“Nie chcę badać błędów znów w kodzie
Nie chce zgadywać, która to maszyna
Nie chcę uruchamiać znowu tam VIMa
Nawet nie wiem, jaka jest ich przyczyna 
Ale jedno czego chce, i ty dobrze o tym wiesz
Chciałbym mieć tą cudowną rzecz, która wspomogłaby mnie…”

Logi to narzędzie, które powinno nam pomagać w zarządzaniu i monitorowaniu naszych systemów i aplikacji. Często jednak złe podejście do nich sprawia, że są one raczej bolączką niżeli pomocą dla developera. Porozmawiajmy zatem o właściwym podejściu do logów, które ułatwi nam jej monitorowanie, szybkie reagowanie, ale także nie utrudni pracy nam oraz naszej aplikacji.

Byłoby doskonale, gdyby nasze aplikacje zawsze działały tak, jak chcemy. Niestety, systemy są przewrotne i potrafią zadziałać nieoczekiwanie w najmniej spodziewanym momencie. Bez dopracowanego monitoringu i jednoznacznych wskaźników trudno wskazać źródło problemu. Dlaczego dobry monitoring ostrzeże nas szybciej niż klient i czego unikać, żeby klientowi nie odpowiedzieć "u mnie działa" - opowiem na prelekcji :) 

Vint Cerf, recognized as one of "the fathers of the Internet" as co-inventor of TCP/IP, said "And programming computers was so fascinating.  You create your own little universe, and then it does what you tell it to do.". Now when computers are learning these words give different ground to debate on developer context here.  So what can we do from old good Software Craftsmanship perspective?  I, as a developer, how can I tackle problems requiring deeper models?  On this session Tomasz will try to answer those, opening 100s more questions ;).  He will explain basics, run and configure a few models trying to explore the field from as practical perspective as possible.

During the session Tomasz will explain: 
- the current directions of progress; from programming to building a ML model,
- why this concept is so general and reasons it is being applied to the business problems, 
- the engineering perspective ; why developer (human) with use of AI can help the business (human),
- why it is possible to be used now with real-life examples, 
- how to code and build a model,
- run training, test it, and evaluate reinforcement learning method,
- review patters of deployment to the enterprise systems via monolithic or microservice architecture,
- discuss categories of machine learning, supervised, unsupervised and reinforcement learning,
- review available ML platforms, libraries and approaches,
- speak about shallow and deep neural networks architectures,
- discuss the pursuit of good generalisation -- train error vs model complexity and available data scale,
- show code of simple models, and discuss test and evaluation approaches.

Level of knowledge required from the audience -- Basic, interest in ML, no working experience or limited experience working with Neural Networks.

BTW, to meet requirement of more general audience this is a refactored version of version of "Yes, Machine Learning is present in Java, but is Deep Learning too?" -- see https://www.meetup.com/Silesia-JUG/events/248429752/ 

Event Sourcing jest jak Nessie, każdy o nim słyszał, niewiele go widziało. Uważany jest (niesłusznie) za trudny wzorzec architektoniczny, nadający się do specyficznych rozwiązań. W swojej prezentacji planuję pokazać, że wbrew potocznej opinii jest to dosyć prosty wzorzec dający duże możliwości. Jakie?

• elastyczność,
• możliwość poruszania się w czasie, powrotu do specyficznego miejsca w systemie,
• skalowalność,
• lepsze odtworzenie domeny biznesowej,
• audytowalność za darmo.

Szczególnie te ostatnie w dzisiejszych Mikroserwisów oraz Big Data czynią Event Sourcing rozwiązaniem bardzo na czasie. W swojej prezentacji pokażę jak w połączeniu z szyną zdarzeń Kafka można tworzyć skalowalne i wydajne rozwiązania biznesowe. Wytłumaczę zasadę działania tego typu systemów oraz podstawowe terminy takie jak:

• immutability,
• eventual consistency,
• indempotency.

W swoje prezentacji poza dawką teorii planuję pokazać kilka praktycznych wzorców pokazujących, że Event Sourcing, nie jest wcale taki straszny. W przykładach użyję:

• event store - Marten,
• szynę zdarzeń - Kafka (wraz z technologią Kafka Connect),
• elastic search - do pokazania łatwości integracji z innymi rozwiązaniami.

Przykłady będą pokazywać ogólną zasadę działania tego typu systemów z naciskiem na przedstawienie zasady, a nie specyfików technologii.