Структура курса
Курс состоит из 50 уроков, объединённых в девять разделов. Мы идём от общего понимания ИИ к практическим инструментам, которые можно применять уже сегодня:
- Введение (уроки 1–2) — что такое ИИ, как устроен курс
- История ИИ (уроки 3–7) — путь от теста Тьюринга до эпохи больших языковых моделей
- Математические основы (уроки 8–15) — линейная алгебра, вероятности, оптимизация: язык, на котором «говорят» нейросети
- Нейросети (уроки 16–22) — персептрон, свёрточные и рекуррентные сети, генеративные модели
- Архитектура Transformer (уроки 23–28) — self-attention и всё, что сделало современные модели возможными
- Обучение моделей (уроки 29–33) — подготовка данных, процесс обучения, fine-tuning, RLHF
- Большие языковые модели (уроки 34–40) — GPT, токенизация, промптинг, RAG, оценка качества
- Открытые модели и локальный запуск (уроки 41–45) — Llama, Qwen, Mistral: архитектура, локальный запуск, дообучение
- Инструменты разработчика (уроки 46–50) — Cline, Opencode, Hermes Agent: ИИ в ежедневной работе программиста
Разделы логически связаны: история объясняет, почему технологии устроены именно так, математика — как они работают внутри, а разделы про Llama и инструменты показывают, что с этим делать на практике.
Что вы изучите
По окончании курса вы сможете:
- Объяснять, как работают современные ИИ-системы — от персептрона до Transformer и LLM
- Читать статьи и документацию по машинному обучению без страха перед формулами
- Понимать устройство attention-механизма, токенизации, промптинга, RAG
- Запускать открытые модели (Llama) локально на своём компьютере через Ollama и llama.cpp
- Применять техники промптинга и контекстного обучения для решения реальных задач
- Использовать ИИ-инструменты разработчика (Cline, Opencode) осознанно, а не «наугад»
Курс не делает вас ML-исследователем, но даёт прочный фундамент, чтобы понимать индустрию и эффективно пользоваться её результатами.
Необходимые инструменты
Для прохождения теоретической части достаточно браузера. Для практических примеров пригодятся:
- Python 3.10+ — основной язык примеров в курсе (python.org)
- Jupyter Notebook или Google Colab — интерактивное выполнение кода; Colab бесплатен и даёт доступ к GPU без своего железа
- Библиотеки: NumPy, pandas, matplotlib для данных и визуализации
pip install numpy pandas matplotlib scikit-learn
- Ollama — понадобится ближе к середине курса для локального запуска LLM (установку разберём подробно в уроке 43)
Специальная видеокарта не обязательна: все демонстрации подобраны так, чтобы работать на обычном компьютере или в Colab.
Предварительные знания
Что желательно знать до старта:
- Базовый Python: переменные, функции, списки, циклы — этого достаточно
- Школьная математика: линейные уравнения, графики функций; знакомство с производными поможет, но мы всё повторим
Чего знать не требуется:
- Высшая математика в полном объёме — нужные понятия вводятся по ходу
- Опыт в машинном обучении — курс рассчитан на новичков
- Знание английского — хотя умение читать техническую документацию будет плюсом
Проверьте себя
- Из каких девяти разделов состоит курс и в каком порядке они изучаются?
- Какие инструменты понадобятся для практической части и какие из них обязательны сразу?
- Какие предварительные знания нужны для старта обучения?