда Бизнес идей для школьника Я хочу научиться рисовать. с чего начать? онлайн-курсы, книги и примеры для вдохновения Сдайте налоговую декларацию при закрытии ип