Только сегодня | спецпредложение для наших новых клиентов. Купите курсы дешевле.
Закончится скоро
RusUdemy. Udemy как купить. Udemy как оплатить российской картой.

Эд Доннер · LLM / RAG / QLoRA · курс на английском

AI Engineer Core Track: LLM Engineering, RAG, QLoRA, Agents

Разбор курса Эда Доннера

Научиться выбирать подход к LLM-задаче: изменить запрос, добавить поиск по документам или адаптировать модель. Core Track Эда Доннера даёт инженерную основу на восьми проектах и требует знания Python.

RusUdemyПомогаем оформить выбранный курс в личном аккаунте Udemy — без общих аккаунтов и предоплаты.Подробнее
  • 4,744 262 оценки на Udemy
  • 364 997студентов на Udemy
  • 33 ч 21 минвидео · 210 лекций
  • ENанглийская речь преподавателя
AI Engineer Core Track — LLM Engineering, RAG и QLoRA Эда ДоннераБестселлер Udemy · Высокий рейтинг Udemy

Эд Доннер · английская озвучка · обновление сентябрь 2026

Подойдёт ли вам этот курс

Кому подойдёт

Разработчикам на Python, которые хотят строить приложения с LLM и понимать, когда менять модель, данные или архитектуру.

Что знать до старта

Нужно знать Python: основы языка курс не объясняет. Требуются компьютер с интернетом и готовность настраивать окружение; локальные модели зависят от ресурсов компьютера.

Что сможете сделать

Восемь LLM-проектов: генерация брошюр, помощник поддержки, обработка аудио, преобразование кода, поиск по документам и три этапа проекта оценки товаров.

Учесть при выборе

Автор рекомендует около $5 на API, но допускает open-source альтернативы. Это ориентир автора, не фиксированная смета; расходы зависят от моделей и количества экспериментов.

Понимать не только вызов модели, но и выбор решения

Первый API-вызов легко повторить; сложнее объяснить, почему ответ неверный и что менять дальше. Core Track охватывает модели, мультимодальность, RAG, дообучение и агентные сценарии. Проекты позволяют сравнивать подходы к данным и качеству, а не только узнавать новые библиотеки. Важно начать с правильной подготовки: Python здесь рабочий инструмент, не предмет вводного обучения. Если вы пока не можете изменить функцию и прочитать ошибку, сначала закройте этот пробел. Курс подходит тем, кто хочет связать LLM-приёмы в общий инженерный процесс, прежде чем глубже заниматься агентными фреймворками или облачным развёртыванием.

До старта проверьте доступность нужных инструментов. Автор рекомендует около $5 на API, но допускает open-source альтернативы. Это ориентир автора, не фиксированная смета; расходы зависят от моделей и количества экспериментов.

Сравните решения на одинаковых данных

Эти упражнения предложены редакцией RusUdemy для самостоятельной практики. Они не являются дополнительными уроками преподавателя и не предполагают проверку работ автором.

01

Подготовьте контрольные вопросы

Для маленькой базы документов запишите вопросы, правильные источники и случаи, где ответа нет. Не меняйте этот набор под красивую демонстрацию. Проверьте ответы до и после изменения поиска.

02

Отделите качество от цены

Запустите один сценарий на двух моделях. Запишите ошибки, время ответа и расходы. Выберите критерий заранее: самая дорогая или самая быстрая модель не обязательно лучше для вашей задачи.

03

Обоснуйте дообучение

Перед fine-tuning сравните обычный запрос, примеры в контексте и RAG. Опишите, какой именно недостаток не устраняют простые варианты. Для итоговой проверки оставьте данные, которые не использовались при настройке.

04

Проверьте формат ответа

Для извлечения данных задайте JSON-схему с обязательными полями и типами. Протестируйте неполный документ, пустой ввод и лишний текст в ответе. Приложение должно распознать ошибку формата и объяснить, что исправить, вместо сохранения неверных данных.

Восемь разделов Core Track: от моделей до итоговой системы

Нарастание сложности идёт через практику: первый LLM-продукт, мультимодальный интерфейс, открытые модели, RAG и адаптация под задачу. В конце подходы соединяются в агентном проекте. Недели — структура авторского маршрута, а не обещание одинакового срока для всех.

На дату проверки в карточке Udemy: 8 разделов, 210 лекций, 33 ч 21 мин видео. На настройку окружения, самостоятельные изменения и разбор ошибок потребуется дополнительное время. Темы ниже сгруппированы редакцией; точное оглавление доступно на Udemy.

