rohitg00/ai-engineering-from-scratch

_{Цей README перекладено українською. Англійський README залишається канонічним джерелом.}

Інженерія ШІ з нуля

Реалізуйте внутрішні механізми моделей, пошукові конвеєри та середовища виконання агентів. Тестуйте їх, досліджуйте збої та зберігайте код і результати оцінювання.

Почати навчання · Виберіть шлях · Спробуйте лабораторну роботу · Створіть проєкт · Переглянути програму

Безкоштовно, з відкритим кодом, за ліцензією MIT. Навчайтеся на вебсайті, з агентом програмування або запускаючи код локально.

542 уроків. 20 етапів. Python, TypeScript, Rust, Julia.

Читати своєю мовою

🇬🇧 English · 🇨🇳 简体中文 · 🇹🇼 繁體中文（台灣） · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇵🇹 Português · 🇧🇷 Português (Brasil) · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇮🇹 Italiano · 🇳🇱 Nederlands · 🇵🇱 Polski · 🇨🇿 Čeština · 🇷🇴 Română · 🇭🇺 Magyar · 🇬🇷 Ελληνικά · 🇸🇪 Svenska · 🇩🇰 Dansk · 🇳🇴 Norsk · 🇫🇮 Suomi · 🇷🇺 Русский · 🇺🇦 Українська · 🇹🇷 Türkçe · 🇮🇱 עברית · 🇸🇦 العربية · 🇮🇷 فارسی · 🇮🇳 हिन्दी · 🇧🇩 বাংলা · 🇵🇰 اردو · 🇹🇭 ไทย · 🇻🇳 Tiếng Việt · 🇮🇩 Bahasa Indonesia · 🇵🇭 Tagalog

Спонсори

_{Ваша підтримка зберігає кожен урок безкоштовним і з відкритим кодом. Переглянути всіх, хто підтримує проєкт · Стати спонсором}

Навчальні маршрути

Маршрут	Перший урок
Основи моделей	Налаштування та інструменти
Системи на основі LLM	Інженерія промптів
Агенти та постачання систем	Цикл агента

Порівняти кар’єрні шляхи · Попередні знання та час навчання

Градієнтний спуск

Двадцять початкових точок рухаються за методом градієнтного спуску на квадратичній функції втрат. Графік показує їхні положення та середні втрати після кожного оновлення.

Змініть швидкість навчання в уроці · Порівняйте в коді градієнтний спуск, метод імпульсу та Adam

Проєкти

Три проєкти з поетапними заготовками, еталонними реалізаціями та локальними засобами оцінювання. Виконуйте команди з кореня репозиторію після налаштування. Заготовки не проходять перевірок, доки ви не реалізуєте етапи.

01 · Лабораторія оцінювання пошуку · Python · Метрики ранжування та перевірки регресій

Кандидат покращує середнє NDCG, але для одного запиту найрелевантніші джерела опускаються в ранжуванні. Створіть порівняння для кожного запиту, яке повідомляє про регресію та може зупинити перевірку перед випуском.

Використовуйте Python 3.10+. Повторіть RAG і оцінювання моделей. Реалізуйте перевірку ранжування, precision і recall, метрики з урахуванням позиції, а потім порівняння систем.

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
  --stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

Збережіть: відтворюване порівняння зі змінами для кожного запиту й оцінками релевантності, використаними для підрахунку. Метрики описують ці оцінки; вони не встановлюють правильність відповідей.

Розпочати проєкт · Переглянути еталонний розв’язок · Запустити на власних вхідних даних

02 · Налагоджувач трасувань агентів · TypeScript · Розбір трасувань і вимірювання часу

Надане трасування й далі триває 100 мс, але загальне використання токенів зростає на 200, і один span починає завершуватися помилкою. Відокремте роботу дочірніх span, що перекриваються, від часу виконання батьківського span і створіть звіт, який показує зміну.

Використовуйте Node.js 22.18+ і Python 3 для перевіряльника. Реалізуйте розбір JSONL, перевірку батьківських зв’язків, арифметику інтервалів, а потім часову шкалу для аналізу.

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
  --stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

Збережіть: вхідне трасування, часову шкалу HTML і звіт про регресію в JSON. Зберігайте власні кількості токенів кожного span без дочірніх span, щоб не рахувати використання батьків і нащадків двічі.

Розпочати проєкт · Переглянути еталонний розв’язок · Дослідити час виконання інтерактивно

03 · Міжмережевий екран викликів інструментів · Rust · Перевірки ролей і підтвердження схвалення

Операція запису змінюється після перевірки або схвалення використовується повторно. Перевірте оболонку виклику, роль викликувача та шлях, а потім використайте схвалення, пов’язане з точним запитом і вмістом.

Використовуйте Rust і Python 3.10+. Повторіть проєктування схем інструментів і межі безпеки. Застосунок-викликувач надає ідентифікаційні дані; модель пропонує операцію.

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
  --stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

Збережіть: запис аудиту із запитаною операцією та рішенням політики. Схвалення одноразові в межах одного виклику; проєкт не надає постійної авторизації або пісочниці операційної системи.

Розпочати проєкт · Переглянути еталонний розв’язок · Дослідити межі схвалення

Переглянути всі проєкти · Посібник із кар’єрної практики

Оберіть спосіб навчання

На вебсайті

Відкрийте готовий урок на aiengineeringfromscratch.com або розгорніть етап у змісті. Налаштування й клонування не потрібні.

Із ШІ-наставником

Якщо Node.js, npx і агент для програмування з підтримкою навичок уже встановлені, агент може стати вашим викладачем. Для встановлення або читання матеріалів не потрібно клонувати репозиторій. Виконувані лабораторні роботи спеціалізованих маршрутів потребують python3. Для лабораторних робіт Agent Skills також потрібні вибраний хост і доступний для запису каталог навичок користувача або проєкту.

npx skills add rohitg00/ai-engineering-from-scratch

Оберіть хост і область, коли запитає інсталятор. Використовуйте start-learning у Codex, /start-learning у Claude Code або попросіть хост використати навичку за назвою.

Налаштування наставника та команди середовища

Спочатку перевірте локальні вимоги:

node --version
npx --version
python3 --version

skills записує файли для хоста й області, вибраних під час встановлення, наприклад у .claude/skills/, .cursor/skills/, .codex/skills/ або інший підтримуваний каталог навичок. Перевірте, що вибраний хост знаходить саме цей каталог.

Синтаксис виклику визначає хост, а не переносний формат SKILL.md:

Застосунок-хост	Почати курс	Почати Model Context Protocol (MCP)	Почати Agent Skills	Пройти тест етапу
Codex	`start-learning`, або виберіть її з `/skills`	`learn-mcp`, або виберіть її з `/skills`	`learn-agent-skills`, або виберіть її з `/skills`	`check-understanding 13`, або виберіть її з `/skills`
Claude Code	`/start-learning`	`/learn-mcp`	`/learn-agent-skills`	`/check-understanding 13`
Інші сумісні хости	`Use start-learning to begin the course.`	`Use learn-mcp to start the Model Context Protocol (MCP) path.`	`Use learn-agent-skills to start the Agent Skills Engineering path.`	`Use check-understanding to quiz me on Phase 13.`

Вступний тест із десяти запитань визначає початковий етап за вашими знаннями та зберігає особистий навчальний план у LEARNING.md. Далі навичка learn викладає один урок за сеанс: поняття, математика, код і тест. Вона завантажує уроки безпосередньо з цього репозиторію, а course-guide знаходить саме той урок, що допоможе подолати труднощі. У Codex викликайте learn і course-guide; у Claude Code використовуйте /learn і /course-guide; в інших сумісних хостах попросіть застосувати навичку за назвою.

Потрібен лише Model Context Protocol (MCP)? Використайте виклик MCP для свого хоста. Він створює MCP-LEARNING.md і веде єдиним маршрутом із 17 уроків: запити без стану, транспорт, двобічна робота, безпека, надійність, керування реєстром і докази відповідності протоколу. Точний порядок і контрольні точки наведено в маніфесті Model Context Protocol (MCP).

Потрібні лише Agent Skills? Використайте відповідний виклик для свого хоста. Він створює AGENT-SKILLS-LEARNING.md і веде послідовним маршрутом із п'яти уроків: контракт, виявлення, виклик, межі пісочниці, а потім оцінювання перед випуском і переносність між реальними хостами. Почніть у вебверсії з маршруту Agent Skills.

Інсталятор перелічує хости, які може налаштувати, і запитує місце встановлення. Якщо у вас ще немає Node.js, npx, python3, підтримуваного хоста або доступного для запису каталогу, скористайтеся сайтом чи самостійно прочитайте docs/en.md. Так ви вивчите поняття, але докази виявлення, виклику, запуску скриптів і видалення на реальному хості залишаться неперевіреними, доки не стане доступною попередня перевірка. Читайте уроки на aiengineeringfromscratch.com.

