Специалист по ИИ [proglib.academy] [Никита Зелинский, Мария Жарова]

Топикстартер · 24 сен 2026

Складчина: Специалист по ИИ [proglib.academy] [Никита Зелинский, Мария Жарова]

Получи профессию в сфере ИИ
Собери портфолио из 5 реальных проектов и дипломной работы
Начни разрабатывать сложных ИИ-агентов с нуля за 8 месяцев
Получи сертификат о прохождении специализации

Тебе точно подойдёт этот курс, если ты:

Новичок без опыта в IT
Только начинаешь путь в Data Science или хочешь освоить востребованную профессию с нуля.

Действующий Data Scientist, ML-инженер
Желаешь систематизировать или дополнить знания и расти в карьере.

Опытный разработчик
Хочешь выйти за рамки разработки и применить свои навыки в ИИ и анализе данных.

Студент и выпускник
Технических и естественнонаучных специальностей, и хочешь расширить свой пул компетенций.

Желаешь сменить профессию
Хочешь сменить профессию, освоить новую сферу и перейти в IT

Ключевые навыки:

Программирование на Python

Применение математических методов для анализа данных

Построение ML-моделей от самых базовых линейных вариаций до продвинутых рекомендательных систем

Разработка AI-агентов и интеграция их с внешними сервисами

Программа

1. Основы Python
2. Математика для DS
3. Машинное обучение
4. Разработка AI-агентов

Установка программного обеспечения

Знакомство с Рython. Компилятор и интерпретатор.

Запрос данных у пользователя. Функция input

Тестовые задания и задачи

Операции с целыми и вещественными числами

Типы данных

Переменные

Логические операции. Операции сравнения.

Условия if/else.

Тестовые задания и задачи

Базовая работа со строками.

Методы split и join.

Остальные методы строк.

Тестовые задания и задачи

Базовая работа со списками. Метод append

Методы списков.

Срезы списков и строк.

Цикл while.

Тестовые задания и задачи

Цикл for. Функции range() и print().Инструкции break и continue

Цикл for. Функция enumerate(). Вложенные циклы.

Генераторы списков.

Тестовые задания и задачи

Функции.

Словари.

Работа с файлами.

Модули

Библиотеки.

Тестовые задания и задачи

Создание бота для телеграм.

Парсинг веб-страниц

Бонусные материалы

Итоговый проект

1. Векторы и матрицы, операции с ними
Теория:

Разберём, что такое векторы и матрицы, их базовые свойства.

Поймём, что такое определитель, ранг и обратимость

Разберем правила умножения и транспонирования

Практика:

В NumPy создадим массивы

Освоим различные операции над одномерными и двумерными массивами.

Результат:

Уверенно оперируете матрицами и векторами и понимаете, как эти знания применяются

Сможете решать задачи:

Реализовывать базовые матричные операции

Находить обратные матрицы/ранги матриц

Осуществлять линейные преобразования и решать СЛАУ.

2. Линейная регрессия и МНК

Теория:

Познакомимся с концепцией линейной зависимости

Построим модель линейной регрессии, разберём метод наименьших квадратов для поиска весов

Обсудим допущения и интерпретацию коэффициентов

Практика:

Реализуем МНК в NumPy и сравним со scikit-learn.

Научимся базовой подготовке данных и валидации моделей.

Результат:

Умеете обучать, интерпретировать и оценивать линейную модель.

Сможете решать задачи:

Строить простые прогностические модели, оценивать их качество.

3. Матричные разложения
Теория:

Познакомимся с собственными значениями/векторами и их смыслом.

Изучим SVD: разложение, применение к снижению размерности и построению рекомендательных систем.

Практика:

Реализуем SVD в NumPy

Снизим размерность данных

Построим рекомендательную систему

Результат:

Понимаете, когда и как применять матричные разложения.

Сможете решать задачи:

Снижать размерность данных

Фильтровать шум

Реализовывать рекомендательные системы

4. Функция одной переменной, пределы
Теория:

Вспомним определения функции, области определения, множества значений.

Научимся вычислять пределы и узнаем их основных свойства.