Соберите небольшое приложение на своих разрешённых данных и покажите не только удачный ответ, но и набор проверок. Когда качество измеряется, легче решить, нужен ли Agentic Track, production-навыки или улучшение базового поиска.

Сверить программу на Udemy
  1. 01

    Модели и первый LLM-продукт

  2. 02

    API, интерфейсы и мультимодальный помощник

  3. 03

    Открытые модели и обработка аудио

  4. 04

    Выбор модели под задачу и преобразование кода

  5. 05

    RAG и поиск по собственным документам

  6. 06

    Оценка стоимости товаров с frontier-моделями

  7. 07

    Дообучение открытой модели с LoRA и QLoRA

  8. 08

    Агентная система поиска предложений

Английский язык обучения
Оригинал курса — на английском

Проверяйте понимание на собственном примере.

Выберите открытый урок с практикой, остановите видео и объясните следующий шаг своими словами. Различайте model, agent, workflow и tool. Если получается повторить действие, но непонятно зачем оно нужно, вернитесь к исходной задаче и проверьте пример с другими данными.

Как проходить курсы Udemy на английском

Русский обзор не означает русскую озвучку. Доступные субтитры и качество автоперевода проверяйте в меню CC на Udemy.

Эд Доннер — преподаватель AI Engineering на Udemy

Эд Доннер

Эд Доннер — сооснователь и CTO AI-стартапа Nebula, ранее основатель untapt и Managing Director в JPMorgan. На Udemy преподаёт прикладную работу с LLM и агентными системами: от первого прототипа до измерения качества и эксплуатации. Core Track — фундаментальная инженерная часть каталога Эда Доннера и Ligency. Она объясняет, что находится между простой беседой с моделью и специализированным приложением.

Выбор LLMМультимодальностьRAGLoRA и QLoRA
Ligency — соавтор курса Эда Доннера
Соавтор курса
RusUdemyКогда программа подходит вашей задаче

Вы выбираете обучение. RusUdemy помогает с оформлением.

Пришлите ссылку на выбранный курс. Уточним текущую стоимость и поможем оформить его в вашем личном аккаунте Udemy. Материалы и прогресс останутся у вас.

01

Курс в Вашем аккаунте

Курс появляется в вашей личной библиотеке на Udemy. Никаких пиратских копий, общих аккаунтов или «серых» схем.

02

Без предоплаты

Вы оплачиваете покупку только после того, как курс появился в вашем аккаунте Udemy.

03

Покупка за 10 минут

Обычно от первого сообщения до появления курса в аккаунте проходит около 10 минут.

04

Живой человек, не бот

В Telegram отвечает живой человек: можно задать вопрос и получить качественную поддержку по покупке.

Узнать цену без предоплаты

Сначала согласуем курс и условия. Оплата после появления курса в аккаунте.

Опыт работы с сервисом

Отзывы клиентов RusUdemy

Отзыв клиента RusUdemy — Эдуард БольшовОригинал отзыва в Telegram
Эдуард Большов
Оплатить udemy, а ещё получить комплимент и дельный совет, как в той рекламе - почти бесценно. Если вы читаете этот отзыв и ещё раздумываете где и как купить курс на udemy - вам к Михаилу, не сомневайтесь
Отзыв от:
Отзыв клиента RusUdemy — Сюзанна ТатосянОригинал отзыва в Telegram
Сюзанна Татосян
Хотела поблагодарить ,все прошло быстро и доступно. Отдельная благодарность за обратную связь! Вы лучшие ♥️
Отзыв от:
Отзыв клиента RusUdemy — SamОригинал отзыва в Telegram
Sam
Оперативно подошли к покупке курса. Очень доволен. Большое спасибо.
Отзыв от:
Отзыв клиента RusUdemy — демьянОригинал отзыва в Telegram
демьян
Купил курс по программированию. Михаил, спасибо за помощь с созданием нового аккаунта, быстроту ответа и оформления курса. Хороший сервис
Отзыв от:
Отзыв клиента RusUdemy — lukyanovdmitryОригинал отзыва в Telegram
lukyanovdmitry
Купил курс по программированию. Михаил, спасибо за помощь с созданием нового аккаунта, быстроту ответа и оформления курса. Хороший сервис
Отзыв от:
Отзыв клиента RusUdemy — ТатаОригинал отзыва в Telegram
Тата
Спасибо Михаилу за помощь! Все получилось быстро и легко!
Отзыв от:

Вопросы о курсе «Core Track: LLM Engineering»