Сколько стоит курс «Профессия AI-Engineer: полный курс»?

Стоимость курса составляет 9160.00 рублей

Сколько времени занимает прохождение курса «Профессия AI-Engineer: полный курс»?

Прохождение курса «Профессия AI-Engineer: полный курс» занимает примерно 42 часов.

Какой рейтинг у курса «Профессия AI-Engineer: полный курс»?

Курс имеет рейтинг 5.0 из 5 на основе 0 отзывов. На курсе обучается 3 учеников.

Где можно пройти курс «Профессия AI-Engineer: полный курс»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/303404.

Курс на Stepik

Профессия AI-Engineer: полный курс ★ 5.000

Name: Профессия AI-Engineer: полный курс
Price: 9160.00 RUB
Availability: InStock
Rating: 5.0 (0 reviews)

Открыть на
STEPIK.ORG

🚀 Освойте профессию ИИ-инженера: от основ Python до создания продакшен-сервисов с LLM и автономными агентами. Пять курсов, единая траектория, реальные проекты в портфолио. Только инженерные навыки.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	3
Сертификатов выдано	0
Отзывов получено	30
Рейтинг курса	5.000
Курсов в пакете	5	—	—	—	—
Количество уроков	248
Количество квизов	1855
Количество задач с кодом	300
Время прохождения курса	42 ч.	—
Стоимость курса	11 450 ₽	—
Обновления курса	—	—
Дата публикации курса	15 часов назад	—	—	—	—
Последнее обновление	1 ноября 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание пакета (5 курсов)

Курсы в пакете «Профессия AI-Engineer: полный курс»

5 курсов Уроки в курсе «Профессия AI-Engineer: полный курс»

248 уроков Тесты в курсе «Профессия AI-Engineer: полный курс»

1855 тестов Задачи в курсе «Профессия AI-Engineer: полный курс»

300 задач Время прохождения курса «Профессия AI-Engineer: полный курс»

42 ч.

1. AI Агенты на Python: для начинающих 5.00

302

386

22 ч.