Обсудим непрерывность и типы разрывов.

Практика:

Вычислим типовые пределы (алгебраические приёмы, эквивалентности)

Изучим поведение функции около точки.

Результат:

Умеете находить пределы и распознавать непрерывность.

Сможете решать задачи:

Задачи на пределы и реализацию классификации разрывов.

5. Экстремумы и ФНП (функции нескольких переменных)
Теория:

Производная и критические точки, критерии минимума/максимума.

Функции нескольких переменных, частные производные, градиент.

Практика:

Научимся искать экстремумы, вычислять производные для функций нескольких переменных.

Результат:

Понимаете, как устроены локальные экстремумы в одномерном и многомерном случае.

Сможете решать задачи:

Оптимизировать простые функции

6. Оптимизация и интегрирование
Теория:

Разберём идею градиентного спуска: поговорим про шаг, сходимость и критерии остановки.

Освежим знания про интегралы и методы интегрирования.

Практика:

Реализуем градиентный спуск.

Посчитаем простые интегралы.

Результат:

Умеете реализовывать простые оптимизационные алгоритмы и считать интегралы.

Сможете решать задачи:

Прикладные задачи оптимизации в ML и оценивать площади/средние величины по кривым.

7. Математический анализ: практика
Теория:

Свяжем производную функции потерь и направление наискорейшего убывания

Рассмотрим MSE и его градиент.

Практика:

С нуля построим линейную регрессию с помощью градиентного спуска.

Результат: Получите рабочий пайплайн с чистым, воспроизводимым кодом.

Сможете решать задачи: Обучать модели на своих данных, диагностировать и улучшать качество.

8. Введение в теорию вероятностей
Теория:

События, аксиомы вероятности, условная вероятность и формула полной вероятности.

Формула Байеса и интуиция Наивного Байесовского Классификатора.

Практика:

Смоделируем вероятностные эксперименты, оценим частоты, реализуем наивный Байес (NumPy) и сравним с sklearn.

Результат:

Уверенно оперируете вероятностями и Байесовским выводом на простых задачах.

Сможете решать задачи:

Классификацию на NB, задачи на условные/полные вероятности.

9. Случайные величины
Теория:

Дискретные и непрерывные СВ,математическое ожидание, дисперсия, ковариация.

Базовые распределения: Бернулли, Биномиальное, Пуассон; Равномерное, Нормальное, Экспоненциальное.

Практика:

Генерируем выборки в NumPy/SciPy, строим гистограммы/плотности, сравниваем теоретические и выборочные моменты.

Результат: Понимаете выбор распределения под задачу и умеете оценивать его параметры.

Сможете решать задачи: Моделирование, оценка рисков/вероятностей, расчёт ожиданий и вариативности на данных.

10. Основы статистики и проверки гипотез
Теория:

Нулевая/альтернативная гипотезы, ошибки I/II рода, p-value и доверительные интервалы.

t-тесты для одной и двух выборок и их предпосылки.

Практика:

Считаем доверительные интервалы, проводим t-тесты, интерпретируем результат и силу эффекта

Смотрим влияние размера выборки.

Результат:

Грамотно формулируете и проверяете гипотезы, делаете статистически корректные выводы.

Сможете решать задачи:

A/B-тесты, сравнение средних/пропорций и принятие решений на основе данных.

Введение в машинное обучение
Теория:

Познакомимся с базовыми понятиями и терминологией ML

Изучим основные типы задач

Разберём различия между обучением с учителем, без учителя и обучением с подкреплением

Практика:

Научимся отличать типы задач друг от друга и формулировать бизнес-задачи под ML

Проанализируем примеры датасетов и определим подходящие типы алгоритмов

Изучим базовые метрики для оценки качества различных типов задач

Результат:

Понимать фундаментальные концепции машинного обучения, уметь классифицировать задачи по типам.

Сможете решать задачи:

определение типа ML-задачи для бизнес-кейсов, выбор подходящих алгоритмов для различных предметных областей, формулировка технического задания для ML-проектов.