Навчальні навички

Навичка	Що вона робить
`start-learning`	Одноразовий вступ: мета навчання, вступний тест і особистий план, збережений у `LEARNING.md`.
`learn`	Цикл викладача: пригадування для розігріву, інтерактивне вивчення наступного уроку, потім його тест; зберігає прогрес і чергу повторення.
`course-guide`	Тематичний навігатор. «Де вивчити увагу?» або «мої втрати дорівнюють NaN» → потрібні уроки з посиланнями.
`learn-mcp`	Спеціалізований викладач Model Context Protocol (MCP). Створює `MCP-LEARNING.md`, дотримується маніфесту з 17 уроків і записує докази обміну повідомленнями, безпеки, надійності й відповідності.
`learn-agent-skills`	Спеціалізований викладач Agent Skills. Створює `AGENT-SKILLS-LEARNING.md`, викладає уроки 22, 24, 25, 26 і 27 та записує докази роботи на реальному хості.
`learn-reverse-engineering`	Спеціалізований викладач зворотної розробки. Створює `REVERSE-ENGINEERING-LEARNING.md`, викладає уроки з 32 по 45 етапу 13 на програмах, які ви створюєте самі, та записує докази лабораторних робіт.
`claude-certification`	Викладач для сертифікації. Вибирає CCAO-F, CCDV-F, CCAR-F або CCAR-P, викладає уроки, запускає лабораторні роботи, перевіряє результати, проводить діагностичні й пробні іспити та зберігає прогрес.
`mcpa-certification`	Викладач MCPA. Дотримується маршруту `mcpa-f` із 34 уроків за протоколом 2026-07-28, викладає уроки, запускає лабораторні роботи й перевірку повідомлень, проводить діагностичний тест і три пробні іспити та зберігає прогрес.
`find-your-level`	Вступний тест із десяти запитань. Зіставляє знання з початковим етапом і створює особистий маршрут з оцінками тривалості.
`check-understanding <phase>`	Тест із восьми запитань для кожного етапу, відгуки й конкретні уроки для повторення. Скористайтеся формою для Codex, Claude Code або природною мовою з таблиці викликів вище.

Запустіть код локально

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

Попередня перевірка відокремлює вимоги, потрібні зараз, від інструментів, які знадобляться пізніше. Для кожної невиконаної обов’язкової вимоги наведено виявлену причину та команду для виправлення. Команда vectors.py запускає урок без зовнішніх залежностей і наприкінці показує, що множення матриці на вектор є операцією всередині шару нейронної мережі. Збережіть цей вивід термінала як перший доказ.

Працюйте з кожним уроком однаково

Прочитайте docs/en.md і поясніть головну ідею своїми словами.
Наберіть і створіть важливі частини коду, а не сприймайте блок коду як прикрасу.
Запустіть команду уроку з кореня репозиторію, каталогу з README.md і phases/.
Збережіть докази: команду, робочий каталог, код завершення, змістовний вивід і результат, який ви змінили або створили.
Продовжуйте лише тоді, коли зможете пояснити вивід і зробити невелику зміну без здогадок.

Шляхи в командах на сторінках уроків задано відносно кореня репозиторію, якщо урок прямо не вимагає змінити каталог. Якщо урок пропонує кілька мов програмування, запустіть реалізацію мовою, яку вивчаєте.

Оберіть навчальний маршрут

Вам не потрібно переглядати всі 542 уроки перед початком. Виберіть одну мету. Кожне посилання відкриває ту саму навчальну програму на GitHub або на сайті, а обидві версії використовують той самий код уроків.

Ваша мета	Навчайтеся на GitHub	Навчайтеся на сайті
Я новачок і хочу отримати ґрунтовну базу	Етап 0: Налаштування та інструменти	Середовище розробки
Я знаю Python і хочу опанувати основи математики та машинного навчання	Етап 1: Математичні основи	Інтуїтивне розуміння лінійної алгебри
Я хочу створювати LLM-застосунки для промислової експлуатації	Етап 11: Інженерія LLM	Інженерія промптів
Я хочу створювати агентів	Етап 14: Інженерія агентів	Цикл роботи агента
Я хочу використовувати агентів програмування в реальних репозиторіях	Навчальний шлях інженерії за допомогою агентів	Інженерія за допомогою агентів
Я хочу визначити, що варто створювати, до початку реалізації	Навчальний шлях продуктових рішень і постачання	Продуктові рішення та постачання

Не знаєте, з чого почати? Скористайтеся тьютором для визначення рівня start-learning або посібником із попередніх знань на сайті.

Порівняйте чотири основні напрями та шість кар’єрних маршрутів у навчальних шляхах інженерії ШІ.

Спеціалізовані маршрути MCP, Agent Skills і зворотної розробки

Ваша мета	Навчайтеся на GitHub	Навчайтеся на сайті
Я хочу розробляти з Model Context Protocol (MCP)	Маршрут Model Context Protocol (MCP)	Навчальний шлях Model Context Protocol (MCP)
Я хочу писати й публікувати Agent Skills	Спеціалізований маршрут Agent Skills	Навчальний шлях Agent Skills
Я хочу читати скомпільовані програми	Маршрут зворотної розробки	Навчальний шлях зворотної розробки

Попередні знання та час навчання

Попередні знання

Ви вмієте писати код будь-якою мовою; Python стане в пригоді.
Ви хочете зрозуміти, як AI насправді працює, а не лише викликати API.

З чого почати

Підготовка	Почати з	Орієнтовний час
Новачок у програмуванні й AI	Етап 0: Налаштування	~306 годин
Знаєте Python, але не ML	Етап 1: Математичні основи	~270 годин
Знаєте ML, але не глибоке навчання	Етап 3: Ядро глибокого навчання	~200 годин
Знаєте глибоке навчання й хочете LLM та агентів	Етап 10: Великі мовні моделі з нуля	~100 годин
Досвідчений інженер, потрібна лише інженерія агентів	Етап 14: Інженерія агентів	~60 годин
Потрібні лише промислові MCP-системи	Маршрут Model Context Protocol (MCP)	~23 години 15 хв
Потрібні лише промислові Agent Skills	Маршрут інженерії Agent Skills	~9.5 години
Потрібна лише зворотна розробка	Маршрут зворотної розробки	~32.5 години

Структура навчальної програми

Двадцять етапів спираються один на одного. Математика є фундаментом, агенти й промислова експлуатація є верхніми рівнями. Переходьте далі, якщо вже знаєте основи, але не пропускайте їх, а потім не дивуйтеся збоям нагорі.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["Етап 0: Налаштування та інструменти"] --> P1["Етап 1: Математичні основи"]
  P1 --> P2["Етап 2: Основи машинного навчання"]
  P2 --> P3["Етап 3: Ядро глибокого навчання"]
  P3 --> P4["Етап 4: Комп'ютерний зір"]
  P3 --> P5["Етап 5: NLP від основ до поглиблених тем"]
  P3 --> P6["Етап 6: Мовлення й аудіо"]
  P3 --> P9["Етап 9: Навчання з підкріпленням"]
  P5 --> P7["Етап 7: Поглиблене вивчення Transformers"]
  P7 --> P8["Етап 8: Генеративний AI"]
  P7 --> P10["Етап 10: Великі мовні моделі з нуля"]
  P10 --> P11["Етап 11: Інженерія LLM"]
  P10 --> P12["Етап 12: Мультимодальний AI"]
  P11 --> P13["Етап 13: Інструменти й протоколи"]
  P13 --> P14["Етап 14: Інженерія агентів"]
  P14 --> P15["Етап 15: Автономні системи"]
  P15 --> P16["Етап 16: Багатоагентні системи й рої"]
  P14 --> P17["Етап 17: Інфраструктура й експлуатація"]
  P15 --> P18["Етап 18: Етика, безпека й узгодження"]
  P16 --> P19["Етап 19: Підсумкові проєкти"]
  P17 --> P19
  P18 --> P19

Зміст

Двадцять етапів. Натисніть на етап, щоб розгорнути список уроків.

Етап 0: Налаштування та інструменти `13 уроків`

Підготуйте середовище до всього, що буде далі.

#	Урок	Тип	Мова
01	Середовище розробки	Створіть	Python
02	Git і співпраця	Вивчіть	—
03	Налаштування GPU та хмара	Створіть	Python
04	API й ключі	Створіть	Python
05	Блокноти Jupyter	Створіть	Python
06	Середовища Python	Створіть	Shell
07	Docker для AI	Створіть	Docker
08	Налаштування редактора	Створіть	—
09	Керування даними	Створіть	Python
10	Термінал і командна оболонка	Вивчіть	—
11	Linux для AI	Вивчіть	—
12	Налагодження та профілювання	Створіть	Python
13	Python для інженерії ШІ	Створіть	Python

Етап 1: Математичні основи 22 уроки Інтуїція за кожним AI-алгоритмом через код.

#	Урок	Тип	Мова
01	Інтуїція лінійної алгебри	Вивчіть	Python, Julia
02	Вектори, матриці й операції	Створіть	Python, Julia
03	Матричні перетворення та власні значення	Створіть	Python, Julia
04	Математичний аналіз для ML: похідні й градієнти	Вивчіть	Python
05	Ланцюгове правило й автоматичне диференціювання	Створіть	Python
06	Імовірність і розподіли	Вивчіть	Python
07	Теорема Баєса та статистичне мислення	Створіть	Python
08	Оптимізація: різновиди градієнтного спуску	Створіть	Python
09	Теорія інформації: ентропія та KL-дивергенція	Вивчіть	Python
10	Зменшення розмірності: PCA, t-SNE, UMAP	Створіть	Python
11	Сингулярний розклад	Створіть	Python, Julia
12	Операції з тензорами	Створіть	Python
13	Чисельна стійкість	Створіть	Python
14	Норми й відстані	Створіть	Python
15	Статистика для ML	Створіть	Python
16	Методи вибірки	Створіть	Python
17	Лінійні системи	Створіть	Python
18	Опукла оптимізація	Створіть	Python
19	Комплексні числа для AI	Вивчіть	Python
20	Перетворення Фур'є	Створіть	Python
21	Теорія графів для ML	Створіть	Python
22	Стохастичні процеси	Вивчіть	Python

Етап 2: Основи машинного навчання 21 урок Класичне ML досі є основою більшості промислових AI-систем.

