Маршрут обучения AI Engineering from Scratch: как пройти 523 урока по инженерии ИИ? Какая конфигурация нужна для Python, LLM, RAG и практических проектов?

В официальном репозитории AI Engineering from Scratch указано 523 урока — это объём каталога, а не предписание пройти каждый материал подряд (описание курса и его структура). Практичный выбор для большинства разработчиков — сначала определить проект и уже имеющиеся навыки, затем выбрать соответствующий учебный путь; базовые задачи выполнять локально, а облачную среду подключать только тогда, когда требования конкретного эксперимента этого оправдывают.

Этот разбор для Python-разработчиков, которые хотят перейти к инженерии LLM и выбрать отправную точку без повторения знакомых основ.
Он также подойдёт новичкам, которым нужно проверить предварительные навыки, и инженерам, собирающим портфолио из воспроизводимых проектов.

Последнее обновление: 30 сентября 2026 года. Сведения о структуре и количестве уроков сверены с официальным репозиторием, описанием учебных путей и историей выпусков. Перед началом занятий проверьте текущие файлы экспериментов и их зависимости: каталог курса может обновляться.

Выберите маршрут обучения AI Engineering from Scratch по своей цели

Учебная программа полезна не тем, что в ней много материалов, а тем, что помогает последовательно получить нужные навыки. Поэтому первый вопрос — не «сколько уроков осталось», а «какой результат должен получиться». Официальная страница учебных путей курса — отправная точка для выбора направления. Сопоставляйте её содержание с собственным опытом, а не воспринимайте перечень тем как универсальный учебный план.

Для принятия решения полезно разделить читателей по исходной точке:

• Разработчик уже уверенно пишет на Python. Начните с изучения структуры официального каталога и учебного пути, связанного с вашей задачей. Если вы уже умеете собирать проект, работать с библиотеками и отлаживать код, не нужно автоматически проходить все вводные упражнения. Возвращайтесь к основам точечно, когда они встречаются в эксперименте и мешают понять решение.
• Программирование пока незнакомо или освоено фрагментарно. Сначала проверьте, можете ли вы читать и менять небольшой скрипт, пользоваться функциями и коллекциями, устанавливать зависимости и разбираться в сообщениях об ошибках. Если это пока трудно, переход к моделям и прикладным библиотекам добавит сразу несколько источников путаницы.
• Цель — приложение с LLM или RAG. Планируйте маршрут вокруг полного потока данных: входные документы, подготовка, извлечение релевантного контекста, вызов модели и проверка ответа. Теорию стоит изучать в объёме, достаточном для объяснения поведения системы, а не вместо работающего прототипа.
• Цель — Agent или производственное развёртывание. Смотрите, как в официальном каталоге связаны инструменты, вызовы моделей и темы эксплуатации. Не считайте знакомство с Agent достаточным подтверждением готовности к эксплуатации: проверяйте, можно ли повторить запуск, увидеть сбои и объяснить поведение инструментов.

Такой подход особенно важен, если поиск ведётся по запросу «AI Engineering from Scratch 523 lessons»: количество — удобный ориентир для масштаба курса, но не мера вашей готовности к работе. Фактический путь зависит от того, насколько знакомы Python и машинное обучение, а также какой проект нужно довести до демонстрируемого состояния.

Проверьте основы Python и математики до перехода к моделям

Тем, кто начинает без надёжной базы, не следует делать вывод о готовности только по просмотру лекций. Важно уметь использовать знания в простом, но законченном упражнении. Учебник Python можно использовать как справочник по языку и его основным конструкциям; документация не обещает, что одного чтения достаточно для освоения инженерной практики.

Для самопроверки возьмите небольшой набор входных данных и выполните несколько действий: прочитайте его, преобразуйте значения, напишите функцию обработки, сохраните результат и предусмотрите некорректный ввод. Затем повторите задачу без копирования готового решения. Цель — не продемонстрировать скорость, а проверить, можете ли вы найти ошибку, объяснить поток данных и воспроизвести результат.

Математику лучше оценивать через задачи, которые встречаются в выбранном направлении. Если дальнейший маршрут опирается на базовые идеи машинного обучения, нужно понимать, как устроены признаки, модель, обучение и оценка качества. В руководстве по началу работы со scikit-learn эти элементы рассматриваются в контексте практического использования библиотеки. Проверочный проект здесь — не самостоятельное доказательство глубокого знания математики, а возможность увидеть, какие понятия остаются непонятными при обучении и проверке модели.