Линейные модели: регрессия
Теория:

Изучим линейную регрессию как основу предсказательного моделирования и её математическую формулировку

Разберём функции потерь и метрики качества регрессии: MSE, MAE, R², RMSE

Рассмотрим основы градиентного спуска как метода оптимизации и концепцию переобучения

Практика:

Реализуем линейную регрессию

Научимся интерпретировать коэффициенты модели

Результат:

Понимать принципы работы линейной регрессии, уметь применять градиентный спуск для оптимизации.

Сможете решать задачи:

предсказание цен на недвижимость, прогнозирование продаж, оценка стоимости автомобилей, анализ зависимости зарплаты от опыта работы.

Градиентный спуск и его модификации
Теория:

Изучим различные варианты градиентного спуска

Познакомимся с методами регуляризации L1 и L2 для предотвращения переобучения

Разберём продвинутые оптимизаторы: Adam, RMSprop и стратегии настройки гиперпараметров

Практика:

Сравним производительность различных вариантов градиентного спуска на практических задачах

Реализуем регуляризацию L1 и L2, изучим их влияние на отбор признаков

Поэкспериментируем с различными значениями гиперпараметров

Результат:

Понимать различия между методами оптимизации, уметь выбирать подходящие гиперпараметры.

Сможете решать задачи:

отбор важных признаков в высокоразмерных данных, ускорение сходимости алгоритмов машинного обучения.

Линейные методы классификации
Теория:

Изучим логистическую регрессию и сигмоидную функцию активации

Разберём метрики качества классификации: accuracy, precision, recall, F1-score, ROC-AUC

Рассмотрим проблему несбалансированных классов и основы многоклассовой классификации

Практика:

Реализуем логистическую регрессию и интерпретируем её вероятностные предсказания

Построим и проанализируем матрицу ошибок, научимся выбирать оптимальный порог классификации

Поработаем с несбалансированными данными: техники семплирования, взвешивание классов

Результат:

Понимать принципы классификации, уметь оценивать качество моделей

Сможете решать задачи:

детекция спама в электронной почте, медицинская диагностика по симптомам, определение кредитоспособности клиентов

Методы опорных векторов (SVM)
Теория:

Изучим концепцию максимизации отступа и роль опорных векторов в построении модели

Познакомимся с особенностями решения нелинейно разделимых задач

Разберём различные типы ядер и параметр регуляризации

Практика:

Реализуем линейный SVM

Поэкспериментируем с различными ядрами для решения нелинейных задач

Настроим гиперпараметры SVM с использованием кросс-валидации

Результат:

Понимать геометрическую интерпретацию SVM, уметь применять различные ядра для нелинейных задач.

Сможете решать задачи:

классификация текстов и документов, распознавание рукописных символов, задачи биоинформатики

Нелинейные методы классификации
Теория:

Изучим общие подходы к построению нелинейных разделяющих поверхностей

Разберём полиномиальные признаки и различные способы создания нелинейности

Рассмотрим проблему размерности и методы регуляризации в нелинейных методах

Практика:

Создадим полиномиальные признаки для линейных алгоритмов

Сравним производительность линейных и нелинейных подходов на синтетических данных

Применим различные методы регуляризации для контроля сложности нелинейных моделей

Результат:

Понимать принципы создания нелинейных моделей, уметь контролировать сложность модели.

Сможете решать задачи:

классификация сложных паттернов в данных, анализ нелинейных зависимостей в финансовых временных рядах

Решающие деревья
Теория:

Изучим принципы построения решающих деревьев и критерии разбиения: энтропия, индекс Джини

Разберём алгоритмы ID3, C4.5, CART и критерии остановки роста дерева

Рассмотрим методы обрезки деревьев и интерпретируемость как ключевое преимущество

Практика:

Реализуем построение решающего дерева с различными критериями разбиения

Визуализируем структуру деревьев и интерпретируем правила принятия решений

Поэкспериментируем с гиперпараметрами для контроля переобучения

Результат:

Понимать алгоритмы построения деревьев, уметь интерпретировать модели и извлекать бизнес-правила.

Сможете решать задачи:

создание экспертных систем принятия решений, автоматизация бизнес-процессов, медицинская диагностика с объяснимыми правилами, кредитный скоринг с прозрачными критериями.