#	Урок	Тип	Мова
01	Що таке машинне навчання	Вивчіть	Python
02	Лінійна регресія з нуля	Створіть	Python
03	Логістична регресія та класифікація	Створіть	Python
04	Дерева рішень і випадкові ліси	Створіть	Python
05	Метод опорних векторів	Створіть	Python
06	KNN і метрики відстані	Створіть	Python
07	Навчання без учителя: K-Means, DBSCAN	Створіть	Python
08	Побудова й відбір ознак	Створіть	Python
09	Оцінювання моделей: метрики та перехресна перевірка	Створіть	Python
10	Зміщення, дисперсія та крива навчання	Вивчіть	Python
11	Ансамблеві методи: бустинг, бегінг і стекінг	Створіть	Python
12	Налаштування гіперпараметрів	Створіть	Python
13	Конвеєри ML і відстеження експериментів	Створіть	Python
14	Наївний Баєс	Створіть	Python
15	Основи часових рядів	Створіть	Python
16	Виявлення аномалій	Створіть	Python
17	Робота з незбалансованими даними	Створіть	Python
18	Відбір ознак	Створіть	Python
19	Проєктування ML-систем: від задачі до розгорнутої моделі	Створіть	Python
20	Моніторинг моделей у промисловій експлуатації: дрейф даних і дрейф концепції	Створіть	Python
21	Сховища ознак і розбіжність між навчанням та обслуговуванням	Створіть	Python

Етап 3: Ядро глибокого навчання 13 уроків Нейронні мережі з основних принципів. Без фреймворків, доки не створите власний.

#	Урок	Тип	Мова
01	Перцептрон: із чого все почалося	Створіть	Python
02	Багатошарові мережі та прямий прохід	Створіть	Python
03	Зворотне поширення з нуля	Створіть	Python
04	Функції активації: ReLU, Sigmoid, GELU і причини вибору	Створіть	Python
05	Функції втрат: MSE, перехресна ентропія та контрастивні втрати	Створіть	Python
06	Оптимізатори: SGD, Momentum, Adam, AdamW	Створіть	Python
07	Регуляризація: Dropout, Weight Decay, BatchNorm	Створіть	Python
08	Ініціалізація ваг і стабільність навчання	Створіть	Python
09	Розклади швидкості навчання та розігрів	Створіть	Python
10	Створіть власний мініфреймворк	Створіть	Python
11	Вступ до PyTorch	Створіть	Python
12	Вступ до JAX	Створіть	Python
13	Налагодження нейронних мереж	Створіть	Python

Етап 4: Комп'ютерний зір 28 уроків Від пікселів до розуміння: зображення, відео, 3D, VLM і моделі світу.

#	Урок	Тип	Мова
01	Основи зображень: пікселі, канали й колірні простори	Вивчіть	Python
02	Згортки з нуля	Створіть	Python
03	Згорткові мережі: від LeNet до ResNet	Створіть	Python
04	Класифікація зображень	Створіть	Python
05	Перенесення навчання й донавчання	Створіть	Python
06	Виявлення об'єктів: YOLO з нуля	Створіть	Python
07	Семантична сегментація: U-Net	Створіть	Python
08	Сегментація екземплярів: Mask R-CNN	Створіть	Python
09	Генерація зображень: GAN	Створіть	Python
10	Генерація зображень: дифузійні моделі	Створіть	Python
11	Stable Diffusion: архітектура й донавчання	Створіть	Python
12	Розуміння відео: часове моделювання	Створіть	Python
13	Тривимірний зір: хмари точок і NeRF	Створіть	Python
14	Vision Transformers (ViT) для комп'ютерного зору	Створіть	Python
15	Зір у реальному часі: розгортання на периферійних пристроях	Створіть	Python
16	Створіть повний конвеєр комп'ютерного зору	Створіть	Python
17	Самокероване навчання зору: SimCLR, DINO, MAE	Створіть	Python
18	Зір із відкритим словником: CLIP	Створіть	Python
19	OCR і розуміння документів	Створіть	Python
20	Пошук зображень і метричне навчання	Створіть	Python
21	Виявлення ключових точок та оцінювання пози	Створіть	Python
22	3D Gaussian Splatting з нуля	Створіть	Python
23	Diffusion Transformers і випрямлений потік	Створіть	Python
24	SAM 3 і сегментація з відкритим словником	Створіть	Python
25	Візуально-мовні моделі (ViT-MLP-LLM)	Створіть	Python
26	Оцінювання глибини й геометрії з одного зображення	Створіть	Python
27	Відстеження кількох об'єктів і відеопам'ять	Створіть	Python
28	Моделі світу й відеодифузія	Створіть	Python

Етап 5: NLP від основ до поглиблених тем 29 уроків Мова є інтерфейсом до інтелекту.

#	Урок	Тип	Мова
01	Обробка тексту: токенізація, стемінг і лематизація	Створіть	Python
02	Мішок слів, TF-IDF і подання тексту	Створіть	Python
03	Векторні подання слів: Word2Vec з нуля	Створіть	Python
04	GloVe, FastText і векторні подання частин слів	Створіть	Python
05	Аналіз тональності	Створіть	Python
06	Розпізнавання іменованих сутностей (NER)	Створіть	Python
07	Розмітка частин мови й синтаксичний аналіз	Створіть	Python
08	Класифікація тексту: CNN і RNN для тексту	Створіть	Python
09	Моделі перетворення послідовностей	Створіть	Python
10	Механізм уваги: прорив	Створіть	Python
11	Машинний переклад	Створіть	Python
12	Стислий виклад тексту	Створіть	Python
13	Системи запитань і відповідей	Створіть	Python
14	Пошук та отримання інформації	Створіть	Python
15	Тематичне моделювання: LDA, BERTopic	Створіть	Python
16	Генерація тексту	Створіть	Python
17	Чатботи: від правил до нейронних мереж	Створіть	Python
18	Багатомовна обробка природної мови	Створіть	Python
19	Токенізація частин слів: BPE, WordPiece, Unigram, SentencePiece	Вивчіть	Python
20	Структуровані результати й декодування з обмеженнями	Створіть	Python
21	NLI та логічне слідування в тексті	Вивчіть	Python
22	Поглиблений огляд моделей векторних подань	Вивчіть	Python
23	Стратегії поділу тексту для RAG	Створіть	Python
24	Розв'язання кореференції	Вивчіть	Python
25	Пов'язування сутностей та усунення неоднозначності	Створіть	Python
26	Видобування зв'язків і побудова графів знань	Створіть	Python
27	Оцінювання LLM: RAGAS, DeepEval, G-Eval	Створіть	Python
28	Оцінювання довгого контексту: NIAH, RULER, LongBench, MRCR	Вивчіть	Python
29	Відстеження стану діалогу	Створіть	Python

Етап 6: Мовлення й аудіо 17 уроків Чути, розуміти, говорити.

#	Урок	Тип	Мова
01	Основи аудіо: хвильові форми, дискретизація та FFT	Вивчіть	Python
02	Спектрограми, мел-шкала й аудіоознаки	Створіть	Python
03	Класифікація аудіо	Створіть	Python
04	Розпізнавання мовлення (ASR)	Створіть	Python
05	Whisper: архітектура й донавчання	Створіть	Python
06	Розпізнавання та перевірка мовця	Створіть	Python
07	Перетворення тексту на мовлення (TTS)	Створіть	Python
08	Клонування та перетворення голосу	Створіть	Python
09	Генерація музики	Створіть	Python
10	Аудіомовні моделі	Створіть	Python
11	Обробка аудіо в реальному часі	Створіть	Python
12	Створіть конвеєр голосового помічника	Створіть	Python
13	Нейронні аудіокодеки: EnCodec, SNAC, Mimi, DAC	Вивчіть	Python
14	Виявлення голосової активності й чергування реплік	Створіть	Python
15	Потокове перетворення мовлення: Moshi, Hibiki	Вивчіть	Python
16	Захист від підробки голосу й водяні знаки в аудіо	Створіть	Python
17	Оцінювання аудіо: WER, MOS, MMAU й таблиці лідерів	Вивчіть	Python

Етап 7: Поглиблене вивчення Transformers 16 уроків Архітектура, що змінила все.

#	Урок	Тип	Мова
01	Чому Transformers: проблеми RNN	Вивчіть	Python
02	Самоувага з нуля	Створіть	Python
03	Багатоголова увага	Створіть	Python
04	Позиційне кодування: синусоїдальне, RoPE, ALiBi	Створіть	Python
05	Повний Transformer: кодувальник і декодувальник	Створіть	Python
06	BERT: моделювання мови з маскуванням	Створіть	Python
07	GPT: причинне моделювання мови	Створіть	Python
08	T5, BART: моделі кодувальника-декодувальника	Вивчіть	Python
09	Vision Transformers (ViT) для комп'ютерного зору	Створіть	Python
10	Аудіотрансформери: архітектура Whisper	Вивчіть	Python
11	Суміш експертів (MoE)	Створіть	Python
12	KV-кеш, Flash Attention та оптимізація інференсу	Створіть	Python
13	Закони масштабування	Вивчіть	Python
14	Створіть Transformer з нуля	Створіть	Python
15	Різновиди уваги: ковзне вікно, розріджена й диференціальна	Створіть	Python
16	Спекулятивне декодування: чернетка, перевірка, повторення	Створіть	Python

Етап 8: Генеративний AI 15 уроків Створюйте зображення, відео, аудіо, 3D та багато іншого.

