Курс на Stepik
Обложка курса «RAG и LLM на практике: создание AI-приложений с нуля» на Stepik
1 290 ₽

RAG и LLM на практике: создание AI-приложений с нуля ★ 0.000

Открыть на
STEPIK.ORG

Практический курс о том, как строить RAG‑приложения вокруг LLM: данные, retrieval, ответы с опорой на источники, оценка качества и базовые продакшен‑практики.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «RAG и LLM на практике: создание AI-приложений с нуля»Учеников на курсе 26
Сертификаты, выданные на курсе «RAG и LLM на практике: создание AI-приложений с нуля»Сертификатов выдано 0
Отзывы о курсе «RAG и LLM на практике: создание AI-приложений с нуля»Отзывов получено 0
Рейтинг курса «RAG и LLM на практике: создание AI-приложений с нуля»Рейтинг курса 0.000
Уроки в курсе «RAG и LLM на практике: создание AI-приложений с нуля»Количество уроков 36
Тесты в курсе «RAG и LLM на практике: создание AI-приложений с нуля»Количество квизов 36
Время прохождения курса «RAG и LLM на практике: создание AI-приложений с нуля»Время прохождения курса —
Стоимость курса «RAG и LLM на практике: создание AI-приложений с нуля»Стоимость курса 1 290 ₽ —
Обновления курса «RAG и LLM на практике: создание AI-приложений с нуля»Обновления курса — —
Дата публикации курса «RAG и LLM на практике: создание AI-приложений с нуля»Дата публикации курса — ———
Последнее обновление курса «RAG и LLM на практике: создание AI-приложений с нуля»Последнее обновление — ———

Чему вы научитесь

  • Проектировать RAG‑архитектуру под задачу и ограничения.
  • Подготавливать данные для поиска: очистка, chunking, метаданные, обновления.
  • Выбирать эмбеддинги и векторное хранилище, настраивать фильтры и индексы.
  • Улучшать retrieval: hybrid search, reranking, query rewriting.
  • Делать grounded‑ответы: цитаты, отказ, уточнения, промпт‑контракт.
  • Оценивать RAG раздельно по retrieval и generation, строить тест‑набор.
  • Встраивать проверки качества в CI и мониторинг.
  • Закрывать базовые риски безопасности данных и атак на инструкции в запросах/документах.

О курсе

Практический курс о том, как строить RAG‑приложения вокруг LLM: данные, retrieval, ответы с опорой на источники, оценка качества и базовые продакшен‑практики.

Для кого этот курс

Python‑разработчики, ML‑инженеры и backend‑разработчики, которые хотят встраивать LLM в продукт и отвечать по своим данным. Уровень: уверенный junior и выше. Курс не подойдёт, если вы не готовы писать код и собирать сервис.

Начальные требования

Python 3.10+ (виртуальные окружения), базовое понимание HTTP/JSON, умение читать логи и работать с git. Желательно: Docker и опыт запуска небольших сервисов. Математика и глубокий ML не требуются.

Преподаватели курса

Аватар Future Academy
Future Academy
Future Academy — платформа практических IT-курсов от действующих специалистов. Мы создаём структурированные программы по...
★ 4.8
14 курсов 123
→

Как проходит обучение

Каждый урок: 2 теоретических шага (идея и риски → практический разбор) и финальный квиз. По ходу курса вы последовательно собираете один каркас: ingestion → индекс → retrieval → генерация → оценка → прод.

Формат курса

Текстовые шаги с кодом и чек‑листами + интерактивные квизы. Итоговый мини‑проект: RAG‑сервис с оценкой качества и базовым мониторингом.

Что вы получите

  • Каркас RAG‑сервиса на FastAPI с конфигами и интерфейсом запросов.
  • Набор шаблонов промпт‑контракта (ответ, цитаты, отказ, уточнения).
  • Чек‑лист качества retrieval/generation и список типовых провалов.
  • Мини‑набор тестовых вопросов и пример скрипта оценки.
  • Шпаргалка по прод‑настройкам: кэш, лимиты, деградация, мониторинг.

Нагрузка

3–5 часов в неделю, всего 25–35 часов.

Расскажите о курсе друзьям