Курс на Stepik
Обложка курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» на Stepik
1 000 ₽

Нейросети на NumPy и PyTorch: от тензора до поиска и RAG ★ 0.000

Открыть на
STEPIK.ORG

🧠 Пройдите путь от тензора до поиска и RAG в одном проекте: промт → токены → W·x → следующий токен → обучение; затем TF-IDF/BM25, dual encoder, sparse + dense → hybrid RRF → reranker → top-k и grounded RAG с источниками и отказом. NumPy и device-agnostic PyTorch, 40 документов, 160 запросов, Recall/MRR/nDCG, полный ZIP-checkpoint каждого урока и 10 финальных собеседований. 🚀

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Учеников на курсе 1
Сертификаты, выданные на курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Сертификатов выдано 0
Отзывы о курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Отзывов получено 0
Рейтинг курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Рейтинг курса 0.000
Уроки в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Количество уроков 47
Тесты в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Количество квизов 199
Задачи с кодом в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Количество задач с кодом 19
Время прохождения курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Время прохождения курса —
Стоимость курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Стоимость курса 1 000 ₽ —
Обновления курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Обновления курса — —
Дата публикации курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Дата публикации курса — ———
Последнее обновление курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG»Последнее обновление — ———
Сложность normal — ———

Чему вы научитесь

  • 🔤 Превращать промт в токены и векторы: subword-токенизация, эмбеддинги, мешок токенов
  • ✖️ Различать GEMV W·x для одного контекста и GEMM W·X для батча и считать один логит вручную
  • ⚡ Запускать вычисления на GPU одним device-agnostic кодом (NVIDIA CUDA / AMD ROCm / CPU) и сверять с эталоном NumPy
  • 🧩 Собирать «голову» модели: Linear, ReLU, численно устойчивый softmax и argmax-декодирование
  • 🔁 Реализовывать авторегрессию — генерацию ответа по одному токену со стопом по спец-токену
  • 📉 Обучать веса с нуля: cross-entropy loss, градиентный спуск, backprop и autograd
  • 🎓 Различать обучение (teacher forcing) и генерацию, распознавать переобучение и применять train/val split
  • 💬 Уверенно отвечать на вопросы собеседований про инференс, GPU и обучение нейросетей
  • 🔎 Сравнивать sparse и dense search на Recall@k, MRR@k и nDCG@k
  • 🧬 Объединять выдачи через RRF и повторно сортировать кандидатов reranker-моделью
  • 📚 Собирать ограниченный grounded-ответ с doc_id, provenance и явным отказом

О курсе

🧠 Пройдите путь от тензора до поиска и RAG в одном проекте: промт → токены → W·x → следующий токен → обучение; затем TF-IDF/BM25, dual encoder, sparse + dense → hybrid RRF → reranker → top-k и grounded RAG с источниками и отказом. NumPy и device-agnostic PyTorch, 40 документов, 160 запросов, Recall/MRR/nDCG, полный ZIP-checkpoint каждого урока и 10 финальных собеседований. 🚀

Для кого этот курс

👥 Курс будет полезен, если вы: - 🐍 Python-разработчик, который хочет понять, что реально происходит внутри нейросети, а не считать её «чёрным ящиком». - 🎓 Студент или начинающий в ML/DL и хотите прочную механику, а не набор формул без интуиции. - 🧑‍💻 Готовитесь к собеседованиям по ML / inference / search / RAG — 10 финальных разборов охватывают весь путь проекта. - 🔬 Любопытны и хотите собрать учебную модель и поисковую систему своими руками и понять границу между retrieval и генерацией.

Начальные требования

✅ Чтобы было комфортно:

- 🐍 Базовый Python (функции, списки, циклы) — уверенно читаете и пишете простой код.

- ➕ Школьная математика: умножение, суммы, базово про векторы — всё нужное объясняем по ходу.

- 💻 Компьютер с Python и NumPy; PyTorch — по желанию (GPU не обязателен, всё считается и на CPU).

- 🚫 Опыт в машинном обучении НЕ требуется — начинаем с самых основ.

Преподаватели курса

Аватар Андрей Соболев
Андрей Соболев
Преподаватель и разработчик курсов.
13 курсов 26
→

Как проходит обучение

📚 Формат обучения:

- 📖 Теория с диаграммами — каждый шаг разобран пошагово, со схемами и аналогиями.
- ✅ Интерактивные тесты — проверяете понимание сразу, с пояснениями к каждому ответу.
- 💻 Задачи с автопроверкой — пишете код прямо в браузере: токенизация, W·x, softmax, шаг обучения.
- 🔁 Один сквозной пример через весь курс — кошки и собаки от токенов и обучения до поиска, reranking и grounded-ответа.
- 🎤 10 финальных разборов для собеседований — закрепляете материал только после предметной практики.

Что вы получите

  • 🧠 Понимание инференса и обучения нейросети изнутри — от промта до ответа и от данных до весов.
  • 🛠️ Собранный своими руками проект: next-token модель, sparse/dense search, hybrid, reranker и grounded-ответ.
  • 💬 Готовность уверенно говорить на собеседованиях про токены, GEMV/GEMM, обучение, retrieval, reranking и RAG.
  • 🚀 Прочная база, чтобы двигаться дальше к Transformer, векторным базам и production RAG.

Нагрузка

4-5 часов в неделю

Расскажите о курсе друзьям