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 — ———

Содержание курса

Разделы в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» 10 разделов Уроки в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» 47 уроков Тесты в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» 199 тестов Задачи в курсе «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» 19 задач Время прохождения курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» 0 ч. Последнее обновление курса «Нейросети на NumPy и PyTorch: от тензора до поиска и RAG» обн. 25 сентября 2026

Фаза 1 · CPU фундамент

8 уроков
1. Токены, словарь и ndarray ↗
2. Эмбеддинг-таблица: токен → вектор ↗
3. Вектор, матрица, форма и dot product ↗
4. Матричное умножение и транспонирование ↗
5. GEMM — двигатель инференса (logits = W·x) ↗
6. Tiled GEMM весов: кэш и профайлинг ↗
7. Сборка промт-тензора: паддинг, маска, нормировка ↗
8. Окно по токенам: n-gram, conv1d, im2col ↗

Фаза 2 · GPU / device

3 урока
1. Device-путь: первое матричное умножение на GPU на PyTorch ↗
2. Оптимизация инференса: батч промтов и tiled GEMM ↗
3. Шардинг весов W по 2 GPU (tensor parallelism) ↗

Фаза 3 · Инференс

3 урока
1. Linear, ReLU и softmax: от логитов словаря к вероятностям ↗
2. Декодирование и цикл авторегрессии: ответ по одному токену ↗
3. Финал: полный пайплайн инференса на 5 парах «вопрос → ответ» ↗

Фаза 4 · Обучение

5 уроков
1. Функция потерь (loss): измеряем, насколько модель неправа ↗
2. Градиент и градиентный спуск: первое реальное обучение весов ↗
3. Backprop: обратное распространение градиента через слои ↗
4. Данные для обучения: teacher forcing, батчи, переобучение ↗
5. Финал: autograd, полный цикл — от обучения сети до промта ↗

Фаза 5 · Sparse search

4 урока
1. От следующего токена к оценке документа ↗
2. Метрики поиска: Recall, MRR и nDCG ↗
3. Sparse baseline: bag-of-words и TF-IDF ↗
4. BM25 и инвертированный индекс ↗

Фаза 6 · Dense search

7 уроков
1. Dense retrieval: вектор запроса и документа ↗
2. Dual encoder на NumPy: два пути кодирования ↗
3. Contrastive loss и правильный документ среди кандидатов ↗
4. Negative sampling и hard negatives ↗
5. Обучение dual encoder на PyTorch ↗
6. Dense index: предварительное кодирование и top-k ↗
7. Sparse против dense: единый test и анализ ошибок ↗

Фаза 7 · Hybrid search

1 урок
1. Hybrid search: объединяем BM25 и dense через RRF ↗

Фаза 8 · Reranking

4 урока
1. Candidate generation и предел возможностей reranker ↗
2. Линейный reranker на NumPy: документы вместо токенов ↗
3. MLP-reranker на PyTorch и нелинейная граница ↗
4. Финал поиска: BM25 + dense + RRF + reranker ↗

Фаза 9 · Grounded RAG

2 урока
1. От поиска к RAG: контекст, бюджет и источники ↗
2. Финальный grounded pipeline: ответ с doc_id и отказ ↗

Собеседования · Финальный блок

10 уроков
1. Инференс целиком: токены, W·x и авторегрессия ↗
2. Линейная алгебра инференса: вектор, матрица, dot, GEMV → GEMM ↗
3. Токенизация и сборка промта: subword, паддинг, im2col ↗
4. Инференс на device: torch, tiled GEMM, шардинг весов ↗
5. Обучение нейросети: loss, градиентный спуск, backprop, autograd ↗
6. Данные и весь цикл: teacher forcing, обучение против генерации ↗
7. Sparse search: корпус, метрики, TF-IDF и BM25 ↗
8. Dense retrieval: dual encoder, contrastive loss и индекс ↗
9. Hybrid search и reranking: от кандидатов к top-k ↗
10. Grounded RAG и вся система: поиск, контекст, ответ ↗