#	Урок	Тип	Мова
01	Генеративні моделі: класифікація та історія	Вивчіть	Python
02	Автокодувальники й VAE	Створіть	Python
03	GAN: генератор проти дискримінатора	Створіть	Python
04	Умовні GAN і Pix2Pix	Створіть	Python
05	Модель StyleGAN	Створіть	Python
06	Дифузійні моделі: DDPM з нуля	Створіть	Python
07	Латентна дифузія та Stable Diffusion	Створіть	Python
08	ControlNet, LoRA й кондиціонування	Створіть	Python
09	Домальовування, розширення та редагування зображень	Створіть	Python
10	Генерація відео	Створіть	Python
11	Генерація аудіо	Створіть	Python
12	Генерація тривимірних об'єктів	Створіть	Python
13	Зіставлення потоків і випрямлені потоки	Створіть	Python
14	Оцінювання: FID і показник CLIP	Створіть	Python
19	Візуальне авторегресійне моделювання (VAR): передбачення наступного масштабу	Створіть	Python

Етап 9: Навчання з підкріпленням 12 уроків Основа RLHF та AI, що грає в ігри.

#	Урок	Тип	Мова
01	MDP, стани, дії та винагороди	Вивчіть	Python
02	Динамічне програмування	Створіть	Python
03	Методи Монте-Карло	Створіть	Python
04	Q-навчання та SARSA	Створіть	Python
05	Глибокі Q-мережі (DQN)	Створіть	Python
06	Градієнти політики: REINFORCE	Створіть	Python
07	Actor-Critic: A2C, A3C	Створіть	Python
08	Алгоритм PPO	Створіть	Python
09	Моделювання винагороди та RLHF	Створіть	Python
10	Багатоагентне навчання з підкріпленням	Створіть	Python
11	Перенесення із симуляції в реальність	Створіть	Python
12	Навчання з підкріпленням для ігор	Створіть	Python

Етап 10: Великі мовні моделі з нуля 24 уроки Створюйте, навчайте й розумійте великі мовні моделі.

#	Урок	Тип	Мова
01	Токенізатори: BPE, WordPiece, SentencePiece	Створіть	Python, Rust
02	Побудова токенізатора з нуля	Створіть	Python
03	Конвеєри даних для попереднього навчання	Створіть	Python
04	Попереднє навчання Mini GPT (124M)	Створіть	Python
05	Розподілене навчання, FSDP і DeepSpeed	Створіть	Python
06	Навчання за інструкціями: SFT	Створіть	Python
07	RLHF: модель винагороди та PPO	Створіть	Python
08	DPO: пряма оптимізація вподобань	Створіть	Python
09	Конституційний AI і самовдосконалення	Створіть	Python
10	Оцінювання: бенчмарки й тести	Створіть	Python
11	Квантування: INT8, GPTQ, AWQ, GGUF	Створіть	Python
12	Оптимізація інференсу	Створіть	Python
13	Побудова повного конвеєра LLM	Створіть	Python
14	Відкриті моделі: огляди архітектур	Вивчіть	Python
15	Спекулятивне декодування й EAGLE-3	Створіть	Python
16	Диференціальна увага (V2)	Створіть	Python
17	Вбудована розріджена увага (DeepSeek NSA)	Створіть	Python
18	Передбачення кількох токенів (MTP)	Створіть	Python
19	Паралелізм DualPipe	Вивчіть	Python
20	Огляд архітектури DeepSeek-V3	Вивчіть	Python
21	Jamba: гібрид SSM і Transformer	Вивчіть	Python
22	Асинхронний інференс і Hogwild!	Створіть	Python
25	Спекулятивне декодування й EAGLE	Створіть	Python
34	Контрольні точки градієнтів і повторне обчислення активацій	Створіть	Python

Етап 11: Інженерія LLM 17 уроків Залучайте LLM до роботи в промислових системах.

#	Урок	Тип	Мова
01	Інженерія промптів: техніки й шаблони	Створіть	Python
02	Few-Shot, CoT і дерево думок	Створіть	Python
03	Структуровані результати	Створіть	Python
04	Ембединги й векторні подання	Створіть	Python
05	Інженерія контексту	Створіть	Python
06	RAG: генерація з доповненням через пошук	Створіть	Python
07	Поглиблений RAG: поділ на фрагменти й переранжування	Створіть	Python
08	Донавчання з LoRA та QLoRA	Створіть	Python
09	Виклик функцій і використання інструментів	Створіть	Python
10	Оцінювання й тестування	Створіть	Python
11	Кешування, обмеження частоти та вартість	Створіть	Python
12	Захисні обмеження й безпека	Створіть	Python
13	Побудова промислового LLM-застосунку	Створіть	Python
14	Model Context Protocol (MCP)	Створіть	Python
15	Кешування промптів і контексту	Створіть	Python
16	Автомати станів агентів: графи, вузли й контрольні точки	Створіть	Python
17	Компроміси агентних фреймворків	Вивчіть	Python

Етап 12: Мультимодальний AI 25 уроків Бачити, чути, читати й міркувати між модальностями: від фрагментів ViT до агентів, що працюють із комп'ютером.

#	Урок	Тип	Мова
01	Vision Transformers і базовий токен фрагмента зображення	Вивчіть	Python
02	CLIP і контрастивне попереднє навчання зору та мови	Створіть	Python
03	BLIP-2 Q-Former як міст між модальностями	Створіть	Python
04	Flamingo й перехресна увага з вентилями	Вивчіть	Python
05	LLaVA та навчання за візуальними інструкціями	Створіть	Python
06	Зір із довільною роздільністю: Patch-n'-Pack і NaFlex	Створіть	Python
07	Рецепти VLM із відкритими вагами: що справді важливо	Вивчіть	Python
08	LLaVA-OneVision: одне зображення, кілька зображень, відео	Створіть	Python
09	Родина Qwen-VL і відео з динамічним FPS	Вивчіть	Python
10	Нативне мультимодальне попереднє навчання InternVL3	Вивчіть	Python
11	Chameleon: раннє злиття лише на токенах	Створіть	Python
12	Emu3: передбачення наступного токена для генерації	Вивчіть	Python
13	Transfusion: авторегресія та дифузія	Створіть	Python
14	Show-o: об'єднана дискретна дифузія	Вивчіть	Python
15	Janus-Pro: розділені кодувальники	Створіть	Python
16	MIO: потокове перетворення між довільними модальностями	Вивчіть	Python
17	Часова прив'язка відео й мови	Створіть	Python
18	Довгі відео в контексті мільйона токенів	Створіть	Python
19	Аудіомовні моделі: від Whisper до AF3	Створіть	Python
20	Омнімоделі: потокова архітектура Thinker-Talker	Створіть	Python
21	Утілені VLA: RT-2, OpenVLA, π0, GR00T	Вивчіть	Python
22	Розуміння документів і діаграм	Створіть	Python
23	ColPali: візуальний RAG для документів	Створіть	Python
24	Мультимодальний RAG і пошук між модальностями	Створіть	Python
25	Мультимодальні агенти й робота з комп'ютером (підсумковий проєкт)	Створіть	Python

Етап 13: Інструменти й протоколи 45 уроків Інтерфейси між AI та реальним світом.

#	Урок	Тип	Мова
01	Інтерфейс інструментів	Вивчіть	Python
02	Поглиблений огляд викликів функцій	Створіть	Python
03	Паралельні й потокові виклики інструментів	Створіть	Python
04	Структурований результат	Створіть	Python
05	Проєктування схем інструментів	Вивчіть	Python
06	Основи MCP: запити без стану та JSON-RPC	Вивчіть	Python
07	Побудова MCP-сервера: Python і TypeScript без стану	Створіть	Python, TypeScript
08	Побудова MCP-клієнта: виявлення, маршрутизація та сумісність із двома поколіннями	Створіть	Python
09	Транспорт MCP: stdio і Streamable HTTP без стану	Вивчіть	Python
10	Ресурси й промпти MCP: адресований контекст для серверів без стану	Створіть	Python
11	Вхідні дані моделі MCP: міграція семплінгу й MRTR без стану	Створіть	Python
12	Явна область дії та запит даних без стану	Створіть	Python
13	Розширення MCP Tasks: тривала робота на ядрі без стану	Створіть	Python
14	MCP Apps на протоколі без стану	Створіть	Python
15	Безпека MCP: отруєні метадані, маршрутизація й стан MRTR	Вивчіть	Python
16	Авторизація MCP: CIMD, прив'язка до видавця, PKCE та посилена перевірка	Створіть	Python
17	MCP-шлюзи без стану й допуск до реєстру	Вивчіть	Python
18	Автентифікація MCP у промисловій експлуатації: прив'язані до видавця реєстрація й токени	Створіть	Python
19	Протокол A2A	Створіть	Python
20	OpenTelemetry GenAI	Створіть	Python
21	Шар маршрутизації LLM	Вивчіть	Python
22	Agent Skills: переносний контракт і межа середовища виконання	Створіть	Python
23	Підсумковий проєкт: екосистема інструментів без стану	Створіть	Python
24	Виявлення навичок і поступове розкриття	Створіть	Python
25	Виклик і маршрутизація навичок	Створіть	Python
26	Дозволи навичок, пісочниці й довіра	Створіть	Python
27	Оцінювання, пакування й переносність навичок	Створіть	Python
28	Контракти та вміст інструментів MCP	Створіть	Python
29	Надійність MCP, скасування й керування потоком	Створіть	Python
30	Ланцюг постачання реєстру MCP: допуск, відхилення й відкат	Створіть	Python
31	Інженерія відповідності MCP: версії, докази й експлуатація	Створіть	Python
32	Анатомія програми: читання ELF з нуля	Створіть	Python
33	Дизасемблювання та графи потоку керування	Створіть	Python
34	Підняття машинного коду до псевдокоду	Створіть	Python
35	Докази, впевненість і невідоме в аналізі бінарних файлів	Створіть	Python
36	Перебудуйте й доведіть рівність	Створіть	Python
37	Ландшафт зворотної розробки	Створіть	Python
38	Угоди про виклики та кадри стека	Створіть	Python
39	Ідіоми компілятора й оптимізація	Створіть	Python
40	Компонування, завантаження та очищені бінарні файли	Створіть	Python
41	Відновлення даних і типів	Створіть	Python
42	Динамічний аналіз власної програми	Створіть	Python
43	Байт-код і керовані формати	Створіть	Python
44	Порівняння бінарних файлів і символьне виконання	Створіть	Python
45	Зворотна розробка за допомогою AI	Створіть	Python