Если упражнение удаётся выполнить лишь при точном повторении инструкции, это сигнал не переходить немедленно к следующей сложной теме. Разберите, что именно зависело от шаблона: синтаксис, подготовка данных, установка пакетов или смысл метрики. После этого повторите задачу с немного изменёнными данными. Такой шаг помогает отличить пробел в программировании от пробела в понимании метода.

Не пытайтесь по названию курса вывести обязательную конфигурацию компьютера. Требование к ресурсам возникает из конкретного эксперимента — например, локального запуска модели, — а не из общего размера каталога.

Составьте путь к RAG через проверяемый прототип

Для RAG-проекта нужно связать несколько разных задач, которые нередко ошибочно воспринимаются как одна тема. Сначала требуется подготовить документы и понять, какие данные попадут в систему. Затем — организовать retrieval, передать найденный контекст модели и проверить, насколько ответы опираются на нужные материалы. Документация Transformers по RAG полезна для знакомства с модельной стороной retrieval-augmented generation, но не заменяет проектирование всей прикладной системы.

Начните не с большой коллекции и сложной инфраструктуры, а с ограниченного набора документов, на которых можно вручную проверить ожидаемый результат. Для каждого тестового вопроса зафиксируйте, какие материалы система должна найти, что она вернула и на каком этапе возникла ошибка. Если модель отвечает неверно, проверьте сначала входные данные и найденный контекст, а не сразу меняйте модель или добавляйте ещё один компонент.

После появления понятного прототипа расширяйте его по одному направлению. Например, отдельно улучшайте подготовку документов, затем оценку retrieval, а после — обработку ответа моделью. Так легче установить причинную связь между изменением и результатом. Если одновременно поменять данные, модель и способ поиска, даже успешный ответ не покажет, какое решение оказалось полезным.

Такой порядок соответствует практической LLM-обучению: базовые знания о моделях нужны, но ценность пути проявляется в способности диагностировать конкретную ошибку. Для первого RAG-результата важнее воспроизводимый сценарий и набор проверочных запросов, чем сложный интерфейс или крупный корпус.

Подготовьте Agent-проект к проверке и эксплуатации

Если цель — Agent, учитесь не только соединять модель с инструментом, но и ограничивать сценарий понятными правилами. Сначала зафиксируйте задачу, входные данные и ожидаемые действия. Затем проверьте, что происходит при ошибочном вводе, недоступности инструмента или ответе, который нельзя использовать. Набор таких проверок помогает отличить контролируемый прототип от демонстрации, которая работает только в одном удачном случае.

В производственной теме важно также записывать, какие инструменты вызывались, какие данные передавались и каким способом можно повторить запуск. Это не выводится из числа уроков и не подтверждается завершением учебного раздела. Для портфолио полезнее показать работающее приложение с инструкцией запуска и тестовыми сценариями, чем указать высокий процент прохождения курса без объяснения результатов.

Выбирайте в официальном каталоге темы, связанные с Agent, вызовом инструментов и производственной практикой, но сверяйте их взаимный порядок по актуальным материалам. Если уже есть опыт создания приложений, начните с проекта и возвращайтесь к пропущенной теме по мере появления конкретного вопроса. Если же непонятны основы работы с данными или Python, сначала устраните этот барьер: иначе ошибки в Agent-логике будут смешиваться с ошибками в коде.

Пройдите FAQ перед выбором стартовой точки

Подойдёт ли курс тем, кто ещё не писал на Python?

Подойдёт, если сначала закрыть пробелы в программировании и не перескакивать через базовые темы, на которые опираются дальнейшие материалы. Проверьте себя небольшими задачами: прочитайте данные из файла, преобразуйте коллекцию, вызовите функцию и обработайте ошибку. Если без подсказок получается объяснить код и повторить результат, переходите к следующему блоку; иначе закрепите основы по официальному учебнику Python.

С какого этапа начинать, если цель — LLM и RAG?

Не начинайте с RAG только потому, что он соответствует текущему проекту. Сначала убедитесь, что можете работать с Python-проектом, данными и базовыми понятиями машинного обучения, затем изучайте модельные интерфейсы и retrieval-процесс. Для практической проверки соберите небольшой сценарий с ограниченным набором документов и зафиксируйте, какие фрагменты извлекаются и где возникает ошибка.

Для проектов курса обязательно покупать компьютер с отдельной видеокартой?

Нет, само количество уроков не доказывает необходимость отдельной GPU. Работа с кодом, подготовка данных и вызов внешней модели через API могут не требовать локального запуска большой модели. Перед экспериментом проверьте его инструкции и зависимости: если он требует локального обучения или запуска конкретной модели, тогда оценивайте память и вычислительные ресурсы либо переносите только этот этап в подходящую удалённую среду.

