Оставь заявку на курс
Выбери понравившуюся программу, оставь свои контактные данные и мы пришлем дальнейшие инструкции
Нажимая на кнопку, я даю свое согласие на обработку моих персональных данных и принимаю условия политики конфиденциальности
Бесплатный курс по программе
AI инженер
Бесплатный курс по программе
AI инженер
Почему
-
01/ Актуальность технологийРабота с LLM и генеративными системами сегодня востребована в крупном бизнесе и R&D - 02/ Полный жизненный циклОт подготовки данных и дообучения моделей до интеграции и эксплуатации
- 03/ Практическая направленностьФинальные проекты на основе реальных кейсов, готовых к использованию в продакшене
- 04/ Профессиональная экспертизаОбучение под руководством действующих AI-инженеров
что ждет на курсе
Лекции и вебинары
2-3 раза в неделю
С 16:00 по мск
С 16:00 по мск
Домашка и практика
Сделаешь проект для портфолио
Эксперты и кураторы
Получишь навыки и обратную связь от сотрудников Neoflex
IT-комьюнити
Обменяешься знаниями, опытом и поддержкой
Программа обучения
Урок 1. Формирование дисциплины AI Engineering
Урок 2. Сценарии использования foundation models
Урок 3. Технологический стек AI Engineering
Урок 2. Сценарии использования foundation models
Урок 3. Технологический стек AI Engineering
Урок 1. Обучающие данные
Урок 2. Моделирование
Урок 3. Post‑Training
Урок 4. Sampling
Здесь студенты познакомятся с базовыми моделями – крупными нейросетями, обученными на огромных наборах данных, способными решать широкий спектр задач (понимание текста, генерация изображений и др.)
Урок 2. Моделирование
Урок 3. Post‑Training
Урок 4. Sampling
Здесь студенты познакомятся с базовыми моделями – крупными нейросетями, обученными на огромных наборах данных, способными решать широкий спектр задач (понимание текста, генерация изображений и др.)
Урок 1. Метрики языкового моделирования
Урок 2. Объективные методы оценки
Урок 3. Субъективные методы оценки
Урок 4. Ранжирование и сравнение моделей
Урок 2. Объективные методы оценки
Урок 3. Субъективные методы оценки
Урок 4. Ранжирование и сравнение моделей
Урок 1. Критерии оценки систем
Урок 2. Выбор оптимальной модели
Урок 3. Проектирование системы оценки
Урок 2. Выбор оптимальной модели
Урок 3. Проектирование системы оценки
Урок 1. Основы Prompt Engineering
Урок 2. Лучшие практики работы с промптами
Урок 3. Атаки на промпты и защита от них
Урок 2. Лучшие практики работы с промптами
Урок 3. Атаки на промпты и защита от них
Урок 1. Основы и архитектура RAG
Урок 2. Алгоритмы информационного поиска
Урок 3. Оптимизация поиска
В этом модуле слушатели изучат технику RAG, при которой большие языковые модели дополняются результатами поиска по внешним источникам. Такой подход позволяет использовать актуальную информацию и снижает риск «галлюцинаций» модели при генерации ответов.
Урок 2. Алгоритмы информационного поиска
Урок 3. Оптимизация поиска
В этом модуле слушатели изучат технику RAG, при которой большие языковые модели дополняются результатами поиска по внешним источникам. Такой подход позволяет использовать актуальную информацию и снижает риск «галлюцинаций» модели при генерации ответов.
Урок 1. Введение в AI‑агентов
Урок 2. Инструменты и фреймворки для агентов
Урок 3. Планирование действий агента
Урок 4. Память и обучение агентов
Здесь рассматриваются автономные AI‑агенты – системы, которые могут понимать сложные цели пользователя, самостоятельно планировать последовательность действий и взаимодействовать с цифровой средой. Такие агенты учатся решать многозадачные проблемы, вызывая внешние инструменты и обновляя свою память.
Урок 2. Инструменты и фреймворки для агентов
Урок 3. Планирование действий агента
Урок 4. Память и обучение агентов
Здесь рассматриваются автономные AI‑агенты – системы, которые могут понимать сложные цели пользователя, самостоятельно планировать последовательность действий и взаимодействовать с цифровой средой. Такие агенты учатся решать многозадачные проблемы, вызывая внешние инструменты и обновляя свою память.
Урок 1. Руководство по практическому использованию финетюнинга
Урок 2. Ограничения по ресурсам при дообучении
Урок 3. Основные подходы финетюнинга (LoRA, BitFit и др.)
Урок 2. Ограничения по ресурсам при дообучении
Урок 3. Основные подходы финетюнинга (LoRA, BitFit и др.)
Урок 1. Курирование и валидация данных
Урок 2. Аугментация и синтез данных для обучения
Урок 3. Предобработка и очистка данных
Урок 2. Аугментация и синтез данных для обучения
Урок 3. Предобработка и очистка данных
Урок 1. Основные подходы ускорения вывода
Урок 2. Аппаратные ускорители и компрессия моделей
Урок 2. Аппаратные ускорители и компрессия моделей
Урок 1. Проектирование AI‑архитектур в продакшене
Урок 2. Обратная связь пользователя и доработка системы
Урок 2. Обратная связь пользователя и доработка системы
Что нужно для участия
- PythonЗнание основ программирования и базовых библиотек PythonСтруктуры данных и алгоритмыПонимание базовых алгоритмов и структур данныхБазовое MLОпыт работы с классическими ML-моделями или смежное образованиеАнглийский на техническом уровнеУмение читать документацию и использовать англоязычные инструментыМотивация к практикеГотовность решать реальные инженерные задачи и работать над проектомМатериалы для самоподготовки
→ Андреас Мюллер, Сара Гвидо, «Введение в машинное обучение с Python»
→ Йошуа Бенджио, Иан Гудфеллоу, Аарон Курвилл, «Глубокое обучение»
→ Франсуа Шолле, «Глубокое обучение на Python»
→ Стивенс Эли, Антига Лука, «PyTorch. Освещая глубокое обучение»
→ Промпт-инжиниринг (ссылка)
→ Обзорная статья RAG (ссылка)
→ Модификации RAG (ссылка)
→ Обзорная статья Function Calling (ссылка)
→ Легкое введение в Агентов (ссылка)
→ Planning LLM agents (ссылка)
→ Memory of LLM agents (ссылка)Остались
вопросы