Введение

4 урока

1. О курсе ↗

2. Кто такой AI-агент ↗

3. Архитектурный цикл агента: Reason → Act → Observe ↗

4. Требования к курсу и подготовка окружения ↗

Фундамент агентов без фреймворков

6 уроков

1. Агент на requests: первый запрос к LLM ↗

2. Инструменты (tools) ↗

3. Цикл выполнения: как агент выбирает инструмент ↗

4. Простая память: кэширование предыдущих шагов через dict ↗

5. Границы агента без фреймворков ↗

6. Закрепление: мини-агент для анализа одной строки лога ↗

CrewAI: освоение кирпичиков

6 уроков

1. Класс Agent: role, goal, backstory — зачем всё это нужно ↗

2. Класс Task: описание задачи и ожидаемый вывод ↗

3. Класс Crew: процессы sequential и hierarchical ↗

4. Инструменты в CrewAI: декоратор @tool и кастомные функции ↗

5. Обработка ошибок в инструментах ↗

6. Закрепление: Анализатор инцидентов ↗

LangGraph: освоение кирпичиков

10 уроков

1. Состояние (State): TypedDict и зачем типизировать ↗

2. Граф состояний (StateGraph): основа выполнения ↗

3. Узлы графа (Node): функции как шаги выполнения ↗

4. Рёбра (Edge): линейные переходы между узлами ↗

5. Условные переходы (ConditionalEdge): ветвление по состоянию ↗

6. Команда (Command): динамическое управление состоянием и потоком ↗

7. Чекпоинты: сохранение и восстановление прогресса ↗

8. Прерывания (Interrupt): Human-in-the-Loop ↗

9. Вызовы LLM в узлах графа: интеллект через промпты ↗

10. Закрепление: Анализатор инцидентов ↗

Сравнение архитектур на микро-кейсах

7 уроков

1. Линейный пайплайн: CrewAI vs LangGraph — чей код проще? ↗

2. Цикл с условием ↗

3. Параллельная обработка ↗

4. Антипаттерн «бесконечный цикл» ↗

5. Антипаттерн «утечка состояния» ↗

6. Когда выбрать CrewAI, а когда LangGraph ↗

7. Закрепление ↗

Продакшен-слои для агентов

7 уроков

1. Валидация вывода через Pydantic: ловим галлюцинации структуры ↗

2. Retry-логика: повтор с уточняющим промптом при ошибке валидации ↗

3. Тестирование агентов: моки LLM и проверка бизнес-логики ↗

4. Логирование и трейсинг ↗

5. Мониторинг: LangSmith, алерты ↗

6. Безопасность: санитизация инпута и ограничение инструментов ↗

7. Закрепление ↗

Финальный проект: SupportAI на FastAPI + LangGraph

10 уроков

1. Архитектура проекта и подготовка окружения ↗

2. Модели и миграции ↗

3. Асинхронные эндпоинты и валидация ↗

4. Многоузловой агент ↗

5. Память агента: InMemorySession + Чекпоинты ↗

6. Валидация и retry-логика агента ↗

7. Безопасность: санитизация и ограничение инструментов ↗

8. Логирование, мониторинг и алерты ↗

9. Тестирование: моки и интеграция ↗

10. Запуск агента в Docker: упаковка и тестирование ↗

Заключение

3 урока

1. Пути развития: от агентов к многоагентным системам ↗

2. Рекомендации по железу ↗

3. Заключение ↗

Продвинутые темы

4 урока

1. Human-in-the-Loop с FastAPI: взаимодействие с пользователем ↗

2. Многошаговое взаимодействие: история диалога ↗

3. Тестирование восстановления после сбоев ↗

4. Закрепление ↗

Расширяем финальный проект

3 урока

1. Расширение уведомлений: Telegram + HIL-подтверждение ↗

2. Добавление истории диалога в агента ↗

3. Тесты на восстановление после сбоев ↗

2. LLM для Python-разработчиков: для продвинутых

519

100

Введение

1 урок

1. О курсе ↗

Инференс в продакшене: vLLM и облачные модели

8 уроков

1. Ollama и vLLM: чем отличаются ↗

2. Как устроен vLLM: пакетная обработка и кэш внимания ↗

3. Запуск vLLM на CPU ↗

4. Облачная модель через OpenAI-совместимый API ↗