Ансамблевые методы: бэггинг и случайный лес
Теория:

Изучим концепцию ансамблевого обучения и метод бэггинга для снижения дисперсии

Разберём алгоритм случайного леса и случайный отбор признаков[

Познакомимся с разложением ошибки на bias и variance и методами оценки важности признаков

Практика:

Реализуем бэггинг на основе решающих деревьев

Построим модель случайного леса и настроим её гиперпараметры

Проанализируем важность признаков и используем её для отбора фичей

Результат:

Понимать принципы ансамблевого обучения, уметь применять бэггинг и случайный лес.

Сможете решать задачи:

прогнозирование в условиях высокой неопределённости, анализ важности факторов в сложных системах, обработка больших объёмов разнородных данных, повышение надёжности ML-систем.

Градиентный бустинг и современные реализации
Теория:

Изучим принципы градиентного бустинга и последовательное обучение слабых моделей

Разберём современные реализации: XGBoost, CatBoost, LightGBM и их особенности

Рассмотрим методы регуляризации и предотвращения переобучения в бустинге

Практика:

Реализуем простой градиентный бустинг

Поэкспериментируем с XGBoost, CatBoost и LightGBM на различных датасетах

Настроим гиперпараметры и применим продвинутые техники интерпретации

Результат:

Понимать принципы градиентного бустинга, уметь выбирать подходящую реализацию.

Сможете решать задачи:

сможете полноценно участвовать в соревнованиях по машинному обучению (Kaggle), реализовывать прогнозирование в бизнесе с высокой точностью, обрабатывать данные с категориальными признаками

Обучение без учителя: кластеризация
Теория:

Изучим основные методы кластеризации: K-means, иерархическая кластеризация, DBSCAN

Разберём метрики качества кластеризации и методы определения оптимального количества кластеров

Рассмотрим различные меры расстояния и их влияние на результаты кластеризации

Практика:

Реализуем алгоритм K-means и проанализируем его сходимость

Применим иерархическую кластеризацию и построим дендрограммы

Поэкспериментируем с DBSCAN для выявления кластеров произвольной формы

Результат:

Понимать принципы кластеризации, уметь выбирать подходящий алгоритм для конкретного типа данных.

Сможете решать задачи:

сегментация клиентов для маркетинга, группировка товаров в интернет-магазине, анализ социальных сетей, поиск аномалий в данных, исследовательский анализ данных без меток.

Понижение размерности и детектирование аномалий
Теория:

Изучим проблему проклятия размерности и метод главных компонент (PCA)

Познакомимся с альтернативными методами: LDA, t-SNE, UMAP для визуализации данных

Разберём методы детектирования аномалий: статистические, основанные на плотности

Практика:

Применим PCA для понижения размерности и визуализации данных

Сравним различные методы понижения размерности на высокомерных данных

Реализуем алгоритмы детектирования аномалий и оценим их производительность

Результат:

Понимать методы понижения размерности, уметь применять PCA для предобработки данных.

Сможете решать задачи:

сжатие изображений и видео, визуализация высокоразмерных данных, обнаружение мошеннических транзакций, поиск дефектов в производстве, мониторинг IT-систем на предмет аномалий.

Рекомендательные системы
Теория:

Изучим основные подходы: коллаборативная фильтрация user-based и item-based

Разберём контентные методы и гибридные подходы, сочетающие различные техники

Рассмотрим проблемы холодного старта, разреженности данных и современные методы их решения

Практика:

Реализуем коллаборативную фильтрацию на основе пользователей и товаров

Построим контентную рекомендательную систему с использованием признаков товаров

Применим методы матричного разложения для рекомендаций

Результат:

Понимать архитектуру рекомендательных систем, уметь выбирать подходящий метод для предметной области.

Сможете решать задачи:

создание рекомендаций товаров в e-commerce, персонализация контента в стриминговых сервисах, рекомендации друзей в социальных сетях, подбор вакансий для соискателей, персонализированная реклама.

ИИ-агенты в 2026
Теория:

Вы узнаете, чем настоящий ИИ‑агент отличается от обычного чат‑бота и «просто большой модели».

