Большие языковые модели (LLM) - курсы и видеоуроки
Большие языковые модели (LLM) — нейросети на архитектуре трансформер, описанной в статье «Attention Is All You Need» 2017 года, обученные предсказывать следующий токен на огромных объемах текста. На них работают ChatGPT, Claude, Gemini, Llama, DeepSeek и другие модели. Чтобы использовать их осознанно, полезно понимать токенизацию, механизм внимания, контекстное окно, разницу между базовой и инструктивной моделью, способы дообучения (fine-tuning, LoRA) и то, от чего зависят скорость и стоимость инференса. Сюда же относится промпт-инжиниринг — умение формулировать запросы так, чтобы модель стабильно давала нужный результат.
Понимание того, как устроены LLM, нужно всем, кто строит на них продукты или регулярно с ними работает. Оно объясняет поведение моделей, которое иначе выглядит случайным: почему модель путает буквы в словах (так работает токенизация), забывает начало длинного разговора, уверенно выдумывает факты и по-разному отвечает на один и тот же вопрос. Эти знания помогают выбрать модель под задачу, оценить стоимость, решить, хватит ли промпта или нужно дообучение, и заранее понять, где модель ошибется. Языковые модели применяют для генерации и редактирования текста, перевода, суммаризации, классификации, извлечения данных из документов, написания кода и диалоговых интерфейсов. Ограничения тоже надо знать: модели плохо считают, не знают событий после окончания обучения, чувствительны к формулировке запроса и могут воспроизводить ошибки и перекосы из обучающих данных.
Популярное в llm (большие языковые модели)
Подготовка к собеседованию по проектированию ИИ-систем
Оптимизация расходов на ИИ
AI Evals на практике: для инженеров и продакт-менеджеров
Агентная инженерия
AI Crew #4: «Мультиагентные системы»
AI-архитектор
Учись на практике. Стань инженером ИИ
Fine-Tuning LLM с открытыми весами: практический курс для инженеров
ИИ: основные понятия и терминология — полное руководство
Популярные авторы и школы курсов в категории LLM (большие языковые модели)
LLM (большие языковые модели) в разделах
LLM (большие языковые модели): Список курсов
DesignGurus.ioПодготовка к собеседованиюМашинное обучениеAI-кодингAI-агентыAI-инженерияRAGLLM (большие языковые модели)
Подготовка к собеседованию по проектированию ИИ-систем
Grokking the AI System Design Interview
Курс «Подготовка к собеседованию по проектированию ИИ-систем» (Grokking the AI System Design Interview) — практическое руководство для разработчиков, ML/AI-инженеров и архитекторов, которые хотят уверенно проходить технические интервью по AI System Design, проектировать современные ИИ-системы, LLM-приложения, RAG-пайплайны, рекомендательные сервисы и автономных ИИ-агентов.О курсеВопросы по архитектуре ИИ-систем всё чаще становятся частью техни
podlodka.ioКонференцииAI-кодингAI-агентыAI-инженерияLLM (большие языковые модели)
AI Crew #4: «Мультиагентные системы»
AI Crew #4: «Мультиагентные системы» — это конференция о проектировании, разработке и внедрении AI-агентов в реальные процессы разработки ПО. Вы разберёте, когда достаточно одного агента, а когда нужна мультиагентная система, как распределять роли между агентами, управлять контекстом, памятью, качеством и стоимостью таких решений.О курсеЧетвёртый сезон AI Crew посвящён мультиагентным системам: архитектурам AI-агентов, оркестрации, автономной разр
ByteByteGo
Jeremy HintzAI-агентыAI-инженерияLLM (большие языковые модели)AI для бизнеса
Оптимизация расходов на ИИ
AI Cost Optimization
AI Cost Optimization — практический курс от ByteByteGo, посвящённый снижению расходов на использование больших языковых моделей (LLM), оптимизации ИИ-инфраструктуры и повышению экономической эффективности AI-приложений и агентных систем.По мере внедрения искусственного интеллекта в реальные продукты компании сталкиваются с растущими затратами на API-запросы, обработку токенов, хранение контекста и выполнение многошаговых агентных процессов. Даже
ByteByteGo
Manjeet SinghAI-агентыAI-инженерияLLM (большие языковые модели)
AI Evals на практике: для инженеров и продакт-менеджеров
AI Evals in Practice: For Engineers & PMs
