LLM для Python-разработчиков: от RAG до агентов ★ 5.000

Отличный курс-введение в профессию llm-разработчика с качественной теорией, вопросами для закрепления пройденного и задачами. Отдельное внимание было уделено созданию rag-системы с помощью Qdrant и Chromadb. Мне кажется, это самая интересная и проработанная часть курса, благодаря ей смог написать свой проект с rag. Достаточно подробно и структурированно описана работа LLM, способы локального запуска, затронут промпт-инжиниринг и работа с контекстным окном. Это помогло улучшить понимание моделей, их ограничений. Единственное, можно было бы добавить больше задач с кодом, некоторый модули чисто теоретические.

Хороший курс для бэкендеров!

Идеальный стартовый шаг к нейросетям для разработчика без глубокого знания математики

Курс дает хорошее базовое понимание проблем, возникающих при разработке agentic RAG систем, и демонстрирует современные подходы к их решению. В качестве плюсов следует назвать: - курс имеет продуманную и логичную структуру - затронуты очень (на мой вкус) интересные темы -- reranking, дообучение, оценка качества RAG - достаточно подробно рассмотрен RAG -- какие векторные БД когда применимы, зачем нужны метаданные, почему галлюцинации, мониторинг и т.п. - все рассмотренные модели и инструменты (почти все) можно установить локально либо в Docker, не требуется платных подписок - все приведеные в курсе примеры кода рабочие, а если что-то пошло не так, автор отвечает оперативно, содержательно, вникая в проблему - интересные упражнения с агентами на CrewAI - очень полезный и завершенный с инженерной точки зрения финальный проект, показывающий как работают в связке почти все изученные в курсе компоненты - в требованиях к курсу обозначены "Опыт с FastAPI... понимание асинк программирования", но отсуствие этих навыков не является проблемой для прохождения, курс о другом Из того, что можно улучшить (мой субъектиный взгляд): - большинство кодинг-тестов, скорее, проверяют базовые знания программирования на Python - некоторые лекции чрезмерно конспективны, нуждаются в расширении - по некоторым темам отдельно - реранкинг: например, дообучение реранкера в случае, когда важна релевантность поиска в спец предм области - LoRA-дообучение: с теоретической точки зрения + подробный разбор того что происходит в Colab ноутбуке - multi-agent системы: да, интересно, но, возможно, заслуживают отд курса -- можно вообще исключить за счет доп раскрытия других тем - квантование, gguf: подробнее про квантование, форматы моделей, что именно и какие проблемы решает (либо я упустил) - чанкинг: упомянут, да, в курсе он неактуален, но в реалиях в RAG грузятся тома документации - промптинг: перечислены основные подходы, но нехватает примеров и упражнений - насчет "понимания асинхронного программирования" -- разумееется, это "побочная" тема, но был бы полезен либо мини-краш-курс в рамках курса, либо отсылка к материалам за его пределами В целом, курс однозначно рекомендую. Автору респект!

Хороший курс. Автор активно улучшает и дополняет материал, дает фидбек в комментариях. Думаю со временем курс будет только лучше и лучше. Курс даем базовое понимание работы ии агентов и учит писать их самим.

Курс очень понравился. После прохождения стало гораздо понятнее, как устроен процесс разработки и как собрать рабочее приложение из разных частей. Особенно полезно было увидеть не только теорию, но и практический подход. Понравилась подача материала: все достаточно понятно и по делу. Из улучшений хотелось бы увидеть полный проект, максимально приближенный к продакшену, без упрощений и компромиссов.

Курс отличный. Охватывает очень широкий спектр тем которые необходимо знать для продакшена RAG систем . В целом курс больше ориентирован на инженерию , что как мне кажется , является преимуществом , потому что найти всю эту информацию в одном месте в сжатом и понятном виде очень сложно. Автор курса быстро отвечает на вопросы и комментарии , и в целом курс проходить приятно и интересно. Пожелания: хотелось бы репозиторий с ноутбуками или .py файлами, чтобы можно быстро найти необходимую инофрмацию локально. Спасибо.

Шикарный курс! Несмотря на то, что попался случайно, именно что мне необходимо было. Планирую заняться формированием команды ИИ-агентов на базе языковых моделей для решения задач программной инженерии приложений критической важности. Естественно, никакие данные не должны попадать в Интернет. Естественно, нужны локальные модели. Естественно, нужен RAG. И, как я понял из курса, мне понадобится для поставленных задач еще и LoRA дообучение локальной модели, поскольку нужен не просто поиск ответа в базе знаний, а генерация артефактов по заданным правилам. Для себя узнал много полезной информации, включая важнейшую практику с четко выбранными инструментами.