Логотип Prowid — курсы программирования PROWIDIT Education Academy

AI для разработчиков

Курс AI для разработчиков — Prowid
Длительность курса
1 мес/ 8 уроков
Индивидуально
В мес 160 AZN
В группе
В мес 130 AZN
При оплате за весь курс в группе
15% скидка
Оплата по частям
50/50
По подписке
от 30 AZN в мес
Искусственный интеллект меняет работу программиста. В курсе вы научитесь эффективно работать с AI-ассистентами и добавлять возможности LLM в свои приложения.

Идёт набор в новую группу — оставьте заявку, чтобы забронировать место

Записаться на курс Бесплатный пробный урок

Или учитесь сами в личном кабинете → по подписке от 30 AZN в месяц

Программа курса

Как работают LLM: токены, контекст, ограничения
Промпт-инжиниринг для разработчика
AI-ассистенты: GitHub Copilot, Cursor, Claude Code
Написание кода, рефакторинг, тесты и code review с AI
Проверка кода, написанного AI: ошибки и безопасность
Работа с API LLM: OpenAI, Anthropic, Gemini
Структурированные ответы и tool calling
RAG: чат-бот по вашим документам
Знакомство с AI-агентами и MCP
Финальный проект: веб-приложение с AI-функциями
Как мы учим?

Этапы обучения

01

Вебинар

Студенты подключаются к уроку в прямом эфире. В конце каждого урока студентам отправляется видеозапись занятия.

02

Домашнее задание

Все задания основаны на теме, пройденной на вебинаре. Домашняя работа помогает закрепить материал и лучше его понять.

03

Работа с ментором

Преподаватель на связи с группой и во время обучения, и вне занятий. Возникающие вопросы решаются сразу.

04

Портфолио

За время курса вы выполните несколько проектов на разные темы — они покажут работодателям ваши навыки.

Самостоятельное обучение

Полная программа в личном кабинете

104 тем с теорией, примерами и практикой. Первые 4 — бесплатно, остальные — по подписке. Интерактивных уроков со слайдами и тренажёрами: 94.