AI Evals in Practice: For Engineers & PMs — практический курс, посвящённый оценке качества, надёжности и безопасности искусственного интеллекта, больших языковых моделей (LLM) и автономных ИИ-агентов. Вы научитесь создавать полноценные системы тестирования AI-приложений, выявлять ошибки, измерять производительность и контролировать качество ИИ-продуктов на всех этапах — от разработки до эксплуатации в production.В отличие от традиционного про
Daniel Voigt GodoyГлубокое обучениеОбработка естественного языка AI-инженерияLLM (большие языковые модели)
Fine-Tuning LLM с открытыми весами: практический курс для инженеров
Fine-Tuning Open-Weight LLMs for Engineers
Практический курс по fine-tuning LLM с открытыми весами поможет инженерам освоить полный цикл дообучения больших языковых моделей: от выбора задачи и подготовки датасета до настройки LoRA/QLoRA, оценки качества и применения результата в реальных проектах.О курсеБольшинство материалов по тонкой настройке больших языковых моделей либо слишком теоретизированы, либо рассчитаны на крупные команды, большие датасеты и дорогую вычислительную инфраструкту
Kent C. Dodds
Theo Browne
Angie Jones
John Lindquist
Adam GospodarczykAI-кодингAI-агентыAI-инженерияLLM (большие языковые модели)
Mega Dev: Пора переосмыслить всё
Mega Dev. It's Time to Rethink Everything
MEGA — это 4-недельная онлайн-программа для middle и senior-разработчиков, которые уже используют AI в работе и хотят перейти от точечного применения нейросетей к системной AI-native разработке. Курс помогает разобраться, как проектировать AI-агентов, выстраивать рабочие процессы с генеративным AI, автоматизировать разработку и сохранять контроль над качеством, безопасностью и результатом.О чём курс MEGAСовременные AI-инструменты уже способны пис
jsmastery.pro
Adrian HajdinAI-кодингAI-агентыAI-инженерияLLM (большие языковые модели)
Агентная инженерия
Agentic Engineering Course
Курс «Агентная инженерия» посвящён профессиональной разработке программного обеспечения с использованием искусственного интеллекта. Вы научитесь применять AI не просто для генерации кода, а как полноценный инженерный инструмент для создания качественных, масштабируемых и поддерживаемых приложений. Вместо хаотичного вайб-кодинга и бесконечных промптов курс предлагает системный подход: управление контекстом, планирование архитектуры, контроль качес
OTUSДругое (ИИ)AI-инженерияLLM (большие языковые модели)
AI-архитектор
AI-архитектор — курс по проектированию AI-решений для бизнеса: от анализа требований, PoC и выбора архитектурных паттернов до вывода GenAI- и LLM-систем в Production, настройки MLOps, инфраструктуры, безопасности, наблюдаемости и управления стоимостью.Кому подойдет курсПрограмма рассчитана на технических специалистов, которые хотят перейти к роли архитектора AI-систем или усилить текущую экспертизу в проектировании сложных решений на базе маши
Academind ProДругое (ИИ)LLM (большие языковые модели)
ИИ: основные понятия и терминология — полное руководство
AI Key Concepts & Terms - The Missing Guide
LLM, ИИ-агенты, токены, RAG, MCP, контекстная инженерия — эти термины встречаются повсюду. Но что они на самом деле означают, зачем нужны и как связаны между собой?Этот курс поможет разобраться в ключевых концепциях современного искусственного интеллекта и сформировать целостное представление о технологиях, лежащих в основе современных ИИ-приложений.Вместо поверхностного знакомства с популярными терминами вы получите системное понимание языковых
Keerti PurswaniДругое (ИИ)AI-инженерияLLM (большие языковые модели)
Генеративный ИИ на практике
Hands-On Generative AI
Освойте генеративный искусственный интеллект с нуля до продвинутого уровня. Научитесь создавать, обучать, дообучать и внедрять современные AI-модели, разрабатывать интеллектуальных агентов и создавать полноценные приложения на основе больших языковых моделей (LLM).Курс объединяет теоретические основы машинного обучения с практической разработкой. Вы изучите нейронные сети, генеративные модели, архитектуру трансформеров, технологии RAG, векторные
Узнать больше о LLM (большие языковые модели)
Какие задачи решают большие языковые модели?
