Stepik - LLM для Python-разработчиков - 2026

Creation Time	Oct. 1, 2026, 10:07 p.m.
Last Access Time	Oct. 15, 2026, 6 a.m.
File Size	13.3 MB
Keywords	Stepik - Python-разработчиков 2026 LLM для
Total Requests	174
Total Files	130
Magnet Link	Please wait ...
	Download (Magnet Link) Play (Watch Online)

2. Введение в LLM с нуля до первого запроса/2.4 Первый запрос к LLM/1. Первый запрос к LLM через Mistral API .docx 1.6 MB
2. Введение в LLM с нуля до первого запроса/2.4 Первый запрос к LLM/2. Первый запрос к LLM через OpenRouter API .docx 520.0 KB
7. Дообучение LLM без GPU и PhD/7.2 Дообучение через LoRA на бесплатной GPU (Google Colab)/4. Дообучение через LoRA .docx 314.4 KB
4. RAG Retrieval-Augmented Generation на практике/4.4 Защита от галлюцинаций и фильтрация ответов/3. Задачи .docx 297.6 KB
8. Multi-agent системы оркестрация и роли/8.3 Реализация на CrewAI/1. Реализация на CrewAI .docx 293.9 KB
3. Embeddings и векторные базы данных/3.7 Закрепление материала/2. Задачи .docx 256.2 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.6 Закрепление материала/2. Задачи .docx 243.7 KB
2. Введение в LLM с нуля до первого запроса/2.4 Первый запрос к LLM/4. Задачи .docx 243.5 KB
2. Введение в LLM с нуля до первого запроса/2.8 Закрепление материала/2. Задачи .docx 236.2 KB
4. RAG Retrieval-Augmented Generation на практике/4.2 RAG в продакшене переключение на Qdrant и асинхронность/3. Задачи .docx 231.8 KB
2. Введение в LLM с нуля до первого запроса/2.2 Осознанное взаимодействие с LLM промпты, параметры, security/3. Задачи .docx 209.6 KB
2. Введение в LLM с нуля до первого запроса/2.5 Установка и запуск LLM локально с помощью Ollama/3. Задачи .docx 197.7 KB
3. Embeddings и векторные базы данных/3.3 Создание и поиск по эмбеддингам с Chroma/3. Задачи .docx 188.4 KB
2. Введение в LLM с нуля до первого запроса/2.3 Выбор между облачными API и локальными моделями/3. Задачи .docx 168.4 KB
3. Embeddings и векторные базы данных/3.2 Векторные базы данных зачем они и как работают/3. Вопросы .docx 160.1 KB
4. RAG Retrieval-Augmented Generation на практике/4.3 Оценка качества RAG/3. Задачи .docx 158.0 KB
4. RAG Retrieval-Augmented Generation на практике/4.6 Stateful-агенты с LangGraph/3. Задачи .docx 157.1 KB
4. RAG Retrieval-Augmented Generation на практике/4.8 Закрепление финальный мини-проект/2. Полная реализации (рабочий код) .docx 155.8 KB
4. RAG Retrieval-Augmented Generation на практике/4.6 Stateful-агенты с LangGraph/1. Stateful-агенты с LangGraph .docx 155.3 KB
4. RAG Retrieval-Augmented Generation на практике/4.3 Оценка качества RAG/1. Оценка качества RAG .docx 149.5 KB
6. Локальные LLM запуск без облака и без GPU/6.2 Выбор модели под задачу не параметры, а измеримые метрики/1. Выбор модели под задачу .docx 147.1 KB
1. Введение/О курсе .docx 146.7 KB
6. Локальные LLM запуск без облака и без GPU/6.1 Когда локальные LLM — не просто «можно», а «нужно»/1. Когда локальные LLM .docx 144.8 KB
2. Введение в LLM с нуля до первого запроса/2.5 Установка и запуск LLM локально с помощью Ollama/1. Установка и запуск LLM локально с помощью Ollama .docx 143.4 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.1 Почему RAG ломается в продакшене/3. Задачи .docx 133.9 KB