Уроки 06-18 і 28-31 утворюють спеціалізований маршрут Model Context Protocol (MCP). Порядок у маніфесті: 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Почніть його відповідним для хоста викликом learn-mcp, наведеним вище. Урок 23 є єдиним необов'язковим підсумковим проєктом і також потребує уроків 19 та 20.

Уроки 22 і 24-27 утворюють спеціалізований навчальний маршрут Agent Skills: від контракту пакета до перевірок випуску на реальному хості. Почніть відповідним для хоста викликом learn-agent-skills, наведеним вище; не переходьте за числовим посиланням «далі» з 22 до 23.

Етап 14: Інженерія агентів 54 уроки Створюйте агентів із базових принципів, надійно використовуйте агентів програмування й визначайте роботу до реалізації.

#	Урок	Тип	Мова
01	Цикл агента	Створіть	Python
02	ReWOO та планування з подальшим виконанням	Створіть	Python
03	Reflexion і вербальне навчання з підкріпленням	Створіть	Python
04	Дерево думок і LATS	Створіть	Python
05	Self-Refine і CRITIC	Створіть	Python
06	Використання інструментів і виклик функцій	Створіть	Python
07	Пам'ять агента: віртуальний контекст і сторінкова організація пам'яті	Створіть	Python
08	Блоки пам'яті й обчислення під час відпочинку	Створіть	Python
09	Гібридна пам'ять: вектор, граф і KV	Створіть	Python
10	Бібліотеки навичок і навчання впродовж життя (Voyager)	Створіть	Python
11	Планування з HTN та еволюційним пошуком	Створіть	Python
12	Шаблони робочих процесів Anthropic	Створіть	Python
13	Оркестрація графів зі станом: стале виконання й контрольні точки	Створіть	Python
14	Акторна модель для агентів	Створіть	Python
15	Рольові команди агентів: ролі, завдання й процеси	Створіть	Python
16	OpenAI Agents SDK: передавання роботи, захисні обмеження й трасування	Створіть	Python
17	Оболонка виконання як бібліотека: підагенти й сховище сеансів	Створіть	Python
18	Промислові середовища виконання агентів	Вивчіть	Python
19	Бенчмарки: SWE-bench, GAIA, AgentBench	Вивчіть	Python
20	Бенчмарки: WebArena й OSWorld	Вивчіть	Python
21	Робота з комп'ютером: Claude, OpenAI CUA, Gemini	Створіть	Python
22	Голосові агенти: Pipecat і LiveKit	Створіть	Python
23	Семантичні конвенції OpenTelemetry GenAI	Створіть	Python
24	Спостережуваність агентів: Langfuse, Phoenix, Opik	Вивчіть	Python
25	Багатоагентні дебати та співпраця	Створіть	Python
26	Режими відмов: чому агенти ламаються	Створіть	Python
27	Ін'єкція промптів і захист PVE	Створіть	Python
28	Шаблони оркестрації: керівник, рій та ієрархія	Створіть	Python
29	Промислові середовища: черги, події й cron	Вивчіть	Python
30	Розробка агентів на основі оцінювання	Створіть	Python
31	Робоче середовище агента: чому здібні моделі все одно помиляються	Вивчіть	Python
32	Мінімальне робоче середовище агента	Створіть	Python
33	Інструкції агента як виконувані обмеження	Створіть	Python
34	Пам'ять репозиторію та сталий стан	Створіть	Python
35	Скрипти ініціалізації агентів	Створіть	Python
36	Контракти обсягу й межі завдань	Створіть	Python
37	Цикли зворотного зв'язку під час виконання	Створіть	Python
38	Контрольні перевірки	Створіть	Python
39	Агент-рецензент: відокремте автора від оцінювача	Створіть	Python
40	Передавання роботи між сеансами	Створіть	Python
41	Робоче середовище в реальному репозиторії	Створіть	Python
42	Підсумковий проєкт: випустіть пакет робочого середовища для повторного використання	Створіть	Python
43	Сформулюйте завдання до написання коду агентом	Створіть	Python
44	Створіть план виконання, підкріплений доказами	Створіть	Python
45	Делегуйте роботу агентам з ізоляцією та контрактами злиття	Створіть	Python
46	Перетворюйте кожне виправлення агента на системне поліпшення	Створіть	Python
47	Визначте бажаний результат до вибору продукту роботи	Створіть	Python
48	Дослідіть робочий процес, який люди справді виконують	Створіть	Python
49	Складіть карту припущень і спочатку перевірте найризикованіше	Створіть	Python
50	Виберіть найменшу частину, здатну змінити рішення	Створіть	Python
51	Пишіть специфікації, що зберігають можливість судження	Створіть	Python
52	Спроєктуйте метрики успіху до появи результату	Створіть	Python
53	Свідомо вибирайте прототип, пілот чи промислову версію	Створіть	Python
54	Створіть сталий механізм зворотного зв'язку з відповідальністю й виведенням з ужитку	Створіть	Python

Кожен урок робочого середовища на етапі 14 (31-42) містить mission.md, що інструктує агента до відкриття повної документації уроку.

Уроки 31-46 утворюють маршрут інженерії за допомогою агентів. Порядок у маніфесті поєднує основу робочого середовища з формулюванням завдань, плануванням, делегуванням і сталим зворотним зв'язком. Уроки 47-54 утворюють маршрут продуктового мислення й постачання: від визначення результатів до доказів, ризиків, обсягу, вимірювання, поетапного випуску й відповідальності за зворотний зв'язок.

Етап 15: Автономні системи 22 уроки Агенти тривалої роботи, самовдосконалення й стек безпеки 2026 року.

#	Урок	Тип	Мова
01	Від чатботів до агентів тривалих завдань (METR)	Вивчіть	Python
02	STaR, V-STaR, Quiet-STaR: самостійне навчання міркування	Вивчіть	Python
03	AlphaEvolve: еволюційні агенти програмування	Вивчіть	Python
04	Darwin Gödel Machine: агенти, що змінюють себе	Вивчіть	Python
05	AI Scientist v2: дослідження рівня наукового семінару	Вивчіть	Python
06	Автоматизовані дослідження узгодження (Anthropic AAR)	Вивчіть	Python
07	Рекурсивне самовдосконалення: можливості й узгодження	Вивчіть	Python
08	Проєктування самовдосконалення з чіткими межами	Вивчіть	Python
09	Ландшафт автономних агентів програмування (SWE-bench, CodeAct)	Вивчіть	Python
10	Режими дозволів автономних агентів	Вивчіть	Python
11	Браузерні агенти й непряма ін'єкція промптів	Вивчіть	Python
12	Стале виконання для агентів тривалої роботи	Вивчіть	Python
13	Бюджети дій, межі ітерацій і контроль вартості	Вивчіть	Python
14	Аварійні вимикачі, запобіжники й канаркові токени	Вивчіть	Python
15	HITL: спочатку пропозиція, потім підтвердження	Вивчіть	Python
16	Контрольні точки й відкат	Вивчіть	Python
17	Конституційний AI і перевизначення правил	Вивчіть	Python
18	Llama Guard і класифікація вводу та виводу	Вивчіть	Python
19	Anthropic Responsible Scaling Policy v3.0	Вивчіть	Python
20	OpenAI Preparedness Framework і DeepMind FSF	Вивчіть	Python
21	Часові горизонти METR і зовнішнє оцінювання	Вивчіть	Python
22	CAIS, CAISI та ризики суспільного масштабу	Вивчіть	Python

Етап 16: Багатоагентні системи й рої 25 уроків Координація, емерджентність і колективний інтелект.

