Учимся: 3 курса по ML от Школы аналитики данных Яндекса

Недавно слушала подкаст про обучение айтишников в вузах и на курсах образовательных платформ. Главная мысль: выпускникам вузов не хватает практики, а выпускникам курсов — системного мышления и базовых знаний, например, математики. Курсы по матану я не искала, но нашла такие, где без теории не обойтись. Так что, возможно, придется погуглить и освежить знания)

1️⃣Курс по ML для обработки естественного языка в ШАД и дополнение к нему.

2️⃣ Онлайн-учебник по ML от ШАД
⚫️Что нужно: уверенное владение линейной алгеброй, матаном и теорией вероятностей будет большим плюсом. Знания статистики и методов выпуклой оптимизации сделают чтение комфортнее.

⚫️Что включено: от классических алгоритмов (линейные модели, деревья, градиентный бустинг) до современных нейросетей (трансформеры, диффузионные модели) и сложных разделов вроде байесовских методов, обучения с подкреплением и теоретических основ ML. Есть практика и лабораторные — решение ML-задач в DataSphere.

3️⃣ Курс лекций профессора Воронцова по машинному обучению (курс читают студентам МГУ, МФТИ и ШАД). Здесь снова упор делается на глубокое понимание математических основ и взаимосвязей.

Кому: если у вас в штате джун после курсов занимается ИИ — ему подойдет. Да и всем остальным ML — освежить знания. #учимся

Как считаете, для задач генеративного проектирования понимание основ — критично?

👍 — да, 👎 — нет

Учимся: Стэнфордский курс «Language Modeling from Scratch» — это практический курс для тех, кто хочет понять и построить LLM самостоятельно — от сбора и очистки данных до тренировки, оптимизации и развёртывания.

В программе пять домашних заданий: реализация трансформера, кастомный FlashAttention 2, распределённая тренировка, анализ законов масштабирования, фильтрация данных и обучение с подкреплением. Для прохождения курса нужны знания Python, тервера, матана и линейной алгебры, опыт работы на PyTorch.

Да, обучить с нуля LLM мало кто может себе позволить из российских компаний, но никто не запрещает грызть гранит науки.

Лекции — на Ютубе.
Материалы — на Гитхабе.

Вы знаете, кому переслать📝
#учимся

Команда Института AIRI представила модель Vintix — отечественную SOTA action-модель для управления роботами и промышленными процессами

⚫️Модель сжимает данные о состоянии среды, действии и награде в один токен. За счёт этого она обрабатывает в 3 раза больше информации, чем аналоги.

⚫️Устойчива к шуму и неполной информации, что важно для промышленности, где данные могут быть задержаны или частично отсутствовать.

Vintix сохраняет стабильность даже в таких условиях, в отличие от GATO (DeepMind) или JAT (Hugging Face), которые требуют четких входных данных.

⚫️Модель имитирует обучение с подкреплением (RL), быстро адаптируясь к новым задачам — от конвейеров до автономных роботов.

Подробнее — в статье, а репозиторий — на Гитхабе.
#учимся

10 курсов по ИИ, ML и работе с данными с платформы Coursera —подборка программ от ведущих зарубежных технических вузов и компаний мира — DeepLearning.АI, Стэнфорда, MIT, Microsoft, IBM

Для новичков и нетехнарей
🔵AI For Everyone — базовый курс по ИИ без сложной математики.
🔵Prompt Engineering Basics — учимся правильно формулировать запросы для ИИ.

Для аналитиков и инженеров данных
🔵Generative AI for Data Analysts — курс по использованию ИИ для анализа данных.
🔵Generative AI for Data Engineers — курс по работе с данными с использованием ИИ.
🔵Generative AI for Data Scientists — повышение квалификации для датасайнтистов.

Для разработчиков, ML-специалистов и продактов
🔵Microsoft AI Product Manager — как создать ИИ-продукт за 3 месяца: от исследования рынка и запросов заказчика до выхода с готовым сервисом.
🔵Generative AI with LLMs — как работают большие языковые модели и как их создавать.
🔵IBM AI Developer — 6-месячная программа по ИИ-разработке — от чат-ботов до приложений.
🔵Machine Learning Specialization — курс по машинному обучению от Andrew Ng.
🔵Deep Learning Specialization — углубленное изучение нейросетей и архитектур (сверточным и рекуррентным), регуляризации и другим продвинутым техникам.

Курсы бесплатные, но за сертификаты о прохождении могут потребовать оплату. Все через ВПН. #учимся

Как создать ИИ-ассистента за 5 минут — поделился Александр Попов, технический директор Signal

Продолжаем тему автоматизации.

Какие инструменты и зачем понадобятся
🔴Телеграм — здесь живет ваш бот.
🔴n8n.io — no-code-платформа, с её помощью можно автоматизировать связку из разных сервисов. Например, принимать сообщения из Телеграм, отправлять их в нейросеть и возвращать ответ обратно в чат. Всё настраивается визуально, через удобный интерфейс.
🔴ИИ — подготавливает и дает ответ. Можно использовать определенную, например, от OpenAI либо же платформу с множеством моделей. Так, у Openrouter.ai для разных нейросетей единый API — это удобно для тестирования и выбора оптимальной под задачу.
🔴supabase.com хранит контекст и ваши данные. Это облачная БД, похожая на Google Sheets или Excel, только мощнее и с поддержкой автоматизации. Здесь хранится история переписки с ботом, контекст общения и другая нужная информация для работы ассистента.

