Курс на Stepik
Обложка курса «Современные LLM» на Stepik
Бесплатно

Современные LLM 0.000

Открыть на
STEPIK.ORG

Курс посвящен теории и практике работы с большими языковыми моделями (Large Language Models, LLM). В курсе вы узнаете о том, как устроены LLM и познакомитесь с особенностями глубоких нейронных сетей в области обработки естественного языка. Также вы научитесь создавать AI-агентов и оценивать возможности и риски этой технологии.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Современные LLM»Учеников на курсе 1 388
Сертификаты, выданные на курсе «Современные LLM»Сертификатов выдано 0
Отзывы о курсе «Современные LLM»Отзывов получено 0
Рейтинг курса «Современные LLM»Рейтинг курса 0.000
Уроки в курсе «Современные LLM»Количество уроков 56
Тесты в курсе «Современные LLM»Количество квизов 44
Время прохождения курса «Современные LLM»Время прохождения курса
Обновления курса «Современные LLM»Обновления курса
Дата публикации курса «Современные LLM»Дата публикации курса
Последнее обновление курса «Современные LLM»Последнее обновление
Сложность normal

Содержание курса

Разделы в курсе «Современные LLM» 12 разделов Уроки в курсе «Современные LLM» 56 уроков Тесты в курсе «Современные LLM» 44 теста Время прохождения курса «Современные LLM» 3 ч. Последнее обновление курса «Современные LLM» обн. 28 января 2026

О курсе

1 урок
1. О курсе

Полносвязные нейронные сети

4 урока
1. Мотивация использования нейронных сетей, полносвязные сети
2. Примеры использования нейронных сетей
3. Полносвязные сети. Функции активации
4. Домашнее задание - 1

Обучение нейронных сетей

7 уроков
1. Обучение нейронных сетей
2. Градиентный спуск для функции одной переменной
3. Градиентный спуск в общем случае
4. Стохастический градиентный спуск
5. Модификации градиентного спуска
6. Метод обратного распространения ошибки
7. Домашнее задание - 2

Введение в PyTorch

3 урока
1. Знакомство с PyTorch
2. Нейронные сети в PyTorch
3. Домашнее задание - 3

Классические методы NLP

5 уроков
1. Введение в область NLP и обзор базовых счетных подходов
2. Продвинутые счетные методы: PMI, BM25
3. Эмбеддинги: word2vec, glove, doc2vec
4. FastText
5. Приближенные методы поиска ближайших соседей и векторные БД

Современный NLP

7 уроков
1. Токенизация: minBPE, BPE
2. Attention
3. Трансформер
4. Практика по применению моделей из HuggingFace
5. Метрики качества: BLEU, ROUGE
6. Зоопарк моделей
7. Fine-tuning моделей из HuggingFace

Введение в LLM

5 уроков
1. Фреймворк обучения больших языковых моделей (LLM)
2. Инференс LLM в Python
3. Методы эффективного дообучения LLM (PEFT)
4. Генеративные чат-боты: концепции RLHF, DPO, PPO
5. TRL библиотека для дообучения

Продвинутые методы LLM

4 урока
1. Смысловые модификации Attention
2. Модификации классических BERT и GPT
3. Mixture of Experts (MOE)
4. Reasoning

LLM как инструмент

7 уроков
1. RAG - основы и базовый сценарий
2. Фреймворк LangChain
3. Векторные базы данных
4. Различные RAG-сценарии и оценка качества RAG-системы
5. AI-агенты
6. LangGraph
7. MCP и Agent-to-Agent системы

Ускорение LLM

6 уроков
1. Устройство GPU и почему нам это важно
2. Квантизация, precision, mixed-precision
3. Дистилляция, прунинг
4. Flash / Sparse / Paged attention
5. KV-cache
6. Adaptive batching

LLM в продакшне

5 уроков
1. Возможности и ограничения LLM для бизнес-задач
2. Мониторинг системы и качество данных
3. Этические ограничения LLM-based систем
4. Оценка качества LLM-моделей
5. Инференс-серверы (Triton, VLLM)

Расширенные сценарии использования LLM

2 урока
1. Мультимодальные модели, CLIP
2. Генерация данных при помощи LLM