Разберём, как выбирать модели под задачу: по качеству, стоимости, длине контекста, скорости ответа и возможностям вызова инструментов.

Поймёте, где агенты реально приносят бизнес‑результат: в автоматизации браузера и десктопа, оркестрации API и рутинных операциях.

Также посмотрим на актуальные бенчмарки.

Практика:

На практике вы запустите локальные модели (Llama, Mistral) через Ollama или vLLM, настроите режимы работы и выберете подходящие инструменты под конкретную задачу.

Управление «мышлением» агента
Теория:

Вы научитесь управлять тем, «насколько сильно» агент думает над задачей: когда нужен глубокий анализ, а когда достаточно быстрого ответа.

Разберём, как задавать лимиты по шагам, времени и стоимости, чтобы агент не уходил в бесконечные циклы и не сжигал бюджет.

Поймёте, как строить авто‑маршрутизацию: сначала дешёвая модель, а при необходимости — более «умная» и дорогая.

Практика:

На практике вы настроите лимиты и маршрутизацию между моделями, отладите цепочки рассуждений и точки, где агент «переходит на следующий уровень» качества.

RAG-системы
Теория:

Вы узнаете, что такое Agentic RAG и GraphRAG, и в каких случаях они действительно нужны.

Разберём, что кроме простого векторного поиска можно делать: расширять запрос, делать многошаговый поиск, искать по родительским документам.

Поймёте, как правильно предобрабатывать данные: добавлять метаданные, версии, убирать дубли и готовить данные «как для продакшна».

Обсудим, как работать с «грязными» документами: сканами, таблицами, неразборчивым текстом - как их правильно разбивать на чанки и собирать контекст.

Посмотрим на хранилища: Supabase/Postgres (pgvector), Qdrant/Weaviate, Redis (кэш, сессии, лимиты).

Отдельно затронем LlamaIndex как альтернативный стек для продвинутых RAG‑решений.

Практика:

На практике вы соберёте RAG‑пайплайн на больших и неоднородных данных и сравните несколько подходов: собственный векторный поиск, LlamaIndex и другие инструменты.

Структурный вывод и типизация PydanticAI
Теория:

Вы поймёте, как писать агентов «по схеме»: задавать типы и схемы ответов, а не парсить JSON вручную.

Узнаете, как заставить агента рассуждать в рамках схемы (schema‑guided reasoning).

Научитесь как передавать контекст, права и ключи через зависимости, а не через промпт, и как строить циклы валидации: как сделать, что если ответ не прошёл проверку, то агент сам его исправляет.

Практика:

На практике вы опишете схемы для инструментов и ответов агента, настроите циклы валидации и самокоррекции.

Управляем компьютером с помощью агента
Теория:

Вы узнаете, как управлять браузером и десктопом без API — через legacy‑софт и старые кабинеты.

Разберём, как добавлять визуальные подтверждения перед рискованными действиями и как безопасно запускать агента: изоляция, минимальные права, контроль доменов и действий.

Практика:

На практике вы соберёте первого агента‑«робота‑человека», который выполняет рутинные операции в браузере или на десктопе, и настроите подтверждения и ограничения на опасные действия.

Пишем первого AI-агента
Теория:

Вы узнаете, как быстро собрать прототип агента визуально, используя LangFlow, чтобы проверить идею без написания кода.

Разберём, как перейти от прототипа к продакшен‑решению на LangGraph: описывать состояния, ветвления и повторы в виде кода.

Поймёте, как связывать агента с внешними системами через триггеры, webhook‑и и расписания, превращая его в «клей» между сервисами для MVP.

Познакомитесь с готовыми конструкторами: OpenAI Agent Builder и Yandex AI Studio, и посмотрите обзор альтернатив — Vertex AI Agent Builder, Bedrock Agents, Copilot Studio, Dify/Flowise.

Практика:

На практике вы соберёте MVP‑агента сначала в визуальном конструкторе, затем перенесёте его логику в код на LangGraph и подключите к внешним сервисам через триггеры и интеграции.

Цена 55000 руб.
Скрытая ссылка