3. Embeddings и векторные базы данных/3.4 Переход на Qdrant запуск через Docker и интеграция/3. Задачи .docx 124.8 KB
2. Введение в LLM с нуля до первого запроса/2.1 Что такое LLM/2. Вопросы .docx 123.8 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.2 Защита RAG от индексации до ответа/3. Задачи .docx 123.3 KB
4. RAG Retrieval-Augmented Generation на практике/4.7 Подготовка к продакшену логирование, мониторинг, безопасность/1. Подготовка к продакшену .docx 120.0 KB
3. Embeddings и векторные базы данных/3.5 Полезные практики чанкинг, метаданные, reranking/3. Reranking место в пайплайне и практическое применение .docx 119.9 KB
4. RAG Retrieval-Augmented Generation на практике/4.7 Подготовка к продакшену логирование, мониторинг, безопасность/3. Задачи .docx 119.7 KB
2. Введение в LLM с нуля до первого запроса/2.1 Что такое LLM/1. Что такое LLM .docx 119.1 KB
4. RAG Retrieval-Augmented Generation на практике/4.5 Введение в агентов LLM + инструменты (tools)/2. Подробнее про цикл .docx 118.2 KB
6. Локальные LLM запуск без облака и без GPU/6.4 Прямой inference через llama-cpp-python/1. llama-cpp-python полный контроль .docx 117.9 KB
4. RAG Retrieval-Augmented Generation на практике/4.5 Введение в агентов LLM + инструменты (tools)/1. Введение в агентов .docx 117.4 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.4 Оптимизация поиска reranking и multi-query/1. Оптимизация поиска в RAG .docx 116.6 KB
2. Введение в LLM с нуля до первого запроса/2.2 Осознанное взаимодействие с LLM промпты, параметры, security/1. Осознанное взаимодействие с LLM .docx 115.7 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.1 Почему RAG ломается в продакшене/1. Почему RAG ломается в продакшене .docx 115.5 KB
2. Введение в LLM с нуля до первого запроса/2.7 Эксперименты с промптами/1. Эксперименты с промптами .docx 115.0 KB
2. Введение в LLM с нуля до первого запроса/2.7 Эксперименты с промптами/2. Structured Output .docx 114.7 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.2 Защита RAG от индексации до ответа/1. Защита RAG от индексации до ответа .docx 114.3 KB
7. Дообучение LLM без GPU и PhD/7.1 Зачем дообучать модель и когда это оправдано/1. Что такое дообучение и когда его стоит применять .docx 113.9 KB
2. Введение в LLM с нуля до первого запроса/2.6 Base-модели и instruct-модели/1. Base-модели и instruct-модели .docx 113.9 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.5 Метаданные основа безопасности и персонализации/1. Метаданные .docx 113.8 KB
3. Embeddings и векторные базы данных/3.5 Полезные практики чанкинг, метаданные, reranking/4. Вопросы .docx 113.1 KB
8. Multi-agent системы оркестрация и роли/8.1 Введение в multi-agent системы/1. Введение в multi-agent системы .docx 113.1 KB
2. Введение в LLM с нуля до первого запроса/2.3 Выбор между облачными API и локальными моделями/2. Вопросы .docx 108.1 KB
3. Embeddings и векторные базы данных/3.7 Закрепление материала/1. Вопросы .docx 107.9 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.6 Закрепление материала/1. Вопросы .docx 93.7 KB
3. Embeddings и векторные базы данных/3.1 Что такое embeddings (эмбеддинги)/3. Задачи .docx 92.9 KB
6. Локальные LLM запуск без облака и без GPU/6.7 Закрепление материала/1. Вопросы .docx 91.4 KB
