Перейти к основному содержимому
ОБЯЗАТЕЛЬНОДЛЯ НОВИЧКОВВ РАЗРАБОТКЕ

О разделе

Длинные листинги (от ~15 строк) вынесены в каталог code.spirzen.ru и подгружаются в статьях через ExternalCodeEmbed — Python, C#, Java, YAML, JSON и другие фрагменты не раздувают HTML энциклопедии. Короткие примеры и диаграммы mermaid остаются в markdown; интерактив — в play.spirzen.ru.

Раздел про реальные технологии — машинное обучение, нейросети, языковые модели и их внедрение — без мифа про "разумную машину из фильма". Маркетинговый ярлык "ИИ" и инженерная дисциплина здесь разведены явно.

Как читать​

Маршрут «только LLM, без ML» (школа, гуманитарий, менеджер):

  1. Что такое ИИ на самом деле → Мифы и реальность.
  2. Как выбрать модель и сколько стоит ИИ.
  3. ИИ в учёбе или ответственное использование.
  4. Большие языковые модели, Контекст, Prompt engineering — библиотека.

Полный маршрут для разработчика:

Математика → NumPy → DL (рекомендуется перед нейросетями): 341 — виды мат. наук → 34 — LA → 342 — векторы → 343 — матрицы → 337 — NumPy + Lab 1129 → 33 — pandas → 319 — Matplotlib.

  1. Что такое ИИ на самом деле — термины, перцептрон, трансформер, ограничения LLM; мифы.
  2. История ИИ и классификация моделей.
  3. Машинное обучение — типы обучения, датасеты, метрики; практика — Scikit-learn, разбиение выборки; подготовка таблиц — Data Science, раздел про ML.
  4. Нейрон — веса, слои, функции активации; перцептрон на NumPy (ступенчатый персептрон, ландшафт MSE, градиентный спуск); архитектуры Dense/CNN/LSTM; Keras и TensorFlow (MNIST 6×6, CIFAR-10, Fashion MNIST, TensorBoard, Colab) или практикум MNIST на PyTorch; табличный ML — Lab 1157 Titanic, Lab 1158 spam; подготовка таблиц — Lab 1148; маршрут «курс ML» — 6-02/21; сквозные DL-проекты — практикум в Colab; распознавание лиц, объектов и текста.
  5. Трансформеры и NLP — задачи NLP, архитектура Transformer, реализация с нуля, fine-tuning, обзор BERT/GPT/T5, практика с Hugging Face (в т.ч. русский), тренды 2018–2021, мультимодальность.
  6. Большие языковые модели — LLM, цепочка "текст → токены → эмбеддинги", инференс; Reasoning-модели, российские нейросети, выбор модели, стоимость; локальный тюнинг скорости — Оптимизация локального инференса LLM; затем RAG, MCP и агенты — три слоя, типы интеллектуальных агентов, агенты ИИ и MCP-серверы (связь с классическим API).
  7. Генерация кода — ChatGPT, Gemini, DeepSeek — практика для разработчика; первый вызов API — OpenAI / API — готовые промпты и вызовы, шаблоны промптов — Prompt engineering — библиотека.
  8. Вайб-кодинг, практический AI-стек, Claude Code и нейрослоп — риски "кода по наитию", сборка продуктов и агентная разработка в терминале.
  9. Цифровые инструменты без ручного кодинга — конструкторы, агенты, деплой.
  10. Семь слоёв LLM-стека — каркас от данных до продукта.
  11. MLOps — слои 1–3 и AgentOps — слои 4–7 — эксплуатация всего стека.
  12. AgentOps в DevOps — CI/CD, multi-agent, инструменты.
  13. Разработка ИИ-решений — API, RAG, галлюцинации, развёртывание; function calling и structured output, GraphRAG и agentic RAG; облачные Cognitive Services.
  14. Практикум — проекты по ИИ — карта обучения и внешние runnable-проекты (RAG, агенты, OCR) после теоретических глав.
  15. Применение в бизнесе — критерии зрелости продукта и риски; ИИ и право в РФ, ИИ в учёбе.
  16. Монетизация цифровых продуктов с ИИ — модели дохода для автора и фрилансера.
  17. Безопасность при работе с ИИ — обзор, OWASP LLM Top 10, RAG/MCP, агенты, supply chain; перекрёстно с информационной безопасностью.

Статья Контекст — углубление в промпты, эмбеддинги и контекстное окно; её удобно читать после базового введения в LLM. Закрепить messages, system prompt и вызов из кода — OpenAI / API — готовые промпты и вызовы.

Последнее обновление
Содержание