Чему вы научитесь
- Самостоятельно построить production‑ready LLM‑приложение с нуля
- Разработать высоконагруженное API на FastAPI с асинхронными эндпоинтами
- Внедрить RAG любой сложности — от простого поиска до гибридного с реранкингом
- Выбрать и настроить векторную БД под свою задачу
- Интегрировать любые локальные модели через Ollama
- Оценить качество системы и понять, где её улучшить
О курсе
С нуля создайте production‑ready LLM‑приложение с открытым исходным кодом. Пройдите полный цикл: от разработки высокопроизводительного API на FastAPI до внедрения продвинутой RAG‑архитектуры с векторными базами данных (Qdrant, pgvector, ChromaDB), многокомпонентным поиском и оценкой качества ответов. Познакомитесь с reranker для повышения релевантности и научитесь оценивать качество с RAGAS. В финале — готовый сервис, который можно добавить в портфолио.
Для кого этот курс
Курс разработан для трёх категорий специалистов:
1. Начинающие ML-инженеры
— Хотите перейти с Jupyter Notebook'ов на продакшн-код.
— Умеете обучать модели, но не знаете, как обернуть их в API и сделать полезный сервис.
— Освоите инженерную часть: FastAPI, Docker, асинхронность, работу с БД.
2. Начинающие Backend-разработчики
— Хорошо знаете Python и веб-фреймворки, но ничего не смыслите в LLM.
— Хотите быстро войти в AI-трек без изучения высшей математики.
— Освоите современные AI-технологии: промпт-инжиниринг, RAG, эмбеддинги, работу с векторными БД.
3. AI-энтузиасты и self-taught разработчики
— Собираете LLM-приложения из готовых кусков, но нет целостной картины.
— Хотите системные знания: от идеи до деплоя, с пониманием всех компромиссов.
— Соберёте портфолийный проект, который можно показать на собеседовании.
Начальные требования
Что нужно знать для старта:
-
Python на уверенном базовом уровне: циклы, условные операторы, функции, классы и ООП (наследование, методы). Всё остальное изучим по ходу.
-
Желание развиваться: готовность разбираться в новых технологиях, читать документацию и отлаживать код.
Чего НЕ требуется:
-
Глубокое знание PyTorch/TensorFlow
-
Математика (линейная алгебра, производные, градиенты)
-
Опыт работы с нейросетями или LLM
-
Знание Docker, Kubernetes, облачных платформ — всё освоим на курсе
Преподаватели курса
142
Как проходит обучение
Курс построен на практическом подходе. Каждый модуль содержит текстовую теорию и сразу за ней практика с кодом. В конце каждого подмодуля вас ждет тестирование для закрепления материала. Финальный проект собирает все изученные технологии в единую работающую систему.
Сертификат
Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 12 учеников получили сертификат.
Что вы получите
- Production ready RAG систему
- Навыки работы с FastAPI, PostgreSQL, Docker
- Навыки тестирования, контейнеризации и мониторинга
- Проект в свое портфолио
Нагрузка
2-3 часов в неделю