Как сделать ИИ-помощника
1️⃣ Создайте бота в Телеграме в @BotFather по инструкциям. Получите и сохраните токен — он понадобится для настройки n8n.
2️⃣ Получите доступ к нейросети. Зарегистрируйтесь на Openrouter.ai или OpenAI и получите API-ключ.
3️⃣ Настройте свою базу данных на supabase.com. Создайте таблицу для хранения истории переписки или векторную таблицу для хранения базы знаний, по которой должен искать ИИ-агент, и подключите аккаунт supabase в n8n.

4️⃣ Зарегистрируйтесь и создайте воркфлоу на n8n.
🔵Настройте приём сообщений (Webhook).
🔵Добавьте ноды: для Телеграма (вставьте токен бота), отправки текста в нейросеть (введите API-ключ), получения ответа от нее, отправки ответа обратно в Телеграм, для Supabase и сохранения сообщений.
5️⃣ Проверьте работу бота — напишите ему сообщение, убедитесь, что он отвечает, а история сохраняется в Supabase.

Всё можно развернуть на своём сервере — и n8n, и нейросеть (например, Ollama). Минимально для бота на команду из 50 человек, которые обращаются к сервису раз в 5 минут, нужно 16 ГБ ОЗУ, 4 ядра, 50 ГБ SSD.

Бот готов и может принимать сообщения в Телеграм, отправлять их в нейросеть, возвращать ответы и хранить всю переписку для анализа.

Подробнее — в прикрепленной презентации.
#учимся

#агенты

#Учимся — бесплатный курс от Microsoft по Model Context Protocol (MCP)

Microsoft запустил бесплатный курс по MCP — протоколу для стандартизации взаимодействия между ИИ-моделями и клиентскими приложениями.

Содержание курса
🔵Архитектура MCP: клиент-серверная модель, структура сообщений, безопасность.
🔵Начало работы: настройка среды, создание первого MCP-сервера и клиента, интеграция с приложениями.
🔵Практический проект MCP-калькулятора: как ИИ-агент выполняет вычисления через внешний инструмент.
🔵Практическая реализация: использование готовых SDK для быстрой разработки на популярных языках, отладка, тестирование и создание шаблонов запросов.
🔵Продвинутые темы: мультимодальные ИИ, масштабируемость, интеграция в корпоративные системы.
🔵Опыт пользователей: реальные кейсы, оптимизация, отказоустойчивость и лучшие практики.

Требования: базовые знания хотя бы одного языка программирования (рекомендуется C#, Java или Python) и общее представление о том, как работают клиент-серверные приложения или API. Знакомство с концепциями ML необязательно.

Курс на Гитхабе

Cartesian.app — интерактивный учебник по алгоритмам и структурам данных, рассчитанный на самостоятельное онлайн-обучение

В нем более 700 страниц теории, сотни визуализаций и возможность писать и запускать код прямо в браузере. Учебник ориентирован на практику: сложные темы объясняются наглядно с помощью инфографики, а каждую идею можно тут же опробовать на практике.

⚫️Код можно редактировать и запускать прямо в тексте учебника.
⚫️Пошаговые визуализации: сложные алгоритмы и структуры данных сопровождаются анимациями и схемами.
⚫️Ясно и понятно — главное, знать английский язык.

Чему можно научиться
⚫️Реализовывать базовые и продвинутые алгоритмы (сортировки, поиск, динамическое программирование, графовые алгоритмы и др.).
⚫️Работать с основными структурами данных: массивы, списки, деревья, хеш-таблицы, графы.
⚫️Анализировать эффективность алгоритмов (асимптотика, сложность по времени и памяти).
⚫️И многому другому.

Подойдет новичкам и не только. Работает по VPN. Вы знаете, кому переслать➡️

#учимся

#учимся Self-RAG: умный поиск с самоконтролем

Когда вы создаёте чат-бота для поиска по внутренним документам — по базе знаний, кадровой политике, технической документации или нормативке — главное требование — точность ответов. Для проектировщиков — особенно.

Изначально для таких задач была придумана RAG, которая по запросу пользователя ищет релевантные фрагменты в векторной базе, передает их LLM, которая на их основе генерирует ответ.

В 2023 году исследовательская группа из Google и Университета Карнеги-Меллона (CMU) предложила новую архитектуру.

Что такое Self-RAG
Авторы предложили обучить LLM не только генерировать текст, но и самостоятельно управлять процессом поиска (retrieve) и оценивать качество ответа (critic). Для этого — использовать обучающие сигналы в виде специальных токенов, встроенные в последовательность генерации.

Таким образом Self-RAG — это усовершенствованный подход к RAG, где языковая модель сама решает, когда нужен поиск, и оценивает качество своего ответа. Отличия от классического RAG — ниже:

🔵Обычный RAG: один запрос — один поиск — один ответ. Риск галлюцинаций снижен по сравнению просто с ответом от LLM, но все еще есть.

🔵В Self-RAG модель генерирует управляющие токены:
— retrieve — нужно больше данных → запускается поиск.
— critic — оценка достоверности ответа.

Токены добавляют модели способность «сомневаться». При сомнениях она может приостановить генерацию, запросить новые документы, перепроверить факты, перегенерировать весь ответ или его часть.

📎 Ограничения Self-RAG
Нужно учить на специально размеченных для рефлексии данных, плюс медленнее выдает ответ из-за нескольких итераций поиска.

Зачем это нужно
Снижает галлюцинации, повышает точность и доверие к ответам — особенно важно для корпоративных баз знаний, где критична достоверность. Self-RAG — это шаг на пути к более автономным и рефлексивным ИИ-агентам.

Где посмотреть
🔵Репозиторий Self-RAG от Акари Асаи, которая входила в группу авторов статьи выше.
🔵Еще вариант от langgraph (платформы для создания, управления и развертывания ИИ-агентов).