5. Лимиты контекста, параллельные запросы и повторные попытки ↗

6. Потоковая генерация и замеры задержки и токенов ↗

7. Единый клиент инференса и FastAPI-сервис ↗

8. Закрепление материала ↗

Управление контекстом в длинных диалогах и RAG

5 уроков

1. Контекстное окно как ограниченный ресурс ↗

2. Как собрать промпт: найденные фрагменты, история и вложения ↗

3. Сжатие истории и иерархический контекст ↗

4. Проблема «потери середины» и когда выгоднее RAG ↗

5. Закрепление материала ↗

Продвинутый RAG: архитектуры следующего уровня

6 уроков

1. Понимание запроса: переформулировка и маршрутизация ↗

2. Поиск в Qdrant: родительские и дочерние чанки ↗

3. Агентный RAG: поиск, проверка и повторный поиск ↗

4. Граф знаний поверх документов ↗

5. Web-search и цитирование источников ↗

6. Закрепление материала ↗

Мультимодальный RAG: документы, изображения и схемы

7 уроков

1. Зачем нужна мультимодальность: PDF, скриншоты, схемы и таблицы ↗

2. Два подхода: описание картинки или мультимодальные эмбеддинги ↗

3. Загрузка документов: разметка страницы, OCR и таблицы ↗

4. Индекс в Qdrant: тип содержимого в метаданных ↗

5. Поиск по тексту и изображению ↗

6. Ответ с vision-моделью в Ollama ↗

7. Закрепление материала ↗

Структурированный вывод и контракты с кодом

4 урока

1. JSON-схема и ограниченная генерация на стороне инференса ↗

2. Валидация через Pydantic и повтор при ошибке формата ↗

3. Извлечение сущностей из документов, таблиц и сканов ↗

4. Закрепление материала ↗

Оценка качества LLM-систем

6 уроков

1. Эталонные кейсы, достоверность и релевантность ↗

2. Метрики качества поиска и ответа ↗

3. Оценка мультимодальных ответов: опора на слайд или рисунок ↗

4. LLM-as-a-Judge: когда ошибается и как стабилизировать ↗

5. Регрессионные тесты пайплайна в CI через pytest ↗

6. Закрепление материала ↗

Мониторинг и трассировка инференса

4 урока

1. Phoenix: Трейс пайплайна ↗

2. Метрики инференса: очередь, задержка, токены и лимиты free tier ↗

3. Версионирование модели, промпта, индекса и чанкера ↗

4. Алерты по квотам, задержке и деградации качества ↗

Безопасность LLM-систем в продакшене

7 уроков

1. Карта угроз OWASP для LLM-приложений ↗

2. Инъекции в промпт: прямые и косвенные через RAG ↗

3. Утечки: системный промпт и документы других клиентов ↗

4. Персональные данные и 152-ФЗ: обнаружение и маскирование ↗

5. Отравленный индекс и опасные действия модели ↗

6. Модель угроз и чек-лист red team ↗

7. Закрепление материала ↗

Производительность, масштабирование и стоимость

7 уроков

1. Планирование нагрузки: от пользователей к RPS и нагрузочный тест ↗

2. Очереди, приоритеты и ограничение параллельных запросов ↗

3. Кэш эмбеддингов, ответов и префикса промпта: когда это безопасно ↗

4. Стоимость запроса: маршрутизация и каскад моделей ↗

5. Резервный бэкенд и деградация при исчерпании квоты ↗

6. Когда нужен GPU: расчёт памяти и квантизация (обзор) ↗

7. Закрепление материала ↗

Финальный проект: ассистент инженера

9 уроков

1. Архитектура и требования ↗

2. Окружение и база данных ↗

3. Загрузка документов и индекс ↗

4. Поиск и ответ ↗

5. Карточка инцидента ↗

6. Безопасность ↗

7. Оценка и CI ↗

8. Мониторинг ↗

9. Нагрузочное тестирование и приёмка в рамках квот ↗

Глоссарий и закрепление по всему курсу

3 урока

1. Глоссарий курса ↗

2. Тесты ↗

3. Задачи ↗

Заключение

1 урок

1. Заключение ↗

3. LLM для Python-разработчиков: от RAG до агентов 5.00

692

448

16 ч.