3. Embeddings и векторные базы данных/3.3 Создание и поиск по эмбеддингам с Chroma/1. Создание и поиск по эмбеддингам с Chroma .docx 91.4 KB
3. Embeddings и векторные базы данных/3.6 Расширенные стратегии чанкинга и реранкинга/2. Reranking дообучение под домен .docx 91.1 KB
3. Embeddings и векторные базы данных/3.1 Что такое embeddings (эмбеддинги)/1. Что такое embeddings .docx 89.7 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.3 Мониторинг RAG в продакшене логи, метрики, алерты/3. Задачи .docx 89.5 KB
6. Локальные LLM запуск без облака и без GPU/6.3 Ollama в продакшене как обернуть демон в надёжный сервис/1. Ollama в продакшене .docx 87.8 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.5 Метаданные основа безопасности и персонализации/3. Задачи .docx 87.1 KB
6. Локальные LLM запуск без облака и без GPU/6.5 Мониторинг и алертинг для локальных LLM/1. Мониторинг и алертинг для локальных LLM .docx 86.5 KB
4. RAG Retrieval-Augmented Generation на практике/4.4 Защита от галлюцинаций и фильтрация ответов/1. Защита от галлюцинаций и фильтрация ответов .docx 86.4 KB
2. Введение в LLM с нуля до первого запроса/2.3 Выбор между облачными API и локальными моделями/1. Выбор между облачными API и локальными моделями .docx 85.8 KB
3. Embeddings и векторные базы данных/3.5 Полезные практики чанкинг, метаданные, reranking/2. Задача .docx 85.5 KB
3. Embeddings и векторные базы данных/3.1 Что такое embeddings (эмбеддинги)/2. Вопросы .docx 85.5 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.1 Почему RAG ломается в продакшене/2. Вопросы .docx 85.2 KB
4. RAG Retrieval-Augmented Generation на практике/4.2 RAG в продакшене переключение на Qdrant и асинхронность/1. RAG в продакшене .docx 84.4 KB
3. Embeddings и векторные базы данных/3.4 Переход на Qdrant запуск через Docker и интеграция/1. Qdrant .docx 83.9 KB
4. RAG Retrieval-Augmented Generation на практике/4.1 RAG с нуля архитектура и первый рабочий пайплайн/3. Задачи .docx 83.7 KB
7. Дообучение LLM без GPU и PhD/7.2 Дообучение через LoRA на бесплатной GPU (Google Colab)/2. Подготовка датасета для дообучения .docx 83.5 KB
4. RAG Retrieval-Augmented Generation на практике/4.5 Введение в агентов LLM + инструменты (tools)/4. Задачи .docx 82.9 KB
3. Embeddings и векторные базы данных/3.2 Векторные базы данных зачем они и как работают/2 Сравнение векторных БД .docx 82.9 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.4 Оптимизация поиска reranking и multi-query/3. Задачи .docx 82.7 KB
11. Заключение/11.1 Рекомендации по железу/1. Железо для локальных LLM .docx 82.5 KB
3. Embeddings и векторные базы данных/3.5 Полезные практики чанкинг, метаданные, reranking/1. Чанкинг, метаданные, reranking .docx 81.9 KB
8. Multi-agent системы оркестрация и роли/8.4 Альтернативы и расширения (Autogen, кастомизация)/1. Альтернативы и расширение multi-agent систем .docx 81.4 KB
3. Embeddings и векторные базы данных/3.2 Векторные базы данных зачем они и как работают/1. Векторная база данных .docx 80.5 KB
8. Multi-agent системы оркестрация и роли/8.2 Архитектура и оркестрация/1. Архитектура и оркестрация .docx 80.2 KB
7. Дообучение LLM без GPU и PhD/7.3 Интеграция LoRA-адаптера в локальные LLM/2. Интеграция LoRA-адаптера в llama-cpp-python .docx 80.2 KB
