Чему вы научитесь
- Описывать модели схему своей базы (таблицы, типы, ключи, словарь бизнес-терминов), чтобы SQL попадал в реальную структуру, а не в выдуманную
- Превращать вопрос на русском в рабочий SQL через LLM-API для PostgreSQL и SQLite — с JOIN, агрегатами, оконными функциями и фильтрами по периодам
- Ловить галлюцинации модели до отчёта: статическая проверка колонок, EXPLAIN и dry-run, контрольные суммы, отлов подмены INNER/LEFT JOIN и перепутанных единиц
- Ставить guardrails и петлю самокоррекции: блокировать DML, чинить ошибочный запрос автоматически
- Собирать конвейер «вопрос → SQL → проверка → pandas → отчёт» на Python, который выдаёт проверенную таблицу с автокомментарием по цифрам
- Строить дашборды и нарративные отчёты на продажах, выручке и котировках MOEX — от запроса до графика и текстового вывода
- Работать с боевыми данными безопасно: передавать модели только схему, держать данные локально, ставить read-only доступ, логи запросов и контроль бюджета
- Упаковывать собственного ИИ-ассистента аналитика в проект для GitHub: README, демо, метрика качества, строчка в резюме
О курсе
Практический курс о том, как заставить LLM писать SQL за вас и ловить, когда она врёт: от первого запроса на русском за вечер до своего ИИ-ассистента аналитика с анти-галлюцинационным слоем на боевых данных. Практика — на SQLite прямо в Stepik, реальные LLM-вызовы — в Colab.
Для кого этот курс
Аналитики данных и продуктовые аналитики, которые пишут SELECT с JOIN и оконными функциями и хотят диктовать рутинные запросы на русском, а не собирать двадцатую вариацию руками.
Финансовые аналитики, уже знакомые с Python и pandas (например, по фин-треку автора), для кого SQL и базы данных новее, чем Excel, — работа с выручкой, P&L, продажами и котировками.
BI-специалисты и аналитики отчётности, у которых десятки готовых запросов, и чья боль не «как написать SQL», а «как не перепроверять руками каждую цифру, которую выдала модель».
Все, кто уже умеет считать данные руками и знает, как выглядит правильный ответ, хочет ускориться через ИИ, но не готов отправлять неверные числа в отчёт руководству.
Начальные требования
Честно, чтобы вы не разочаровались на третьем уроке:
- SQL — базовый уровень. Вы пишете
SELECTсJOINиGROUP BYи понимаете, как выглядит правильный результат. Мы не объясняем SQL с нуля — мы учим заставить модель писать его и проверять за ней. - Python и pandas — базовый уровень. Достаточно уметь написать функцию и выгрузить данные в DataFrame. Если Python совсем новый — у автора есть бесплатный вводный курс, ссылка дана в первом уроке.
- LLM — с нуля. Промпт, контекст, температура, токены, галлюцинация, few-shot — всё вводится по ходу, опыта работы с моделями не требуется.
- Доступ к LLM-API (Claude или OpenAI) для практики в Colab. Задания внутри Stepik работают без него — на замороженных ответах модели и реальном
sqlite3.
Преподаватели курса
271
Как проходит обучение
Курс построен как рабочая консультация старшего аналитика, который сам набил шишки на галлюцинациях модели, — без хайпа про «революцию ИИ» и с оговоркой, где модель ломается. Каждый урок — короткая теория и сразу практика: SQL-задачи и код на чистом Python проверяются автотестами прямо в Stepik (спасибо sqlite3 из стандартной библиотеки), а тяжёлая часть — реальные вызовы API, PostgreSQL, графики, локальные модели — идёт в Google Colab по пошаговой инструкции — собираете всё сами в Google Colab, без готовой заготовки. Задания — не пустышки: дистракторы взяты из настоящих ошибок модели (придуманная колонка, подменённый JOIN, перепутанные единицы), а каждый модуль наращивает один слой сквозного ассистента, который вы соберёте целиком в капстоуне.
Что вы получите
- Рабочий ИИ-ассистент аналитика — Python-скрипты + промпты + слой проверок, который можно направить на свою базу и использовать в работе.
- Функции извлечения схемы (sqlite_master, PRAGMA, information_schema) и сборки словаря данных, которые делают промпт всегда актуальным под вашу структуру.
- Слой анти-галлюцinационных проверок: статическая проверка колонок, EXPLAIN и dry-run, контрольные суммы, отлов подмены JOIN и единиц, guardrails и петля самокоррекции.
- Готовый конвейер «вопрос → SQL → проверка → pandas → отчёт» с автокомментарием по цифрам и повторяемыми параметризованными отчётами.
- Дашборды и нарративные отчёты на продажах, выручке и котировках MOEX — от запроса до графика и текстового вывода.
- Безопасный режим для боевых данных: передача только схемы, локальные модели, read-only доступ, журнал запросов и контроль бюджета.
- Капстоун-проект для портфолио — собственный ассистент на GitHub с README, демо-GIF, метрикой pass rate и готовой строчкой в резюме и для собеседования.
Нагрузка
4–6 часов в неделю · 7 недель