Как составить собственный порядок занятий, а не проходить каталог подряд?

Определите проект, который хотите предъявить в портфолио, и выпишите необходимые для него операции: обработку данных, обращение к модели, retrieval, инструменты или развёртывание. Сопоставьте их с официальными учебными путями и пройдите только нужные предварительные темы. После каждого блока проверяйте не процент завершения, а воспроизводимый результат, объяснение решений и тесты.

Настройте рабочую среду под конкретный эксперимент

Вопрос «какая нужна конфигурация для AI Engineering from Scratch» нельзя корректно решить одной рекомендацией для всего курса. Работа с исходным кодом, вызовы API, локальный запуск модели и обучение — разные виды нагрузки. Сначала определите, какой именно эксперимент вы собираетесь выполнить, и только затем ищите в его официальной инструкции указания по библиотекам, модели и ресурсам.

Первый шаг — зафиксируйте исходный компьютер и цель. Запишите операционную систему, доступную память и свободное место, но не принимайте эти значения за готовую оценку пригодности. Они понадобятся для сравнения с конкретной зависимостью эксперимента.

Второй шаг — изучите инструкции к выбранному примеру. Найдите список библиотек, способ загрузки модели и команды запуска. Если эксперимент не требует локальной модели, не добавляйте её только потому, что курс посвящён ИИ.

Третий шаг — изолируйте зависимости. Для отдельного проекта создайте виртуальную среду и фиксируйте установленные пакеты. Документация Python по venv описывает назначение виртуальных окружений; отдельная среда помогает не смешивать зависимости этого проекта с пакетами других задач. Для повторяемого результата сохраните команды установки и конфигурацию проекта.

Четвёртый шаг — классифицируйте эксперимент по типу работы. Если выполняются обычные операции с кодом и подготовка данных, начните локально. Если модель вызывается через API, проверьте доступы и сетевые настройки. Если пример запускает модель или обучение на устройстве, сопоставьте требуемые зависимости и ресурсы с доступными возможностями.

Пятый шаг — выполните короткий пробный запуск. Убедитесь, что зависимости устанавливаются, код проходит до целевого этапа, а узкое место можно определить по ошибке или наблюдаемому расходу ресурсов. Не переносите сразу весь учебный процесс в облако из-за одной неудачной команды: сначала отделите ошибку установки, нехватку памяти, отсутствие доступа и несовместимость библиотеки.

Шестой шаг — вынесите в удалённую среду только то, что действительно упирается в ограничения. Для временной проверки можно рассмотреть размещённую ноутбучную среду. В официальном FAQ размещённой ноутбучной среды отмечено, что доступность ресурсов и ограничения могут меняться. Поэтому важный эксперимент следует оформлять так, чтобы его можно было повторить, а не привязывать к предположению о постоянной доступности конкретного ресурса.

При локальной установке PyTorch сначала проверьте требования и доступные варианты на официальной странице установки PyTorch. Не переносите конфигурацию из случайного примера на собственную задачу: выбранная установка зависит от платформы и необходимого способа выполнения. Если пример не требует локального обучения, более сложная установка сама по себе не улучшит учебный результат.

Сравните варианты среды перед переносом проекта

Вариант	Для каких задач подходит	Ограничения, которые нужно проверить	Решение
Локальная среда	Python, обработка данных, тесты, код приложения и API-вызовы, если зависимости поддерживаются компьютером	Совместимость библиотек, свободная память и место, доступы к внешним сервисам	Начинайте здесь, если инструкции эксперимента не требуют локальной тяжёлой модели
Размещённый ноутбук	Короткая проверка примера или эксперимента без настройки собственной удалённой машины	Доступность ресурсов, ограничения сессии и возможность повторить запуск; условия среды могут меняться	Используйте для проверки, но сохраняйте код и данные отдельно от временной среды
Удалённая среда под проект	Задачи, которым не хватает ресурсов или конфигурации локального компьютера	Требования конкретной модели, способ доступа, хранение данных, стоимость и обслуживание	Выбирайте после теста, когда обнаружено определённое ограничение
Удалённый Mac	Разработка под macOS, проверка приложений и задач, зависящих от среды Apple	Не считать Mac заменой среде с CUDA: сначала сверить требования эксперимента	Рассматривайте, если проекту важна именно macOS, а не конкретная GPU-конфигурация

Для сравнения удалённых решений заранее выпишите, что именно должно быть доступно: операционная система, способ передачи файлов, способ удалённого доступа, возможность установки нужных зависимостей и период использования. Стоимость и характеристики нельзя вывести из количества уроков; их необходимо сверять с опубликованными условиями конкретной среды. Сведения о Zutcloud и его подходе к удалённым средам можно найти в разделе о компании.

