Как проверить, что материал усвоен?

После прохождения тем доступен зачёт по курсу «LLM для Python разработчика» — 20 случайных вопросов с порогом 80%. После зачёта открывается экзамен с развёрнутыми ответами и автоматической оценкой, приближённый к техническому собеседованию.

Курс «LLM для Python разработчика» бесплатный?

Да, курс полностью бесплатный: все 10 тем доступны без оплаты.

AI / ML10 тем80 вопросовуровень Middle, Senior

LLM для Python разработчика

Полный курс по разработке приложений с использованием больших языковых моделей (LLM) для Python разработчиков. Охватывает prompt engineering, function calling, fine-tuning, квантование, локальный запуск LLM, evaluation, оптимизацию inference, RAG, безопасность и LLMOps. Курс включает практические примеры интеграции с FastAPI.

Начать курс

LLM для Python-разработчика

Приложение с языковой моделью ломается не там, где обычное. Модель возвращает валидный JSON в девяти случаях из десяти, а в десятый — тот же JSON с вежливым предисловием перед ним. Отвечает быстро на коротких запросах и втрое дольше на длинных. Стоит копейки на тестах и заметных денег в проде. Курс — про инженерную часть этой работы, а не про то, как красиво попросить.

Десять тем. Начало — prompt engineering как техника: zero-shot и few-shot, chain-of-thought, ReAct, шаблоны промптов и их версионирование. Дальше function calling: описание инструментов, структурированный вывод, сценарии с несколькими инструментами подряд — то, из чего собирается агент.

Середина курса — про запуск моделей у себя. Fine-tuning с честным разбором, нужен ли он вам (чаще нет — нужен RAG): полное дообучение против LoRA и QLoRA, методы PEFT, подготовка датасета. Квантование — GGUF, GPTQ, AWQ, INT8 и INT4 и что теряется на каждом шаге. Локальный запуск через Ollama, llama.cpp и vLLM с прикидкой требований к железу.

Дальше то, без чего в продакшене нельзя: оценка качества — perplexity, BLEU, ROUGE, автоматические бенчмарки и границы каждого из них, потому что итоговым судьёй всё равно остаётся человек. Оптимизация inference: батчинг, кэш, спекулятивное декодирование. RAG и разбор развилки «дообучить или подать контекстом». Безопасность: prompt injection, обход ограничений, фильтрация вывода. И LLMOps — мониторинг, версии промптов и моделей, учёт расходов.

Примеры интеграции даются на FastAPI. Нужен Python; машинное обучение знать не требуется.

Prompt Engineering
Техники эффективного взаимодействия с LLM: zero-shot, few-shot, chain-of-thought, ReAct, prompt templates
8 вопросов
Function Calling
Интеграция внешних инструментов: tool use, структурированные выводы, API integration, multi-tool workflows
8 вопросов
Fine-Tuning
Адаптация моделей под домен: full fine-tuning vs LoRA vs QLoRA, PEFT методы, подготовка датасетов
8 вопросов
Квантование
Оптимизация размера и скорости: GGUF, GPTQ, AWQ, INT8/INT4, trade-offs accuracy vs speed
8 вопросов
Локальный запуск LLM
Запуск моделей локально: Ollama, LM Studio, llama.cpp, vLLM, требования к железу
8 вопросов
Оценка LLM
Метрики качества: Perplexity, BLEU, ROUGE, human evaluation, automated benchmarks
8 вопросов
Оптимизация inference
Ускорение работы: batching, caching, speculative decoding, continuous batching
8 вопросов
RAG Integration
Retrieval-Augmented Generation: когда использовать RAG vs fine-tuning, гибридные подходы
8 вопросов
Безопасность LLM
Защита от уязвимостей: prompt injection, jailbreaking, output filtering
8 вопросов
LLMOps
Эксплуатация в production: monitoring, versioning, deployment, cost tracking
8 вопросов
Зачёт
Доступен после всех тем (0 из 10)
Экзамен
Доступен после зачёта

35 / 35

Prompt (Промпт)

Prompt Engineering

Текстовый запрос к языковой модели, содержащий инструкцию, контекст и/или примеры для генерации ответа.

Пример

Переведи следующий текст на французский язык: 'Hello, world!'

Связанные термины

Частые вопросы о курсе «LLM для Python разработчика»

Состав курса, уровни, практика и способы проверки знаний.

Что входит в курс «LLM для Python разработчика»?

Курс включает 10 тем и 80 вопросов с разбором ответа. Начать можно с первой темы курса.

Для какого уровня рассчитан курс «LLM для Python разработчика»?

Маршрут охватывает уровни Middle, Senior. Темы расположены от основы к более сложным инженерным задачам, поэтому можно начать с подходящего места и не пропускать важные зависимости.

LLM для Python-разработчика

Prompt Engineering

Function Calling

Fine-Tuning

Квантование

Локальный запуск LLM

Оценка LLM

Оптимизация inference

RAG Integration

Безопасность LLM

LLMOps

Зачёт

Экзамен

Prompt (Промпт)

Zero-Shot Prompting

Few-Shot Prompting

Chain-of-Thought (CoT)

ReAct (Reason + Act)

Prompt Template

Function Calling

Tool Use

Structured Output

Fine-Tuning

LoRA (Low-Rank Adaptation)

QLoRA

PEFT (Parameter-Efficient Fine-Tuning)

Квантование

GGUF (GPT-Generated Unified Format)

GPTQ

AWQ (Activation-aware Weight Quantization)

llama.cpp

Ollama

vLLM

Perplexity

BLEU

ROUGE

Batching

Continuous Batching

Speculative Decoding

RAG (Retrieval-Augmented Generation)

Векторная база данных

Embeddings (Эмбеддинги)

Prompt Injection

Jailbreaking

Output Filtering

LLMOps

Monitoring (Мониторинг)

Cost Tracking

Частые вопросы о курсе «LLM для Python разработчика»