#	Урок	Тип	Мова
01	Навіщо кілька агентів	Вивчіть	TypeScript
02	Спадщина FIPA-ACL і мовленнєві акти	Вивчіть	Python
03	Протоколи комунікації	Створіть	TypeScript
04	Базова модель багатоагентних систем	Вивчіть	Python
05	Шаблон керівника / оркестратора й виконавця	Створіть	Python
06	Ієрархічна архітектура та відхилення декомпозиції	Вивчіть	Python
07	Суспільство розуму й багатоагентні дебати	Створіть	Python
08	Рольова спеціалізація: планувальник, критик, виконавець і перевіряльник	Створіть	Python
09	Паралельні рої та мережеві архітектури	Створіть	Python
10	Груповий чат і вибір мовця	Створіть	Python
11	Передавання роботи й процедури (оркестрація без стану)	Створіть	Python
12	A2A: протокол взаємодії агентів	Створіть	Python
13	Спільна пам'ять і шаблони чорної дошки	Створіть	Python
14	Консенсус і візантійська відмовостійкість	Створіть	Python
15	Голосування, самоузгодженість і топологія дебатів	Створіть	Python
16	Переговори й торг	Створіть	Python
17	Генеративні агенти та симуляція емерджентної поведінки	Створіть	Python
18	Теорія розуму й емерджентна координація	Створіть	Python
19	Ройова оптимізація (PSO, ACO)	Створіть	Python
20	MARL: MADDPG, QMIX, MAPPO	Вивчіть	Python
21	Агентні економіки, токенові стимули й репутація	Вивчіть	Python
22	Промислове масштабування: черги, контрольні точки й стійкість	Створіть	Python
23	Режими відмов: MAST, групове мислення й одноманітність	Вивчіть	Python
24	Бенчмарки оцінювання та координації	Вивчіть	Python
25	Практичні приклади й передові підходи 2026 року	Вивчіть	Python

Етап 17: Інфраструктура й експлуатація 29 уроків Виводьте AI в реальний світ.

#	Урок	Тип	Мова
01	Керовані LLM-платформи: Bedrock, Azure OpenAI, Vertex AI	Вивчіть	Python
02	Економіка платформ інференсу: Fireworks, Together, Baseten, Modal	Вивчіть	Python
03	Автомасштабування GPU в Kubernetes: Karpenter, KAI Scheduler	Вивчіть	Python
04	Рушії інференсу зсередини: PagedAttention, безперервні пакети й фрагментований prefill	Вивчіть	Python
05	Спекулятивне декодування EAGLE-3 у промисловій експлуатації	Вивчіть	Python
06	Обслуговування з кешем префіксів: RadixAttention і повторне використання KV	Вивчіть	Python
07	Апаратно-спеціалізована компіляція інференсу: FP8 і NVFP4 на Blackwell	Вивчіть	Python
08	Метрики інференсу: TTFT, TPOT, ITL, Goodput, P99	Вивчіть	Python
09	Промислове квантування: AWQ, GPTQ, GGUF, FP8, NVFP4	Вивчіть	Python
10	Зменшення холодного старту безсерверних LLM	Вивчіть	Python
11	Обслуговування LLM у кількох регіонах і локальність KV-кешу	Вивчіть	Python
12	Інференс на периферії: ANE, Hexagon, WebGPU, Jetson	Вивчіть	Python
13	Вибір стека спостережуваності LLM	Вивчіть	Python
14	Економіка кешування промптів і семантичного кешування	Вивчіть	Python
15	Пакетні API: знижка 50% як галузевий стандарт	Вивчіть	Python
16	Маршрутизація моделей як основа зниження вартості	Вивчіть	Python
17	Розділені prefill і декодування: NVIDIA Dynamo та llm-d	Вивчіть	Python
18	Промисловий стек інференсу: вивантаження KV і маршрутизація з урахуванням кешу	Вивчіть	Python
19	AI-шлюзи: LiteLLM, Portkey, Kong, Bifrost	Вивчіть	Python
20	Тіньове, канаркове й поступове розгортання	Вивчіть	Python
21	A/B-тестування LLM-функцій: GrowthBook і Statsig	Вивчіть	Python
22	Навантажувальне тестування LLM API: k6, LLMPerf, GenAI-Perf	Створіть	Python
23	SRE для AI: багатоагентне реагування на інциденти	Вивчіть	Python
24	Хаос-інженерія для промислових LLM	Вивчіть	Python
25	Безпека: секрети, очищення персональних даних і журнали аудиту	Вивчіть	Python
26	Відповідність вимогам: SOC 2, HIPAA, GDPR, EU AI Act, ISO 42001	Вивчіть	Python
27	FinOps для LLM: юніт-економіка й розподіл витрат між орендарями	Вивчіть	Python
28	Вибір власного інференсу: узгодження рушія, обладнання й масштабу	Вивчіть	Python
29	Демо-інтерфейси для моделей: від функції до застосунку, яким можна поділитися	Створіть	Python

Етап 18: Етика, безпека й узгодження 30 уроків Створюйте AI, що допомагає людству. Це обов'язково.

#	Урок	Тип	Мова
01	Виконання інструкцій як сигнал узгодження	Вивчіть	Python
02	Злам винагороди й закон Ґудгарта	Вивчіть	Python
03	Родина методів прямої оптимізації вподобань	Вивчіть	Python
04	Підлабузництво, посилене RLHF	Вивчіть	Python
05	Конституційний AI і RLAIF	Вивчіть	Python
06	Мезаоптимізація та оманливе узгодження	Вивчіть	Python
07	Сплячі агенти: стійкий обман	Вивчіть	Python
08	Приховане планування в контексті передових моделей	Вивчіть	Python
09	Удаване узгодження	Вивчіть	Python
10	Контроль AI: безпека попри саботаж	Вивчіть	Python
11	Масштабований нагляд і навчання від слабкого до сильного	Вивчіть	Python
12	Red teaming: PAIR та автоматизовані атаки	Створіть	Python
13	Обхід захисту через численні приклади	Вивчіть	Python
14	ASCII-арт і візуальний обхід захисту	Створіть	Python
15	Непряма ін'єкція промптів	Створіть	Python
16	Інструменти червоної команди: Garak, Llama Guard, PyRIT	Створіть	Python
17	WMDP та оцінювання можливостей подвійного використання	Вивчіть	Python
18	Рамки безпеки передових моделей: RSP, PF, FSF	Вивчіть	Python
19	Дослідження добробуту моделей	Вивчіть	Python
20	Упередженість і шкода репрезентації	Створіть	Python
21	Критерії справедливості: групові, індивідуальні й контрфактичні	Вивчіть	Python
22	Диференціальна приватність для LLM	Створіть	Python
23	Водяні знаки: SynthID, Stable Signature, C2PA	Створіть	Python
24	Регуляторні рамки: ЄС, США, Велика Британія й Корея	Вивчіть	Python
25	EchoLeak і CVE для AI	Вивчіть	Python
26	Картки моделей, систем і наборів даних	Створіть	Python
27	Походження даних і керування навчальними даними	Вивчіть	Python
28	Екосистема досліджень узгодження: MATS, Redwood, Apollo, METR	Вивчіть	Python
29	Системи модерації: OpenAI, Perspective, Llama Guard	Створіть	Python
30	Ризики подвійного використання: кібернетика, біологія, хімія й ядерні технології	Вивчіть	Python

Етап 19: Підсумкові проєкти 85 уроків 17 наскрізних продуктів + 9 поглиблених практичних маршрутів. 20-40 годин на проєкт; 4-12 уроків на маршрут.

#	Проєкт	Поєднує	Мова
01	Термінальний агент програмування	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	RAG над кодовою базою (семантичний пошук між репозиторіями)	P5 P7 P11 P13 P17	Python
03	Голосовий помічник у реальному часі (ASR → LLM → TTS)	P6 P7 P11 P13 P14 P17	Python
04	Мультимодальні запитання й відповіді про документи з опорою на зір	P4 P5 P7 P11 P12 P17	Python
05	Автономний дослідницький агент класу AI Scientist	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	DevOps-агент для пошуку несправностей у Kubernetes	P11 P13 P14 P15 P17 P18	Python
07	Наскрізний конвеєр донавчання	P2 P3 P7 P10 P11 P17 P18	Python
08	Промисловий RAG-чатбот для регульованої галузі	P5 P7 P11 P12 P17 P18	Python
09	Агент міграції коду й оновлення всього репозиторію	P5 P7 P11 P13 P14 P15 P17	Python
10	Багатоагентна команда розробки програмного забезпечення	P11 P13 P14 P15 P16 P17	Python
11	Панель спостережуваності й оцінювання LLM	P11 P13 P17 P18	Python
12	Конвеєр розуміння відео (сцена → запитання й відповіді)	P4 P6 P7 P11 P12 P17	Python
13	MCP-сервер без стану з реєстром і керуванням	P11 P13 P14 P17 P18	Python
14	Сервер інференсу зі спекулятивним декодуванням	P3 P7 P10 P17	Python
15	Конституційна оболонка безпеки й полігон червоної команди	P10 P11 P13 P14 P18	Python
16	Автономний агент від GitHub issue до PR	P11 P13 P14 P15 P17	Python
17	Особистий AI-викладач, адаптивний і мультимодальний	P5 P6 P11 P12 P14 P17 P18	Python

Поглиблені практичні маршрути: серії уроків, у яких ви створюєте повну підсистему з нуля.