Начать бесплатно Подписка — от 30 AZN в месяц
Как работают большие языковые моделитем: 9
  1. AI для разработчика: что такое LLM и чему вы научитесь
  2. Токены: как модель видит текст
  3. Контекстное окно: рабочая память модели и её пределы
  4. Обучение и инференс: откуда модель знает то, что знает
  5. Генерация текста: предсказание токенов, temperature и top-p
  6. Галлюцинации: почему модель уверенно ошибается
  7. Ограничения LLM: где модели стабильно слабы
  8. Мир моделей: как выбрать модель под задачу
  9. Карта AI-инструментов разработчика
Промпт-инжиниринг для разработчикатем: 10
  1. Анатомия хорошего промпта: ясные и конкретные инструкции
  2. Контекст в промпте: код, ошибки, окружение и разделители
  3. Примеры в промпте: zero-shot и few-shot
  4. Роли и системные промпты
  5. Управление форматом ответа: длина, структура, JSON
  6. Дать модели подумать: chain of thought и reasoning-модели
  7. Декомпозиция: разбиваем сложную задачу на шаги
  8. Итерации над промптом: диагностика и улучшение
  9. Шаблоны промптов с переменными
  10. Проект: библиотека промптов для ежедневных задач разработчика
AI-ассистенты для кода: Copilot, Cursor, Claude Codeтем: 9
  1. GitHub Copilot: автодополнение, чат и агентный режим
  2. Cursor: AI-редактор, inline-правки и агент
  3. Claude Code: агент для разработки в терминале
  4. Рабочие процессы в Claude Code: план, код, тесты, коммит
  5. Контекст проекта для ассистентов: CLAUDE.md, AGENTS.md и правила
  6. Как ставить задачи AI-агенту: спецификация и критерии приёмки
  7. Проверка кода, написанного AI
  8. Безопасность сгенерированного кода
  9. Приватность, секреты и лицензии при работе с AI-инструментами
AI в ежедневной разработкетем: 10
  1. Объяснение незнакомого кода с помощью AI
  2. Пишем код с AI: от требований до работающей функции
  3. Отладка с AI: от стек-трейса к причине
  4. Рефакторинг с AI без поломок
  5. Написание тестов с AI
  6. Документация с AI: комментарии, README, commit-сообщения
  7. AI как ревьюер: code review своего и чужого кода
  8. Изучение новых технологий с AI без зависимости от него
  9. Работа с legacy-кодом: разобраться, задокументировать, изменить
  10. Проект: рефакторинг legacy-проекта с помощью AI
Работа с API языковых моделейтем: 10
  1. API языковых моделей: аккаунт, ключи и переменные окружения
  2. Первый запрос через SDK на Python и JavaScript
  3. Формат messages: роли, история диалога и системный промпт
  4. Параметры запроса: max_tokens, temperature, stop-последовательности
  5. Streaming: вывод ответа по мере генерации
  6. Ошибки, повторы и rate limits
  7. Подсчёт токенов и оценка стоимости
  8. Кэширование промптов
  9. Разные провайдеры: Anthropic, OpenAI, Gemini и совместимые API
  10. Проект: консольный AI-помощник разработчика
Структурированные ответы и tool callingтем: 8
  1. Структурированные ответы по JSON Schema
  2. Типизированные ответы: Pydantic и Zod
  3. Извлечение данных из неструктурированного текста
  4. Tool use: как модель вызывает ваши функции
  5. Цикл tool use: выполнение и возврат результата
  6. Несколько инструментов, параллельные вызовы и tool_choice
  7. Проектирование хороших инструментов
  8. Проект: сервис разбора обращений в поддержку
AI-функции в веб-приложенияхтем: 9
  1. Архитектура веб-приложения с LLM
  2. Streaming в браузер: Server-Sent Events
  3. Интерфейс чата: сообщения, markdown и состояния
  4. История диалога и управление контекстом в чат-приложении
  5. Функция суммаризации текстов и документов
  6. Классификация текстов с помощью LLM
  7. Модерация пользовательского контента
  8. Перевод и локализация с помощью LLM
  9. Проект: веб-чат-бот со streaming
Эмбеддинги, векторные базы и RAGтем: 10
  1. Эмбеддинги: смысл текста в виде вектора
  2. Семантический поиск без базы данных
  3. Векторные базы данных и Chroma
  4. pgvector: векторный поиск в PostgreSQL
  5. RAG: как дать модели знания из ваших документов
  6. Загрузка документов и разбиение на чанки
  7. Качество поиска: гибридный поиск, reranking и переписывание запроса
  8. Ответ по найденным источникам: промпт, цитаты и «не знаю»
  9. Оценка RAG: метрики поиска и точность ответов
  10. Проект: вопрос-ответ по документам на основе RAG
AI-агентытем: 7
  1. Workflow и агенты: паттерны построения LLM-систем
  2. Агентный цикл с нуля
  3. Планирование и самопроверка агента
  4. Память агента: контекст, заметки и долговременное хранилище
  5. Guardrails: как держать агента под контролем
  6. Фреймворки и SDK для агентов
  7. Проект: AI-агент с инструментами
Model Context Protocol (MCP)тем: 6
  1. Что такое Model Context Protocol
  2. Подключение MCP-серверов к Claude Code, Cursor и десктоп-приложениям
  3. Пишем MCP-сервер на Python
  4. Пишем MCP-сервер на TypeScript
  5. MCP: ресурсы, промпты и тестирование сервера
  6. Проект: MCP-сервер для собственного инструмента
Мультимодальность и локальные моделитем: 5
  1. Работа с изображениями: vision в API
  2. PDF и документы: извлечение текста, таблиц и смысла
  3. Распознавание речи: от аудио к тексту и выводам
  4. Локальные модели с Ollama
  5. Ollama в коде: API, OpenAI-совместимость и локальный RAG
Качество, безопасность и оптимизациятем: 7
  1. Evals: тестовые наборы для LLM-функций
  2. LLM-as-judge: модель оценивает модель
  3. Логирование, трассировка и мониторинг LLM-приложений
  4. Prompt injection: атаки и защита
  5. Утечки данных и проверка ответов модели
  6. Оптимизация стоимости и скорости
  7. Проект: evals и проверка безопасности вашего AI-приложения
Ответственный AI, карьера и финальный проекттем: 4
  1. Ответственный AI: предвзятость, прозрачность и право
  2. AI и рынок труда: карьера разработчика в эпоху LLM
  3. Финальный проект: идея, спецификация и архитектура
  4. Финальный проект: веб-приложение с AI-функциями

Группа и индивидуальные занятия — это преподаватель, проверка заданий и сертификат. Подписка — материалы, тренажёры и прогресс в своём темпе, без обратной связи преподавателя.

Курс AI для разработчиков: как записаться

Заполните форму — сообщим дату старта ближайшей группы, расписание и условия оплаты. А можно сначала прийти на бесплатный пробный урок.

+994 77 333 38 36 Или сразу напишите в WhatsApp info@prowid.com

Отправляя форму, вы соглашаетесь, что данные будут использованы только для связи с вами.

WhatsApp