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 1 048
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

1. О курсе

1 урок
Закрытый
1.1 О курсе ↗
434
434
1м 50с
0

2. Полносвязные нейронные сети

4 урока
Открытый
2.1 Мотивация использования нейронных сетей, полносвязные сети ↗
202
77
19м 53с
60
Открытый
2.2 Примеры использования нейронных сетей ↗
107
61
6м 25с
41
Открытый
2.3 Полносвязные сети. Функции активации ↗
93
34
19м 41с
35
Открытый
2.4 Домашнее задание - 1 ↗
81
22
16м 36с
21

3. Обучение нейронных сетей

7 уроков
Закрытый
3.1 Обучение нейронных сетей ↗
84
62
1м 29с
25
Закрытый
3.2 Градиентный спуск для функции одной переменной ↗
73
24
18м 28с
94
Закрытый
3.3 Градиентный спуск в общем случае ↗
52
19
21м 12с
68
Закрытый
3.4 Стохастический градиентный спуск ↗
42
27
8м 44с
61
Закрытый
3.5 Модификации градиентного спуска ↗
40
18
7м 45с
23
Закрытый
3.6 Метод обратного распространения ошибки ↗
42
25
5м 11с
14
Закрытый
3.7 Домашнее задание - 2 ↗
40
14
24м 54с
12

4. Введение в PyTorch

3 урока
Закрытый
4.1 Знакомство с PyTorch ↗
60
23
6м 22с
3
Закрытый
4.2 Нейронные сети в PyTorch ↗
50
28
21м 16с
39
Закрытый
4.3 Домашнее задание - 3 ↗
65
9
18м 40с
23

5. Классические методы NLP

5 уроков
Закрытый
5.1 Введение в область NLP и обзор базовых счетных подходов ↗
2
1
-
0
Закрытый
5.2 Продвинутые счетные методы: PMI, BM25 ↗
2
2
-
0
Закрытый
5.3 Эмбеддинги: word2vec, glove, doc2vec ↗
0
0
-
0
Закрытый
5.4 FastText ↗
0
0
-
0
Закрытый
5.5 Приближенные методы поиска ближайших соседей и векторные БД ↗
0
0
-
0

6. Современный NLP

7 уроков
Закрытый
6.1 Токенизация: minBPE, BPE ↗
0
0
-
0
Закрытый
6.2 Attention ↗
0
0
-
0
Закрытый
6.3 Трансформер ↗
0
0
-
0
Закрытый
6.4 Практика по применению моделей из HuggingFace ↗
0
0
-
0
Закрытый
6.5 Метрики качества: BLEU, ROUGE ↗
0
0
-
0
Закрытый
6.6 Зоопарк моделей ↗
0
0
-
0
Закрытый
6.7 Fine-tuning моделей из HuggingFace ↗
0
0
-
0

7. Введение в LLM

5 уроков
Закрытый
7.1 Фреймворк обучения больших языковых моделей (LLM) ↗
0
0
-
0
Закрытый
7.2 Инференс LLM в Python ↗
0
0
-
0
Закрытый
7.3 Методы эффективного дообучения LLM (PEFT) ↗
0
0
-
0
Закрытый
7.4 Генеративные чат-боты: концепции RLHF, DPO, PPO ↗
1
1
-
0
Закрытый
7.5 TRL библиотека для дообучения ↗
0
0
-
0

8. Продвинутые методы LLM

4 урока
Закрытый
8.1 Смысловые модификации Attention ↗
0
0
-
0
Закрытый
8.2 Модификации классических BERT и GPT ↗
0
0
-
0
Закрытый
8.3 Mixture of Experts (MOE) ↗
0
0
-
0
Закрытый
8.4 Reasoning ↗
1
1
-
0

9. LLM как инструмент

7 уроков
Закрытый
9.1 RAG - основы и базовый сценарий ↗
1
1
-
0
Закрытый
9.2 Фреймворк LangChain ↗
0
0
-
0
Закрытый
9.3 Векторные базы данных ↗
0
0
-
0
Закрытый
9.4 Различные RAG-сценарии и оценка качества RAG-системы ↗
0
0
-
0
Закрытый
9.5 AI-агенты ↗
0
0
-
0
Закрытый
9.6 LangGraph ↗
1
1
-
0
Закрытый
9.7 MCP и Agent-to-Agent системы ↗
1
1
-
0

10. Ускорение LLM

6 уроков
Закрытый
10.1 Устройство GPU и почему нам это важно ↗
1
1
-
0
Закрытый
10.2 Квантизация, precision, mixed-precision ↗
0
0
-
0
Закрытый
10.3 Дистилляция, прунинг ↗
0
0
-
0
Закрытый
10.4 Flash / Sparse / Paged attention ↗
0
0
-
0
Закрытый
10.5 KV-cache ↗
0
0
-
0
Закрытый
10.6 Adaptive batching ↗
0
0
-
0

11. LLM в продакшне

5 уроков
Закрытый
11.1 Возможности и ограничения LLM для бизнес-задач ↗
0
0
-
0
Закрытый
11.2 Мониторинг системы и качество данных ↗
0
0
-
0
Закрытый
11.3 Этические ограничения LLM-based систем ↗
0
0
-
0
Закрытый
11.4 Оценка качества LLM-моделей ↗
0
0
-
0
Закрытый
11.5 Инференс-серверы (Triton, VLLM) ↗
0
0
-
0

12. Расширенные сценарии использования LLM

2 урока
Закрытый
12.1 Мультимодальные модели, CLIP ↗
0
0
-
0
Закрытый
12.2 Генерация данных при помощи LLM ↗
1
1
-
0