LLM-разработчик

Сформируете понимание классических ML-алгоритмов и базовых архитектур нейросетей для дальнейшей работы с LLM и fine-tuning. 11 часов теории, 27 часов практики.

• Предобработка данных для ML/DL
• EDA и визуализация данных
• Классический ML (scikit-learn)
• Метрики и валидация моделей
• ML-pipeline и эксперименты
• Нейросети в PyTorch (MLP, CNN)

Научитесь использовать большие языковые модели в разработке: формулировать промпты, вызывать модели через API и обрабатывать ответы. Изучите промпт-инжиниринг, подключение российских и локальных LLM, обработку результатов и ошибки моделей. Разберёте безопасность в работе с ИИ: приватность данных, ограничения токенов, риск-менеджмент. 8 часов теории, 25 часов практики.

• Большие языковые модели
• Промпт-инжиниринг
• Работа с локальными LLM
• Работа с LLM через API
• Постобработка и валидация ответов
• Безопасность в работе с ИИ

Научитесь строить RAG-системы: от подготовки данных до интеграции с LLM. Разберёте чанкинг (деление на блоки) документов и очистку данных. Рассмотрите российские и локальные эмбеддинги (векторные представления объектов), а также векторные хранилища Chroma и Qdrant. 9 часов теории, 28 часов практики.

• Подготовка текстовых данных для RAG
• Chunking документов
• Embeddings и векторизация
• Векторные базы данных
• RAG-пайплайн
• Оценка и оптимизация качества RAG

Поймёте, как проектировать и реализовывать полноценных ИИ-агентов, а также выполнять fine-tuning моделей. Сможете собирать MVP-агента от API до деплоя, отвечать за стабильность и качество решений. 13 часов теории, 34 часа практики.

• Архитектура ИИ-агентов
• Tools, functions и memory
• Реализация MVP-агента
• Подготовка данных для fine-tuning
• Fine-tuning: LoRA / QLoRA
• Деплой ИИ-агента (Docker, Yandex Cloud)

Изучите один из самых востребованных и простых в освоении языков программирования. Сможете описывать алгоритмы для решения повседневных задач и работы с данными. 12 часов теории, 22 часа практики.

• Python. Знакомство с консолью
• Условные конструкции. Операции сравнения
• Введение в типы данных
• Циклы
• Коллекции данных: множества
• Коллекции данных: словари
• Функции — использование встроенных и создание собственных
• Разбор вопросов

Научитесь работать с системой Git (стандарт по управлению исходным кодом) и с сервисом GitHub. Опубликуете свои домашние работы и уже в процессе обучения сформируете первое портфолио. 4 часа теории, 3 часа практики.

• Внедрение системы контроля версий
• История работы и ветки
• Командная работа

Научитесь объектно-ориентированному программированию и изучите подход создания аккуратного и многоразового кода вместо избыточного. 11 часов теории, 51 час практики.

• Объектно-ориентированное программирование
• Работа с файловой системой в Python
• Работа с внешним API
• Курсовой проект

Научитесь получать данные из БД через SQL, фильтровать, агрегировать, импортировать и экспортировать — и не тратить время разработчиков или администраторов на поиск информации. Научитесь загружать данные в базу и самостоятельно развёртывать базу данных PostgreSQL. 35 часов теории, 27 часов практики.

• Установка и настройка SQL-окружения
• Введение в SQL и реляционные базы данных
• Работа с базами данных
• SELECT, WHERE, ORDER BY
• Агрегации и группировки
• JOIN и объединения таблиц
• Подзапросы и представления
• SQL в задачах AI-разработки
• NoSQL и MongoDB (обзор)

Познакомитесь со статистическими показателями, научитесь проводить статистический анализ данных и проверять гипотезы с помощью различных инструментов. Этот модуль асинхронный и проходит в записи. Вы можете пройти его в любое удобное время: во время основного обучения или после него. 8 часов теории, 14 часов практики.

• Введение в статистику. Что это такое и для чего она нужна
• Основные статистические показатели, виды распределений данных, корреляция
• Взаимосвязи данных и формулирование гипотез по SMART
• Статистические критерии в Google-таблицах. Проверка гипотез и формулирование выводов

Изучите основные операции с векторами, матричными операциями. Рассмотрите генетические алгоритмы, алгоритм дифференциальной эволюции. Узнаете, что такое математическое ожидание, дисперсия и моменты старших порядков. Изучите закон больших чисел.

• Линейная алгебра. Матрицы
• Линейная алгебра. Векторы
• Продвинутая линейная алгебра
• Производная функции нескольких аргументов
• Теория вероятностей. Дискретные и непрерывные случайные величины
• Математический анализ. Производная
• Теория оптимизации
• Центральная предельная теорема и закон больших чисел

Подробно разберётесь, зачем нужен мониторинг и какие параметры нужно контролировать. Узнаете, как организовать систему оповещения о различных событиях. Научитесь организовывать логирование всех действий приложений и анализировать эти логи. Овладеете навыками работы с Logstash, Kibana и Graylog. Научитесь настраивать связку Prometehus + Grafana + Alertmanager. Познакомитесь с Zabbix для мониторинга физических и виртуальных машин. 5 часов теории, 19 часов практики.

• Системы для мониторинга
• Средство визуализации Grafana
• Система сбора логов Elastic Stack
• Платформа мониторинга Sentry
• Инцидент-менеджмент

Изучите основы облачных технологий и их безопасность, научитесь работать с виртуальными машинами и настраивать среду разработки

• Основы облачных технологий
• Виртуальные машины: принципы работы
• Обеспечение безопасности облака
• Создание среды разработки

Узнаете различия видов виртуализации и контейнеризации. Научитесь управлять виртуальными машинами с помощью libvirtd. Напишете несколько Dockerfile, которые можно будет использовать в дальнейших проектах как примеры. Научитесь запускать несколько контейнеров одновременно и объединять их в виртуальную сеть. 10 часов теории, 22 часа практики.

• Виртуализация и облачные решения. AWS, GCP, Openstack, Yandex Cloud
• Типы виртуализаций KVM, QEMU
• Docker
• Kubernetes

• Распознавание рисков и выбор безопасных действий с данными и ИИ-артефактами (текст, код, изображения, видео)
• Отработка запросов с персональными данными и оценка риска утечки
• Основы авторского права для ИИ-контента и навыки легального использования
• Составление мини-политики ответственного использования ИИ
• Шпаргалка «5 красных флагов при работе с ИИ»
• Разбор ситуации: «Утечка ПДн через ИИ»
• Чек-лист безопасного внедрения ИИ: черновик политики ответственного использования
• Итоговый тест по модулю

• Изучите основы написания эффективных промптов: от структуры до ограничений
• Получите полноценную библиотеку из 60+ рабочих промптов на русском и английском языках
• Изучите примеры и пояснения, чтобы лучше адаптировать готовые решения к своим задачам

Диплом или удостоверение