Введение

1 урок

1. О курсе ↗

Введение в LLM: с нуля до первого запроса

8 уроков

1. Что такое LLM? ↗

2. Осознанное взаимодействие с LLM: промпты, параметры, security ↗

3. Выбор между облачными API и локальными моделями ↗

4. Первый запрос к LLM ↗

5. Установка и запуск LLM локально с помощью Ollama ↗

6. Base-модели и instruct-модели: в чём разница и почему это важно ↗

7. Эксперименты с промптами: few-shot и chain-of-thought ↗

8. Закрепление материала ↗

Embeddings и векторные базы данных

6 уроков

1. Что такое embeddings (эмбеддинги)? ↗

2. Векторные базы данных: зачем они и как работают? ↗

3. Создание и поиск по эмбеддингам с Chroma ↗

4. Переход на Qdrant: запуск через Docker и интеграция ↗

5. Полезные практики: чанкинг, метаданные, reranking ↗

6. Закрепление материала ↗

RAG: Retrieval-Augmented Generation на практике

8 уроков

1. RAG с нуля: архитектура и первый рабочий пайплайн ↗

2. RAG в продакшене: переключение на Qdrant и асинхронность ↗

3. Оценка качества RAG ↗

4. Защита от галлюцинаций и фильтрация ответов ↗

5. Введение в агентов: LLM + инструменты (tools) ↗

6. Stateful-агенты с LangGraph ↗

7. Подготовка к продакшену: логирование, мониторинг, безопасность ↗

8. Закрепление: финальный мини-проект ↗

Продвинутый RAG: надёжность, безопасность и контроль в продакшен

6 уроков

1. Почему RAG ломается в продакшене? Типичные сценарии ↗

2. Защита RAG: от индексации до ответа ↗

3. Мониторинг RAG в продакшене: логи, метрики, алерты ↗

4. Оптимизация поиска: reranking и multi-query ↗

5. Метаданные: основа безопасности и персонализации ↗

6. Закрепление материала ↗

Локальные LLM: запуск без облака и без GPU

7 уроков

1. Когда локальные LLM — не просто «можно», а «нужно» ↗

2. Выбор модели под задачу: не параметры, а измеримые метрики ↗

3. Ollama в продакшене: как обернуть демон в надёжный сервис ↗

4. Прямой inference через llama-cpp-python ↗

5. Мониторинг и алертинг для локальных LLM ↗

6. Решение типичных проблем в продакшене ↗

7. Закрепление материала ↗

Дообучение LLM без GPU и PhD

4 урока

1. Зачем дообучать модель и когда это оправдано ↗

2. Дообучение через LoRA на бесплатной GPU (Google Colab) ↗

3. Интеграция LoRA-адаптера в локальные LLM ↗

4. Закрепление материала ↗

Multi-agent системы: оркестрация и роли

4 урока

1. Введение в multi-agent системы ↗

2. Архитектура и оркестрация ↗

3. Реализация на CrewAI ↗

4. Альтернативы и расширения (Autogen, кастомизация) ↗

Финальный проект — AI-ассистент разработчика

6 уроков

1. Архитектура и требования ↗

2. Подготовка окружения и компонентов ↗

3. Реализация RAG-поиска (POST /search) ↗

4. Реализация генерации и сохранения (POST /generate) ↗

5. Инфраструктура и тестирование ↗

6. Компромиссы и пути развития ↗

Заключение

1 урок

1. Заключение ↗

Глоссарий и закрепление по всему курсу

3 урока

1. Глоссарий курса ↗

2. Тесты 1 ↗

3. Тесты 2 ↗

4. Python ROADMAP | С Нуля до Middle 2026 5.00

3 930

0 ч.

Вступление

3 урока

1. Как пользоваться этим roadmap’ом ↗

2. С чего стоит начать ↗

3. Рекомендации к обучению ↗

С нуля до Junior

7 уроков

1. Базовый уровень ↗

2. Средний уровень ↗

3. EXTRA (Средний уровень) ↗

4. Продвинутый уровень ↗

5. EXTRA (Продвинутый уровень) ↗

6. Профессиональный уровень ↗

7. EXTRA (Профессиональный уровень) ↗

С Junior до Middle

2 урока

1. Базовый уровень ↗

2. EXTRA (Базовый уровень) ↗

Дополнительный материал

2 урока

1. Книги ↗

2. Полезные репозитории ↗

Заключение

1 урок

1. Пока на этом всё ↗

5. Qdrant: полный курс 5.00

150

443

4 ч.

Введение и установка

7 уроков

1. О курсе ↗

2. Что такое embeddings (эмбеддинги)? ↗

3. Что такое Qdrant и зачем он нужен ↗

4. Установка: Docker и первый запуск ↗

5. Qdrant Web UI: визуальная отладка ↗

6. Конфигурация: persistence и ресурсы ↗

7. Qdrant Cloud vs Self-hosted ↗

HTTP API Qdrant — полное погружение

9 уроков

1. Коллекции: create, get, list, delete ↗

2. Настройка коллекции: optimizers и HNSW ↗

3. CRUD для points: upsert, retrieve, delete ↗

4. Векторный поиск: distance и параметры ↗

5. Фильтрация по payload ↗

6. WithPayload и WithVector ↗

7. Scroll API: обход больших коллекций ↗

8. Наглядный пример: простой поиск по документам ↗

9. Закрепление ↗

qdrant-client для Python

13 уроков

1. Установка и первый запуск клиента ↗

2. QdrantClient: конструктор и подключение ↗

3. Режимы клиента: sync, async, embedded ↗

4. Метод create_collection ↗

5. Структуры данных и CRUD точек ↗

6. Поиск ↗

7. Scroll ↗

8. Фильтры и payload-индексы ↗

9. Named vectors ↗

10. Groups: search_groups ↗

11. Snapshots ↗

12. Ошибки, логирование и отладка ↗

13. Закрепление ↗

Продвинутые возможности Qdrant

7 уроков

1. Архитектура мульти-векторных коллекций ↗

2. Sparse vectors и hybrid search ↗

3. Recommendation API ↗

4. Quantization ↗

5. Multitenancy через payload ↗

6. Aliases и миграция данных ↗

7. Закрепление ↗

Эксплуатация

3 урока

1. Production-деплой: Docker Compose ↗

2. Мониторинг и безопасность ↗

3. Backup-стратегии ↗

VectorCatalog — поиск и рекомендации товаров

6 уроков

1. Архитектура и окружение ↗

2. Коллекция и загрузка каталога ↗

3. FastAPI и витрина (Jinja2) ↗

4. Поиск: гибрид и фильтры ↗

5. Рекомендации ↗

6. Production: масштаб и деплой ↗

Глоссарий и закрепление по всему курсу

3 урока

1. Глоссарий курса ↗

2. Тесты ↗

3. Задачи ↗

Заключение

1 урок

1. Заключение ↗