Курс на Stepik
Обложка курса «RAG-инженер: от вектора до продакшн-системы» на Stepik
859 ₽

RAG-инженер: от вектора до продакшн-системы ★ 0.000

Открыть на
STEPIK.ORG

Научитесь создавать RAG-системы с нуля до продакшна. Курс даёт полный стек: эмбеддинги, векторные БД (Qdrant,Chroma), чанкинг, гибридный поиск, реранкинг, оценку качества (RAGAS) и деплой через FastAPI. Вы соберёте поиск по документам, научитесь бороться с галлюцинациями LLM, внедрите цитирование источников и продвинутые техники — HyDE, GraphRAG, агентную коррекцию. Всё на Python с живыми примерами и реальными кейсами. Финальный проект — готовый ассистент для базы знаний, который можно добавить в портфолио.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «RAG-инженер: от вектора до продакшн-системы»Учеников на курсе 32
Сертификаты, выданные на курсе «RAG-инженер: от вектора до продакшн-системы»Сертификатов выдано 0
Отзывы о курсе «RAG-инженер: от вектора до продакшн-системы»Отзывов получено 0
Рейтинг курса «RAG-инженер: от вектора до продакшн-системы»Рейтинг курса 0.000
Уроки в курсе «RAG-инженер: от вектора до продакшн-системы»Количество уроков 29
Тесты в курсе «RAG-инженер: от вектора до продакшн-системы»Количество квизов 34
Стоимость курса «RAG-инженер: от вектора до продакшн-системы»Стоимость курса 859 ₽ —
Обновления курса «RAG-инженер: от вектора до продакшн-системы»Обновления курса — —
Дата публикации курса «RAG-инженер: от вектора до продакшн-системы»Дата публикации курса — ———
Последнее обновление курса «RAG-инженер: от вектора до продакшн-системы»Последнее обновление — ———
Сложность easy — ———

Чему вы научитесь

  • Объяснять архитектуру RAG и её отличие от дообучения LLM
  • Выбирать подходящую архитектуру под бизнес-задачу
  • Получать эмбеддинги с помощью OpenAI, BGE, E5
  • Реализовывать семантический поиск с нуля на NumPy
  • Разворачивать и настраивать Qdrant, ChromaDB, FAISS
  • Применять индексы HNSW, IVF и фильтрацию по метаданным
  • Парсить PDF, HTML, Word с сохранением структуры
  • Подбирать стратегии чанкинга для русского языка
  • Собирать RAG-пайплайн: загрузка → чанкинг → индексация → ретривал → генерация
  • Писать промпты с цитированием источников
  • Внедрять гибридный поиск (BM25 + векторы) и реранкинг
  • Применять техники расширения запросов: HyDE, multi-query
  • Оценивать систему по метрикам: Recall@K, MRR, NDCG
  • Запускать оценку через RAGAS (Faithfulness, Answer Relevancy)
  • Реализовывать Contextual Retrieval и Small-to-big
  • Работать с GraphRAG и мультимодальными подходами
  • Строить агентные системы с само-коррекцией (Self-RAG, CRAG)
  • Упаковывать RAG в REST API на FastAPI + Docker
  • Настраивать мониторинг, трейсинг и логирование
  • Создавать готового ассистента для базы знаний под ключ

О курсе

Научитесь создавать RAG-системы с нуля до продакшна. Курс даёт полный стек: эмбеддинги, векторные БД (Qdrant,Chroma), чанкинг, гибридный поиск, реранкинг, оценку качества (RAGAS) и деплой через FastAPI. Вы соберёте поиск по документам, научитесь бороться с галлюцинациями LLM, внедрите цитирование источников и продвинутые техники — HyDE, GraphRAG, агентную коррекцию. Всё на Python с живыми примерами и реальными кейсами. Финальный проект — готовый ассистент для базы знаний, который можно добавить в портфолио.

Для кого этот курс

👨‍💻 ML-инженеры и Data Scientist'ы 🧑‍💻 Backend-разработчики 🎓 Студенты и начинающие исследователи 🧠 Продуктовые технические лиды

Начальные требования

  • ✅ Базовое знание Python (функции, классы, работа со списками и словарями)

  • ✅ Понимание, что такое REST API и как отправлять HTTP-запросы

  • ✅ Базовое знакомство с LLM (вы уже вызывали ChatGPT или локальную модель)

  • ✅ Желание разбираться в деталях, а не копировать готовый код

Преподаватели курса

Аватар Константин
Константин
Развиваю и совершенствую свои навыки в работе с LLM
★ 4.9
8 курсов 100
→

Как проходит обучение

1. Теория: Текст с иллюстрациями. Читаете объяснение концепции с примерами из реальных проектов

2. Код-пример: Живой код с разбором. Смотрите рабочий код с подробными комментариями

3. Закрепление: Тест (5–10 вопросов)Отвечаете на вопросы и проверяете понимание

Что вы получите

  • Полное понимание архитектуры RAG и места каждой компоненты в системе
  • Навык работы с эмбеддингами и семантическим поиском на Python
  • Опыт развертывания и настройки векторных БД: Qdrant, ChromaDB, FAISS
  • Умение парсить документы и подбирать стратегии чанкинга
  • Готовый RAG-пайплайн end-to-end с цитированием источников
  • Внедрение гибридного поиска, реранкинга и техник расширения запросов
  • Навык оценки качества через RAGAS и метрики ретривала
  • Опыт работы с продвинутыми подходами: GraphRAG, Self-RAG, Contextual Retrieval
  • Готовый REST API на FastAPI с упаковкой в Docker
  • Итоговый проект для портфолио — ассистент для базы знаний
  • Доступ к материалам навсегда
  • Сертификат о прохождении курса

Нагрузка

3-4 часов в неделю

Расскажите о курсе друзьям