#	Проєкт	Поєднує	Мова
20	Контракт циклу агентної оболонки	A. Агентна оболонка	Python
21	Реєстр інструментів із перевіркою схеми	A. Агентна оболонка	Python
22	JSON-RPC 2.0 через stdio з розділенням новими рядками	A. Агентна оболонка	Python
23	Диспетчер викликів функцій	A. Агентна оболонка	Python
24	Потік керування плануванням і виконанням	A. Агентна оболонка	Python
25	Контрольні перевірки й бюджет спостережень	A. Агентна оболонка	Python
26	Пісочниця зі списком заборон і обмеженням шляхів	A. Агентна оболонка	Python
27	Оболонка оцінювання з фіксованими тестовими завданнями	A. Агентна оболонка	Python
28	Спостережуваність через спани OTel GenAI та метрики Prometheus	A. Агентна оболонка	Python
29	Наскрізний агент програмування на оболонці виконання	A. Агентна оболонка	Python
30	BPE-токенізатор із нуля	B. NLP LLM	Python
31	Токенізований набір даних із ковзним вікном	B. NLP LLM	Python
32	Векторні подання токенів і позицій	B. NLP LLM	Python
33	Багатоголова самоувага	B. NLP LLM	Python
34	Блок Transformer з нуля	B. NLP LLM	Python
35	Складання моделі GPT	B. NLP LLM	Python
36	Цикл навчання й оцінювання	B. NLP LLM	Python
37	Завантаження попередньо навчених ваг	B. NLP LLM	Python
38	Донавчання класифікатора заміною голови	B. NLP LLM	Python
39	Навчання за інструкціями через донавчання з учителем	B. NLP LLM	Python
40	Пряма оптимізація вподобань із нуля	B. NLP LLM	Python
41	Повний конвеєр оцінювання	B. NLP LLM	Python
42	Завантажувач великого корпусу	C. Наскрізне навчання	Python
43	Токенізований корпус HDF5	C. Наскрізне навчання	Python
44	Косинусна швидкість навчання з лінійним розігрівом	C. Наскрізне навчання	Python
45	Обрізання градієнтів і змішана точність	C. Наскрізне навчання	Python
46	Накопичення градієнтів	C. Наскрізне навчання	Python
47	Збереження контрольної точки й відновлення	C. Наскрізне навчання	Python
48	Розподілений паралелізм даних і FSDP з нуля	C. Наскрізне навчання	Python
49	Оболонка оцінювання мовної моделі	C. Наскрізне навчання	Python
50	Генератор гіпотез	D. Автоматизоване дослідження	Python
51	Пошук наукової літератури	D. Автоматизоване дослідження	Python
52	Виконавець експериментів	D. Автоматизоване дослідження	Python
53	Оцінювач результатів	D. Автоматизоване дослідження	Python
54	Автор наукової статті	D. Автоматизоване дослідження	Python
55	Цикл критики	D. Автоматизоване дослідження	Python
56	Планувальник ітерацій	D. Автоматизоване дослідження	Python
57	Наскрізна демонстрація дослідження	D. Автоматизоване дослідження	Python
58	Фрагменти візуального кодувальника	E. Мультимодальна візуально-мовна модель	Python
59	Кодувальник Vision Transformer	E. Мультимодальна візуально-мовна модель	Python
60	Проєкційний шар для узгодження модальностей	E. Мультимодальна візуально-мовна модель	Python
61	Злиття через перехресну увагу	E. Мультимодальна візуально-мовна модель	Python
62	Попереднє навчання зору й мови	E. Мультимодальна візуально-мовна модель	Python
63	Мультимодальне оцінювання	E. Мультимодальна візуально-мовна модель	Python
64	Порівняння стратегій поділу на фрагменти	F. Поглиблений RAG	Python
65	Гібридний пошук із BM25 і щільними векторними поданнями	F. Поглиблений RAG	Python
66	Переранжування перехресним кодувальником	F. Поглиблений RAG	Python
67	Переписування запитів: HyDE, Multi-Query та декомпозиція	F. Поглиблений RAG	Python
68	Оцінювання RAG: точність, повнота, MRR, nDCG, достовірність і релевантність відповіді	F. Поглиблений RAG	Python
69	Наскрізна RAG-система	F. Поглиблений RAG	Python
70	Формат специфікації завдань	G. Фреймворк оцінювання	Python
71	Класичні метрики	G. Фреймворк оцінювання	Python
72	Метрика виконання коду	G. Фреймворк оцінювання	Python
73	Перплексія та калібрування	G. Фреймворк оцінювання	Python
74	Агрегування таблиць лідерів	G. Фреймворк оцінювання	Python
75	Наскрізний виконавець оцінювання	G. Фреймворк оцінювання	Python
76	Колективні операції з нуля	H. Розподілене навчання	Python
77	Паралелізм даних DDP з нуля	H. Розподілене навчання	Python
78	Розподіл стану оптимізатора ZeRO	H. Розподілене навчання	Python
79	Конвеєрний паралелізм і аналіз простоїв	H. Розподілене навчання	Python
80	Розподілена контрольна точка й атомарне відновлення	H. Розподілене навчання	Python
81	Наскрізне розподілене навчання	H. Розподілене навчання	Python
82	Класифікація способів обходу захисту	I. Оболонка безпеки	Python
83	Детектор ін'єкцій промптів	I. Оболонка безпеки	Python
84	Оцінювання відмов	I. Оболонка безпеки	Python
85	Інтеграція класифікатора вмісту	I. Оболонка безпеки	Python
86	Рушій конституційних правил	I. Оболонка безпеки	Python, YAML
87	Наскрізна перевірка безпеки	I. Оболонка безпеки	Python

Книжки та сертифікації

Читайте основний курс як книжку

Основний курс із 20 етапів у phases/ збирається в книжкову серію із шести томів. CI створює EPUB і PDF з тих самих джерел уроків і додає їх до кожного випуску GitHub. Посилання нижче завжди ведуть до найновішого випуску. Номери томів визначають місце в серії, а не версію: кожна копія має дату видання, а старі видання залишаються доступними у відповідних випусках.

Сертифікаційні програми навмисно не включено до книжок. Стан їхніх AI-викладачів, виконувані лабораторні роботи, інтерактивні ілюстрації, діагностичні тести й тренувальні іспити з обмеженням часу залишаються доступними в GitHub і на сайті.

Том	Назва	Етапи	Завантажити
1	Основи · Математика, інструменти й класичне машинне навчання	00-02	EPUB · PDF
2	Глибоке навчання · Мережі, зір і мовлення	03, 04, 06	EPUB · PDF
3	Мова · Основи NLP і Transformer	05, 07	EPUB · PDF
4	Великі мовні моделі · Генерація, підкріплення, попереднє навчання й інженерія	08-11	EPUB · PDF
5	Агенти · Мультимодальність, протоколи, автономність і рої	12-16	EPUB · PDF
6	Експлуатація · Інфраструктура, безпека й підсумкові проєкти	17-19	EPUB · PDF

Книжка є знімком стану, а цей репозиторій є живим виданням. Кожен розділ завершується посиланнями на анімовані ілюстрації, тест і виконуваний код уроку. Зберіть локально командою python3 scripts/build_book.py (потрібен pandoc). Подробиці процесу є в book/README.md.

Готуйтеся до сертифікацій Claude

Академія сертифікації Claude є безкоштовною програмою підготовки з відкритим кодом для всіх чотирьох офіційних напрямів: Associate Foundations, Developer Foundations, Architect Foundations і Architect Professional. Кожен маршрут поєднує уроки за планом іспиту, виконувані лабораторні роботи, діагностичний тест, підсумковий проєкт і повний оригінальний тренувальний іспит.

Використовуйте посібник із початку роботи в GitHub за допомогою AI з Claude Code, Codex, ChatGPT, Cursor або іншим агентом. Запустіть claude-certification у Codex, /claude-certification у Claude Code або попросіть інший хост застосувати claude-certification. Навичка вибирає напрям, створює постійний маршрут у CLAUDE-CERTIFICATION.md, навчає крок за кроком, запускає справжні лабораторні роботи й надає відгук за результатами роботи. Той самий курс доступний на сайті сертифікацій.

Академія є незалежним навчальним матеріалом на основі публічних цілей іспитів. Вона не пов'язана з Anthropic, не відтворює справжніх екзаменаційних запитань і не гарантує успішного складання.

Готуйтеся до сертифікації MCP Associate (MCPA)

Навчальна програма сертифікації MCPA є безкоштовною програмою з відкритим кодом для підготовки до іспиту Model Context Protocol Associate від Agentic AI Foundation, який пропонує Linux Foundation Training. Її 34 уроки викладають протокол без стану від 2026-07-28 у п'яти екзаменаційних розділах: _meta для кожного запиту й server/discover замість старого рукостискання, багатораундові запити, підписки, кешування, розширення Tasks і MCP Apps, авторизація OAuth, а також рівні реєстру й SDK. Кожен урок містить виконувану лабораторну роботу лише зі стандартною бібліотекою; її протокол виконання перевіряється на відповідність актуальному формату повідомлень. Додатково маршрут містить діагностичний тест, підсумковий проєкт і три повні оригінальні тренувальні іспити, у яких розподіл запитань відповідає опублікованим вагам тем.

Використовуйте посібник із початку роботи в GitHub за допомогою AI з Claude Code, Codex, ChatGPT, Cursor або іншим агентом. Запустіть mcpa-certification у Codex, /mcpa-certification у Claude Code або попросіть інший хост застосувати mcpa-certification. Навичка створює постійний маршрут у MCPA-CERTIFICATION.md, навчає крок за кроком, запускає справжні лабораторні роботи й надає відгук за результатами роботи. Той самий курс є на сторінці маршруту MCPA.

Це незалежний навчальний матеріал на основі публічних цілей іспиту. Він не пов'язаний з Agentic AI Foundation або Linux Foundation, не відтворює справжніх екзаменаційних запитань і не гарантує успішного складання.

Набір інструментів

Кожен урок створює результат для повторного використання. Встановіть його у свого агента або використовуйте наведені нижче скрипти з кореня репозиторію.