3. Embeddings и векторные базы данных/3.6 Расширенные стратегии чанкинга и реранкинга/1. Расширенные стратегии чанкинга и реранкинга .docx 76.6 KB
2. Введение в LLM с нуля до первого запроса/2.4 Первый запрос к LLM/3. Вопросы .docx 66.2 KB
4. RAG Retrieval-Augmented Generation на практике/4.4 Защита от галлюцинаций и фильтрация ответов/2. Вопросы .docx 58.9 KB
4. RAG Retrieval-Augmented Generation на практике/4.1 RAG с нуля архитектура и первый рабочий пайплайн/2. Вопросы .docx 58.5 KB
2. Введение в LLM с нуля до первого запроса/2.8 Закрепление материала/1. Вопросы .docx 58.1 KB
9. Финальный проект — AI-ассистент разработчика/9.2 Подготовка окружения и компонентов/1. Подготовка окружения и компонентов .docx 57.5 KB
7. Дообучение LLM без GPU и PhD/7.4 Закрепление материала/1. Вопросы .docx 57.1 KB
9. Финальный проект — AI-ассистент разработчика/9.5 Инфраструктура и тестирование/1. Инфраструктура и тестирование .docx 56.9 KB
2. Введение в LLM с нуля до первого запроса/2.5 Установка и запуск LLM локально с помощью Ollama/2. Вопросы .docx 55.1 KB
6. Локальные LLM запуск без облака и без GPU/6.6 Решение типичных проблем в продакшене/1. Решение типичных проблем .docx 54.1 KB
3. Embeddings и векторные базы данных/3.3 Создание и поиск по эмбеддингам с Chroma/2. Вопросы .docx 54.1 KB
4. RAG Retrieval-Augmented Generation на практике/4.2 RAG в продакшене переключение на Qdrant и асинхронность/2. Вопросы .docx 53.7 KB
4. RAG Retrieval-Augmented Generation на практике/4.8 Закрепление финальный мини-проект/3. Вопросы .docx 53.4 KB
7. Дообучение LLM без GPU и PhD/7.3 Интеграция LoRA-адаптера в локальные LLM/3. Интеграция LoRA-адаптера в Ollama .docx 51.4 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.2 Защита RAG от индексации до ответа/2. Вопросы .docx 50.7 KB
3. Embeddings и векторные базы данных/3.4 Переход на Qdrant запуск через Docker и интеграция/2. Вопросы .docx 49.6 KB
7. Дообучение LLM без GPU и PhD/7.2 Дообучение через LoRA на бесплатной GPU (Google Colab)/5. Вопросы .docx 48.3 KB
4. RAG Retrieval-Augmented Generation на практике/4.8 Закрепление финальный мини-проект/1. Закрепление финальный мини-проект .docx 46.4 KB
10. Глоссарий и закрепление по всему курсу/10.1 Глоссарий курса/1. Глоссарий курса .docx 44.5 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.4 Оптимизация поиска reranking и multi-query/2. Вопросы .docx 42.8 KB
8. Multi-agent системы оркестрация и роли/8.1 Введение в multi-agent системы/2. Вопросы .docx 39.4 KB
7. Дообучение LLM без GPU и PhD/7.1 Зачем дообучать модель и когда это оправдано/2. Вопросы .docx 35.0 KB
4. RAG Retrieval-Augmented Generation на практике/4.3 Оценка качества RAG/2. Вопросы .docx 32.9 KB
10. Глоссарий и закрепление по всему курсу/10.3 Тесты 2/1. Вопросы .docx 28.7 KB
11. Заключение/11.2 Заключение/1. Что дальше .docx 28.7 KB
9. Финальный проект — AI-ассистент разработчика/9.4 Реализация генерации и сохранения (POST generate)/1. Реализация генерации и сохранения .docx 25.3 KB
10. Глоссарий и закрепление по всему курсу/10.2 Тесты 1/1. Вопросы .docx 21.2 KB
4. RAG Retrieval-Augmented Generation на практике/4.7 Подготовка к продакшену логирование, мониторинг, безопасность/2. Вопросы .docx 19.3 KB