Принимайте проект по воспроизводимому результату

Курс приносит практическую пользу, если по окончании выбранного блока остаётся результат, который можно повторить и объяснить. Для Python-основ это может быть небольшой скрипт с обработкой данных и ясной инструкцией запуска. Для RAG — демонстрация того, какие документы были найдены для тестового вопроса и почему ответ считается приемлемым. Для Agent — ограниченный сценарий с описанными инструментами и проверками ошибочного поведения.

Перед тем как считать этап завершённым, отметьте пункты:

• [ ] Проект запускается по сохранённой инструкции, а зависимости не приходится угадывать.
• [ ] Входные данные и ожидаемый результат описаны так, чтобы другой разработчик мог повторить проверку.
• [ ] В коде можно указать, где выполняется преобразование данных, вызов модели, retrieval или обращение к инструменту.
• [ ] Есть тестовые сценарии не только для успешного случая, но и для типичной ошибки.
• [ ] Условия среды зафиксированы, а выбор локального компьютера, ноутбука или удалённого ресурса объяснён конкретной потребностью.
• [ ] В README или демонстрации честно указаны ограничения: например, проект не проверялся на другой платформе либо зависит от внешнего API.

Если большая часть пунктов пока не выполняется, дополнительный просмотр уроков может быть менее полезен, чем улучшение текущего проекта. Вернитесь к той теме, которая мешает воспроизведению: базовые конструкции Python, установка пакетов, обработка данных или проверка модельного ответа. Такой способ корректировки помогает использовать LLM-маршрут как средство обучения, а не как счётчик завершённых материалов.

Локальный компьютер часто проще для повседневной разработки, но его ограничения проявляются, когда эксперимент требует недоступной конфигурации или когда несколько человек должны повторять одинаковую среду. Размещённый ноутбук избавляет от части настройки, однако доступность его ресурсов меняется, а перенос проекта требует дисциплины. Удалённый Mac тоже не универсален: для обучения, привязанного к CUDA, он может быть неподходящим выбором. Зато для временной работы над проектами, которым нужна macOS, аренда Mac может оказаться удобнее, чем покупка устройства ради короткого этапа курса. Если проекту требуется именно macOS, сопоставьте требования эксперимента с доступными вариантами удалённой работы с Mac mini — так будет проще понять, нужен ли облачный ресурс вообще.

FAQ

Подойдёт ли курс тем, кто ещё не писал на Python?

Подойдёт, если сначала закрыть пробелы в программировании и не перескакивать через базовые темы, на которые опираются дальнейшие материалы. Проверьте себя небольшими задачами: прочитайте данные из файла, преобразуйте коллекцию, вызовите функцию и обработайте ошибку. Если без подсказок получается объяснить код и повторить результат, переходите к следующему блоку; иначе закрепите основы по официальному учебнику Python.

С какого этапа начинать, если цель — LLM и RAG?

Не начинайте с RAG только потому, что он соответствует текущему проекту. Сначала убедитесь, что можете работать с Python-проектом, данными и базовыми понятиями машинного обучения, затем изучайте модельные интерфейсы и retrieval-процесс. Для практической проверки соберите небольшой сценарий с ограниченным набором документов и зафиксируйте, какие фрагменты извлекаются и где возникает ошибка.

Для проектов курса обязательно покупать компьютер с отдельной видеокартой?

Нет, само количество уроков не доказывает необходимость отдельной GPU. Работа с кодом, подготовка данных и вызов внешней модели через API могут не требовать локального запуска большой модели. Перед экспериментом проверьте его инструкции и зависимости: если он требует локального обучения или запуска конкретной модели, тогда оценивайте память и вычислительные ресурсы либо переносите только этот этап в подходящую удалённую среду.

Как составить собственный порядок занятий, а не проходить каталог подряд?

Определите проект, который хотите предъявить в портфолио, и выпишите необходимые для него операции: обработку данных, обращение к модели, retrieval, инструменты или развёртывание. Сопоставьте их с официальными учебными путями и пройдите только нужные предварительные темы. После каждого блока проверяйте не процент завершения, а воспроизводимый результат, объяснение решений и тесты.

Читать также

• Первый запрос к LLM на Python: настройка API и проверка рабочей среды
• Вызов инструментов в LLM: от JSON-схемы до безопасного выполнения
• Практические проекты с AI-агентами: роли, рабочие процессы и оркестрация