LLM хорошо работают с любым текстом: пишут и редактируют тексты, переводят, суммируют длинные документы, отвечают на вопросы по переданному контексту. Они классифицируют обращения и извлекают данные из писем, договоров и счетов в структурированный формат, например JSON. Модели пишут и объясняют код, составляют SQL-запросы, помогают разбирать логи. Многие модели также работают с изображениями: читают скриншоты, таблицы и сканы. Отдельный класс задач — вызов инструментов, когда модель решает, какую функцию программы вызвать и с какими параметрами. На этом строятся ассистенты и агенты.
В каких задачах LLM справляются хорошо, а где ошибаются?
Модели сильны там, где важен язык и допустима проверка человеком: черновики текстов, перевод, суммаризация, извлечение данных из неструктурированных документов, генерация кода с тестами. Слабые места — точные вычисления, подсчеты, задачи на строгую логику с большим числом шагов и факты, которых нет в контексте: модель может их выдумать. Она не знает событий после окончания обучения и может по-разному ответить на один вопрос. Поэтому для критичных решений ответы модели проверяют программно или вручную, а нужные факты передают в контексте и не полагаются на память модели.
Чем базовая модель отличается от инструктивной?
Базовая модель обучена только предсказывать следующий токен на большом объеме текста. Она продолжает текст, а не выполняет просьбы: на вопрос может ответить списком похожих вопросов. Инструктивная модель прошла дополнительное обучение на примерах диалогов и инструкций, а также обучение с учетом предпочтений людей, поэтому следует указаниям, держит формат и отказывается от вредных запросов. В чатах и через API почти всегда используют инструктивные версии. Базовые модели нужны в основном исследователям и тем, кто дообучает модель под свою задачу и хочет полностью контролировать ее поведение.
Что нужно знать, чтобы начать работать с LLM осознанно?
Для использования через API достаточно базового программирования на Python или JavaScript и понимания нескольких понятий: токен, контекстное окно, температура, системный промпт, структурированный вывод. Полезно на практике сравнить ответы нескольких моделей на одних и тех же задачах. Чтобы понять устройство моделей глубже, нужны основы линейной алгебры и теории вероятностей, знакомство с нейросетями и PyTorch, затем архитектура трансформера и механизм внимания. Для дообучения добавляются навыки подготовки данных и знакомство с методами вроде LoRA, которые позволяют дообучать модели на одной видеокарте.
Кто работает с языковыми моделями и в каких ролях?
С LLM работают очень разные специалисты. Разработчики и AI-инженеры встраивают модели в продукты через API. ML-инженеры и исследователи дообучают модели, оценивают их и оптимизируют инференс. Дата-аналитики используют модели для разметки и разбора текстовых данных. Специалисты по промптам и контенту настраивают поведение ассистентов и проверяют качество ответов. Внутри компаний языковые модели применяют в поддержке, обработке документов, маркетинге, внутреннем поиске и разработке. Даже если человек не обучает модели сам, понимание их устройства помогает ставить задачи реалистично и замечать ошибки.