4. RAG Retrieval-Augmented Generation на практике/4.5 Введение в агентов LLM + инструменты (tools)/3. Вопросы .docx 19.1 KB
9. Финальный проект — AI-ассистент разработчика/9.3 Реализация RAG-поиска (POST search)/1. Реализация RAG-поиска (POST search) .docx 19.0 KB
7. Дообучение LLM без GPU и PhD/7.2 Дообучение через LoRA на бесплатной GPU (Google Colab)/3. Приложение готовый датасет для обучения .docx 18.5 KB
2. Введение в LLM с нуля до первого запроса/2.7 Эксперименты с промптами/3. Вопросы .docx 18.4 KB
4. RAG Retrieval-Augmented Generation на практике/4.6 Stateful-агенты с LangGraph/2. Вопросы .docx 18.3 KB
2. Введение в LLM с нуля до первого запроса/2.2 Осознанное взаимодействие с LLM промпты, параметры, security/2. Вопросы .docx 18.0 KB
6. Локальные LLM запуск без облака и без GPU/6.4 Прямой inference через llama-cpp-python/2. Вопросы .docx 17.9 KB
9. Финальный проект — AI-ассистент разработчика/9.6 Компромиссы и пути развития/2. Вопросы .docx 17.8 KB
9. Финальный проект — AI-ассистент разработчика/9.1 Архитектура и требования/2. Архитектура и требования .docx 17.6 KB
6. Локальные LLM запуск без облака и без GPU/6.6 Решение типичных проблем в продакшене/2. Вопросы .docx 17.5 KB
8. Multi-agent системы оркестрация и роли/8.2 Архитектура и оркестрация/2. Вопросы .docx 17.5 KB
8. Multi-agent системы оркестрация и роли/8.3 Реализация на CrewAI/2. Вопросы .docx 17.5 KB
8. Multi-agent системы оркестрация и роли/8.4 Альтернативы и расширения (Autogen, кастомизация)/2. Вопросы .docx 17.3 KB
6. Локальные LLM запуск без облака и без GPU/6.3 Ollama в продакшене как обернуть демон в надёжный сервис/2. Вопросы .docx 17.3 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.5 Метаданные основа безопасности и персонализации/2. Вопросы .docx 17.2 KB
6. Локальные LLM запуск без облака и без GPU/6.2 Выбор модели под задачу не параметры, а измеримые метрики/3. Вопросы .docx 17.1 KB
2. Введение в LLM с нуля до первого запроса/2.6 Base-модели и instruct-модели/2. Вопросы .docx 16.9 KB
6. Локальные LLM запуск без облака и без GPU/6.1 Когда локальные LLM — не просто «можно», а «нужно»/2. Вопросы .docx 16.8 KB
5. Продвинутый RAG надёжность, безопасность и контроль в продакшен/5.3 Мониторинг RAG в продакшене логи, метрики, алерты/2 .Вопросы .docx 16.8 KB
3. Embeddings и векторные базы данных/3.6 Расширенные стратегии чанкинга и реранкинга/3. Вопросы .docx 16.6 KB
9. Финальный проект — AI-ассистент разработчика/9.6 Компромиссы и пути развития/1. Компромиссы и пути развития .docx 16.6 KB
9. Финальный проект — AI-ассистент разработчика/9.1 Архитектура и требования/1. Финальный проект — AI-ассистент разработчика .docx 16.5 KB
6. Локальные LLM запуск без облака и без GPU/6.5 Мониторинг и алертинг для локальных LLM/2. Вопросы .docx 16.4 KB
7. Дообучение LLM без GPU и PhD/7.3 Интеграция LoRA-адаптера в локальные LLM/4. Вопросы .docx 16.1 KB
7. Дообучение LLM без GPU и PhD/7.2 Дообучение через LoRA на бесплатной GPU (Google Colab)/1. LoRA почему не нужно полное дообучение .docx 15.6 KB
7. Дообучение LLM без GPU и PhD/7.3 Интеграция LoRA-адаптера в локальные LLM/1. Интеграция LoRA-адаптера .docx 15.3 KB

Stepik - LLM для Python-разработчиков - 2026

File List

Download Torrent

Related Resources

Copyright Infringement