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 1 569
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. 29 сентября 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 ↗