Чему вы научитесь
- Освоите базовый стек Python-разработчика: синтаксис, ООП, SQL, асинхронность, тестирование, основы DevOps, Git и тд. (через ROADMAP)
- Работать с LLM на инженерном уровне: промпт-инжиниринг, облачные API, локальные модели, эмбеддинги и векторные БД (Chroma, Qdrant)
- Создавать RAG-пайплайны: чанкинг, реранкинг, оценка качества, защита от галлюцинаций и промпт-инъекций
- Дообучать модели (LoRA) на бесплатных GPU без знания математики и ML-фреймворков
- Проектировать AI-агентов с нуля: от цикла Reason → Act → Observe до фреймворков LangGraph и CrewAI
- Настраивать продакшен-слои: валидация вывода (Pydantic), retry-логика, тестирование, логирование, мониторинг (LangSmith), санитизация входа
- Разворачивать AI-сервисы в Docker: FastAPI, асинхронность, PostgreSQL, health-checks, интеграция в микросервисную архитектуру
О курсе
Для кого этот курс
• Самоучки и начинающие разработчики, застрявшие на уровне «знаю синтаксис, но не могу собрать рабочий проект».
• Python/Backend-разработчики, которые хотят добавить LLM, RAG и агентов в свой стек и начать внедрять ИИ в рабочие задачи.
• Инженеры и техлиды, оценивающие возможность интеграции LLM во внутренние инструменты (документация, чат-боты, поддержка).
• Тех, кто уже экспериментировал с LLM в скриптах, но хочет научиться создавать надёжные, тестируемые и масштабируемые AI-сервисы для продакшена.
Начальные требования
Траектория гибкая, поэтому требования зависят от выбранного старта:
🟢 Если начинаете с нуля (Python ROADMAP): достаточно уверенного владения компьютером, базового английского (чтение документации) и готовности писать код каждый день. Предварительные знания программирования, математики или ML не требуются.
🟡 Если сразу переходите к курсам по LLM и агентам:
• Уверенное владение Python 3 (ООП, работа с модулями, исключения, асинхронность)
• Опыт работы с FastAPI / aiohttp / аналогами
• Понимание асинхронного программирования
• Базовые навыки работы с Docker, Docker Compose и командной строкой
❌ Не требуется: знание машинного обучения, линейной алгебры, TensorFlow/PyTorch или наличие собственного GPU.
Преподаватели курса
2 038
Как проходит обучение
• Текстовые уроки и краткие конспекты с фокусом на инженерную практику — никакой «воды» и академической теории.
• 900+ интерактивных задач и тестов с автоматической проверкой.
• Пошаговое выполнение модулей: от теории и разбора кода к самостоятельным заданиям и самопроверке.
• Финальные проектные работы в каждом AI-курсе: сборка готовых сервисов, которые можно сразу добавить в портфолио на GitHub.
• Свободный темп обучения: возвращайтесь к материалам в любое время, повторяйте сложные темы, используйте дополнительные ссылки на статьи и видео.
• Финальные проекты выкладываются в готовые репозитории на GitHub.
Что вы получите
- Навыки, востребованные на рынке
- Возможность отработать теорию на практике через сотни задач
- Ежедневную поддержку автора
- Сертификаты Stepik о прохождении курсов по LLM и агентам.
- Гибкую траекторию: учитесь в своём темпе, начинайте с нужного уровня, возвращайтесь к материалам без ограничений по времени.