Структура уроків і результати для повторного використання

Структура уроку

Кожен урок міститься в окремому каталозі з однаковою структурою для всього курсу:

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      виконувані реалізації (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  текст уроку
└── outputs/   промпти, навички, агенти або MCP-сервери, створені в уроці

Кожен урок має шість частин. Основою є поділ Створіть / Використайте: спочатку ви реалізуєте алгоритм із нуля, а потім запускаєте те саме через промислову бібліотеку. Ви розумієте роботу фреймворку, бо власноруч написали його меншу версію.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["ГОЛОВНА ДУМКА<br/><sub>суть одним рядком</sub>"] --> Pr["ПРОБЛЕМА<br/><sub>конкретна складність</sub>"]
  Pr --> C["ПОНЯТТЯ<br/><sub>схеми й інтуїція</sub>"]
  C --> B["СТВОРІТЬ<br/><sub>базова математика без фреймворків</sub>"]
  B --> U["ВИКОРИСТАЙТЕ<br/><sub>те саме в PyTorch / sklearn</sub>"]
  U --> S["ОПУБЛІКУЙТЕ<br/><sub>промпт · навичка · агент · MCP</sub>"]

Кожен урок дає результат

Інші курси завершуються словами «Вітаємо, ви вивчили X». Тут кожен урок завершується інструментом для повторного використання, який можна встановити або вставити у щоденний робочий процес.

_{FIG_001 · A} ПРОМПТИ	_{FIG_001 · B} НАВИЧКИ	_{FIG_001 · C} АГЕНТИ	_{FIG_001 · D} MCP-СЕРВЕРИ
Вставте в будь-якого AI-помічника, щоб отримати експертну допомогу з вузьким завданням.	Додайте до Claude, Cursor, Codex, OpenClaw, Hermes або будь-якого агента, який читає `SKILL.md`.	Розгорніть як автономних виконавців. Цикл ви власноруч написали на етапі 14.	Під'єднайте до будь-якого сумісного з MCP клієнта. Повністю створено на етапі 13.

Встановити результати уроків

Результати уроків. Репозиторій містить 414 навичок і 100 промптів у phases/**/outputs/. Установлюйте їх через scripts/install_skills.py. Потрібно клонувати репозиторій. Підтримуються фільтри за тегами, попередній перегляд без запису та структури каталогів для різних агентів:

python3 scripts/install_skills.py <target>                                 # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills                 # same as above, explicit
python3 scripts/install_skills.py <target> --type all                      # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14                      # one phase only
python3 scripts/install_skills.py <target> --tag rag                       # filter by tag
python3 scripts/install_skills.py <target> --layout flat                   # flat files
python3 scripts/install_skills.py <target> --dry-run                       # preview without writing
python3 scripts/install_skills.py <target> --force                         # overwrite existing files

<target> є каталогом навичок вашого агента: наприклад, ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ або будь-який шлях, який читає агент.

За замовчуванням скрипт відмовляється перезаписувати наявне призначення й завершується з кодом 1 після переліку всіх конфліктних шляхів. Використовуйте --dry-run для перегляду конфліктів або --force для перезапису. Кожен запуск із фактичним записом створює в цільовому каталозі manifest.json з повним переліком, згрупованим за типом і етапом. Виберіть структуру, яку читає ваш агент:

`--layout`	Створюваний шлях
`skills`	`<target>/<name>/SKILL.md` (вкладена структура, яку підтримують Claude / Cursor / Codex / OpenClaw / Hermes)
`by-phase`	`<target>/phase-NN/<name>.md`
`flat`	`<target>/<name>.md`

Додайте робоче середовище агента у власний репозиторій

Підсумковий проєкт етапу 14 містить пакет Agent Workbench для повторного використання: AGENTS.md, схеми та скрипти ініціалізації, перевірки й передавання роботи. Створіть каркас у будь-якому репозиторії командою:

python3 scripts/scaffold_workbench.py path/to/your-repo            # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # overwrite

Ви отримаєте сім під'єднаних інтерфейсів робочого середовища, початковий task_board.json і новий agent_state.json зі значенням schema_version: 1. Далі відредагуйте завдання й AGENTS.md, запустіть scripts/init_agent.py та передайте контракт агенту. Джерело пакета міститься в phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.

Переглядайте весь курс у JSON

scripts/build_catalog.py обходить усі етапи, уроки й результати на диску та записує catalog.json у корені репозиторію. Один файл описує весь вміст курсу.

python3 scripts/build_catalog.py               # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json

Каталог будується з файлової системи, а не з README, тому кількості завжди відповідають реальному вмісту диска. Використовуйте його для збирання сайту, інших інструментів або перевірки чисел у README. Схему задокументовано на початку скрипту.

Робочий процес програми створює catalog.json як тимчасовий артефакт, який Git ігнорує. Не додавайте його до коміту. Той самий процес запускає audit_lessons.py як обов’язкову блокувальну перевірку.

Швидко перевіряйте Python-код усіх уроків

scripts/lesson_run.py компілює в байткод кожен файл .py у каталогах code/ усіх уроків. Типовий режим перевіряє лише синтаксис: без виконання, API-ключів і важких ML-залежностей. Він виявляє поширені помилки у внесках: неправильні відступи, зламані f-рядки та ненавмисні зміни.

python3 scripts/lesson_run.py                  # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14       # one phase only
python3 scripts/lesson_run.py --json           # JSON report on stdout
python3 scripts/lesson_run.py --strict         # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute        # actually run, 10s timeout per lesson

--execute запускає code/main.py кожного уроку або перший файл .py з обмеженням у 10 секунд. Уроки, у чиєму вхідному файлі коментар # requires: pkg1, pkg2 перелічує залежності поза стандартною бібліотекою, пропускаються з причиною needs <deps>. Виконання потрібно вмикати явно; до CI його не під'єднано.

Лише стандартна бібліотека, Python 3.10+. Установіть LINK_CHECK_SKIP=domain1,domain2, щоб замінити типовий список пропуску: twitter.com, x.com, linkedin.com, instagram.com, medium.com, які часто блокують автоматизовані запити HEAD/GET.

Основоположні статті та протоколи

Attention Is All You Need — Vaswani et al., 2017 → Етап 7
Language Models are Few-Shot Learners (GPT-3) → Етап 10
Denoising Diffusion Probabilistic Models → Етап 8
InstructGPT / RLHF → Етап 10
Direct Preference Optimization → Етап 10
Chain-of-Thought Prompting → Етап 11
ReAct: Reasoning + Acting in LLMs → Етап 14
Model Context Protocol — Anthropic → Етап 13

Участь у проєкті

Мета	Прочитайте
Додати урок або виправлення	CONTRIBUTING.md
Створити форк для команди чи школи	FORKING.md
Шаблон уроку	LESSON_TEMPLATE.md
Відстежити прогрес	ROADMAP.md
Словник термінів	glossary/terms.md
Кодекс поведінки	CODE_OF_CONDUCT.md

Перш ніж надсилати урок, запустіть перевірку інваріантів:

python3 scripts/audit_lessons.py           # full curriculum
python3 scripts/audit_lessons.py --phase 14  # single phase
python3 scripts/audit_lessons.py --json    # CI-friendly output

Код завершення відмінний від нуля, якщо порушено будь-яке правило. Правила (L001–L010) перевіряють структуру каталогів, наявність docs/en.md і H1, непорожній code/, схему quiz.json (відхиляються застарілі ключі q/choices/answer, які спричинили проблему #102), а також відносні посилання в документації уроків.

Підтримайте роботу

_{114,584 читачів · 181,995 переглядів сторінок за останні 30 днів · станом на 2026-08-29}

Безкоштовно, за ліцензією MIT, 542 уроків. Дякуємо спонсорам і доброчинцям, завдяки яким ця робота можлива. Переглянути всіх спонсорів і доброчинців.

Хочете підтримати роботу? Перегляньте варіанти спонсорства, зокрема спонсорство обладнання, або станьте спонсором на GitHub.

Якщо цей посібник допоміг, поставте зірку репозиторію. Це допомагає проєкту розвиватися.

Ліцензія

MIT. Використовуйте як завгодно: робіть форки, викладайте, продавайте або публікуйте. Зазначення авторства вітається, але не є обов’язковим.

Підтримують Rohit Ghumare і спільнота.

_{@ghumare64 · aiengineeringfromscratch.com · Повідомити / запропонувати}

rohitg00/ai-engineering-from-scratch

Документація проєкту

Спонсори

Навчальні маршрути

Градієнтний спуск

Проєкти

Оберіть спосіб навчання

На вебсайті

Із ШІ-наставником

Навчальні навички

Запустіть код локально

Працюйте з кожним уроком однаково

Оберіть навчальний маршрут

Попередні знання

З чого почати

Структура навчальної програми

Зміст

Етап 0: Налаштування та інструменти `13 уроків`

Книжки та сертифікації

Набір інструментів

Структура уроку

Кожен урок дає результат

Участь у проєкті

Підтримайте роботу

Ліцензія

Поточні місця

Динаміка за 30 днів

Сусіди рейтингу в тому ж топі · Титани

rohitg00/ai-engineering-from-scratch

Документація проєкту

Спонсори

Навчальні маршрути

Градієнтний спуск

Проєкти

Оберіть спосіб навчання

На вебсайті

Із ШІ-наставником

Навчальні навички

Запустіть код локально

Працюйте з кожним уроком однаково

Оберіть навчальний маршрут

Попередні знання

З чого почати

Структура навчальної програми

Зміст

Етап 0: Налаштування та інструменти 13 уроків

Книжки та сертифікації

Набір інструментів

Структура уроку

Кожен урок дає результат

Участь у проєкті

Підтримайте роботу

Ліцензія

Поточні місця

Динаміка за 30 днів

Сусіди рейтингу в тому ж топі · Титани

Етап 0: Налаштування та інструменти `13 уроків`