Большие языковые модели для всех: от основ к практическому применению (издание 2026 года)
Этот курс представляет собой доступное и практическое введение в большие языковые модели (LLM), такие как ChatGPT и Gemini. Разработанный для учащихся любого уровня подготовки, он объясняет, как работают LLM на высоком уровне, что они могут и не могут делать, а также как эффективно использовать их в учебе, работе и повседневной жизни. Через практические демонстрации и пошаговые упражнения вы узнаете техники составления запросов, как критически оценивать результаты, как справляться с вымышленными данными и предвзятостью, а также как безопасно и ответственно использовать распространенные инструменты (например, документы, резюме, перевод, обработка данных). По завершении курса вы сможете создать собственную «рабочую процедуру с использованием LLM» для реальных задач — написания текстов, исследований, планирования и повышения продуктивности — без необходимости продвинутого программирования.
Обзор курса
Краткое содержание
Этот курс представляет собой дружелюбное для новичков, прикладное введение в большие языковые модели (LLM), такие как ChatGPT и Gemini. Разработанный для студентов любого уровня подготовки, он объясняет, как работают LLM на высоком уровне, что они могут и не могут делать, и как эффективно использовать их в учебе, работе и повседневной жизни. Через практические демонстрации и пошаговые упражнения вы научитесь техникам промптинга, критическому оцениванию результатов, работе с галлюцинациями и предвзятостью, а также безопасному и ответственному использованию распространенных инструментов (например, документов, резюме, переводов, обработки данных). По завершении курса вы сможете создать персональный «рабочий процесс с использованием LLM» для реальных задач — написания, исследований, планирования и повышения производительности — без необходимости продвинутых навыков программирования.
От фундаментальной математической логики до распределённой организации агентов: формирование передовых системных архитекторов эпохи крупных моделей.
Цели обучения
- Когнитивные: Понимание математических основ машинного обучения (линейная алгебра, математический анализ, теория вероятностей) и исторического развития нейронных архитектур от Перцептронов до LSTMs.
- Навыковые: Навигация по удалённым серверам с помощью команд оболочки Unix и реализация простых вычислительных графов с использованием движков автоматического дифференцирования.
- Аффективные: Оценка важности «теоретической базы» по сравнению с «предварительными абстракциями» при отладке сложных систем, таких как взрывы градиентов.
- Сгенерировано
- Когнитивные: Объяснение механизмов постобучения, включая различие между обучением с поддержкой (SFT) и фреймворками усиления обучения (RL), такими как GRPO.
- Навыковые: Проектирование многоэтапного обучающего процесса — от холодного старта до окончательной согласованности — с использованием методов параметроэффективного дообучения (PEFT), таких как LoRA.
- Аффективные: Оценка смены парадигмы — от восприятия ИИ как «волшебной чёрной коробки» к инженерной системе механических слоёв и осознанного внутреннего мышления.
- Когнитивные: Сравнение линейных интеграционных фреймворков с циклическими, графо-ориентированными организациями и различие между вертикальными (MCP) и горизонтальными (A2A) протоколами интеграции.
- Навыковые: Определение специализированных узлов и условных рёбер с использованием принципов теории графов и реализация сервера MCP с помощью FastMCP для подключения агентов к внешним данным.
- Аффективные: Оценка важности «циклического выполнения» и управления состоянием при имитации сложных человеческих когнитивных процессов.