Учимся у создателей

Да, создатели нейросетей делятся знаниями, и щедро. Компании, которые делают топовые модели, выкладывают бесплатные курсы, открытые книги, ноутбуки с кодом, инженерные статьи и подробные технические отчёты. А некоторые создатели лично записывают лекции: Андрей Карпатый, сооснователь OpenAI, показывает на YouTube, как с нуля написать GPT.

Что именно есть:

• Курсы и академии. Claude Academy от Anthropic, AI Research Foundations от Google DeepMind и UCL, серия «… for Beginners» от Microsoft, курсы Hugging Face, NVIDIA Deep Learning Institute, лагерь Shanghai AI Lab.
• Открытые книги и руководства. How To Scale Your Model (Google DeepMind), Ultra-Scale Playbook (Hugging Face), Spinning Up (OpenAI).
• Кукбуки. Сборники готовых рецептов кода: у Anthropic, OpenAI, Google, Meta, Mistral, Hugging Face.
• Технические отчёты и инженерные тексты. DeepSeek, Qwen, Kimi, MiniMax и Anthropic подробно описывают, как устроены их модели и инфраструктура.
• Лекции людей-создателей и университетские курсы. Андрей Карпатый, Крис Ола (сооснователь Anthropic), Лилиан Венг (бывший вице-президент OpenAI), Stanford CS336, курс Яна Лекуна в NYU.

Ценность этих материалов в том, что это знания из первых рук: так модели делают на самом деле. Материалы свежие (многие обновлялись в 2025–2026 годах), почти все бесплатные, а код из них часто можно запустить на вашей машине с четырьмя RTX 4080.

Эта страница и библиотека

Здесь собраны материалы от самих создателей: лабораторий, людей и университетов, где они преподают. Все первоисточники курса — книги, репозитории, статьи, лицензии — лежат в библиотеке источников. Часть материалов есть в обоих местах.

Как совмещать с курсом

Курс — хребет: он ведёт по порядку, без пропусков, и проверяет понимание квизами, домашними работами и тетрадью ошибок. Официальные материалы — второй взгляд на ту же тему и практика от тех, кто делает модели. Работает такой порядок:

1. Сначала урок курса. Он объясняет тему с нуля и сразу проверяет, что вы поняли.

2. Потом один материал из маршрута по ступеням. Исключения: 3Blue1Brown лучше смотреть до урока (сначала картинка, потом формулы), а Карпатого — вместе с практикой: он пишет код в кадре.

3. Вернитесь к курсу. Домашняя работа, карточки, три строки в журнал. Непонятное — в тетрадь ошибок.

Одного-двух внешних материалов на ступень достаточно. Если пытаться пройти всё подряд, учёба превратится в бесконечный список «посмотреть потом». Глубокие материалы (🔴) берите после того, как ступень пройдена.

Про язык. Почти всё здесь на английском или китайском. Где есть русский — оригинал, перевод или субтитры, — стоит пометка RU, а все такие материалы собраны в разделе «На русском». Для остального мы сделали свои переводы, конспекты и путеводители — ссылка перевод → стоит прямо в строке, а всё вместе собрано в разделе «Переводы». Как смотреть английские видео с русскими субтитрами или закадровым переводом, рассказано там же и в разделе «Честные оговорки».

Как читать таблицы

• Уровень. 🟢 — можно с нуля. 🟡 — нужна база: Python, NumPy, PyTorch (ступени 0–3). 🔴 — продвинутый, после ступени 5. Стрелка 🟢→🟡 значит, что материал начинается просто и постепенно усложняется.
• Язык. EN — английский, ZH — китайский, RU — есть русский; в скобках уточнено, что именно: перевод, субтитры, книга. Машинный перевод отмечен отдельно.
• Объём — по данным авторов; знак ≈ означает нашу оценку.
• Ступени — где материал пригодится. Целое число — ступень, число с точкой — модуль (8.3 — «Агенты»). Карта ступеней — на странице «Карта курса и прогресс».
• Цена. Все материалы бесплатны. Если за что-то нужно платить (ключ API для запуска кода, сертификат, бумажная книга), это сказано в строке.
• ⚠ — проверьте доступность. Адрес подтверждён поиском, но напрямую страницу мы не открывали. Если ссылка не работает, найдите материал по названию. Остальные ссылки проверены 04.10.2026.

Если времени мало: топ-10

Если пройти только десять материалов, пусть это будут эти. Они идут в порядке ступеней курса.

Материал	Почему именно он	Когда
1. Deep Dive into LLMs like ChatGPT ⚠ — Андрей Карпатый · 🟢 · EN, RU (любительский перевод)	За один вечер — весь путь ChatGPT-подобной модели без формул: данные, токены, претрейн, SFT, RL. Карта всего курса от сооснователя OpenAI	Ступень 0, вместе с уроком 0.0.1. Части о претрейне и RL пересмотрите перед ступенями 5 и 6
2. 3Blue1Brown — нейросети, гл. 1–7 ⚠ · 🟢 · EN, RU (субтитры)	Лучшая визуальная интуиция: нейросеть, градиентный спуск, backprop, внимание. Сначала картинка, потом формулы	Гл. 1–4 — до урока 3.1, гл. 5–7 — до 4.4
3. Microsoft «… for Beginners» · 🟢 · RU (машинный перевод)	Единственные большие официальные курсы, где все уроки переведены на русский: классический ML, обзор ИИ, генеративный ИИ, агенты, MCP	Ступени 2, 3 и 8 — как разминка перед уроками
4. Neural Networks: Zero to Hero — Карпатый · 🟢→🟡 · EN	Создатель пишет код в кадре: автоград, языковые модели, GPT, токенизатор. Повторяя за ним, вы проходите темы курса вторым путём	3.2, 4.1, 4.2, 4.6
5. AI Research Foundations — Google DeepMind × UCL · 🟡 · EN	Ближайший официальный аналог ступеней 3–7: своя маленькая языковая модель, трансформер, дообучение, выравнивание, ускорение — с лабораторными	Параллельно ступеням 3–7; первый курс — вместе с 4.1
6. LLM Course — Hugging Face · 🟢→🟡 · EN, RU (гл. 0–9)	Практикум от создателей библиотеки transformers: токенизаторы, дообучение, оценка, GRPO. Первая половина есть на русском	4.2 и ступень 6
7. Stanford CS336 · 🔴 · EN	Самый глубокий открытый курс «LLM с нуля»: токенизатор, трансформер, GPU, параллелизм, данные, RL — под автотестами	После ступеней 4–7: задание 1 — после 4.6, задание 2 — к 5.4
8. Техотчёты DeepSeek и документ о системе инференса · 🔴 · EN	Создатели одной из сильнейших открытых моделей подробно описывают MLA, MoE, FP8, GRPO и реальную экономику инференса	После ступени 5, уроков 6.4 и 7.1; вместе с уроками-чтениями о V3 и о R1
9. Spinning Up in Deep RL — OpenAI · 🟡→🔴 · EN	Короткое ясное введение в обучение с подкреплением и вывод policy gradient — фундамент PPO и GRPO	Вместе с модулем 6.0
10. Prompt Engineering Interactive Tutorial и статьи Anthropic об агентах · 🟢→🟡 · EN	Лучший официальный путь от промптов к агентам: упражнения по промптингу и статья «Building effective agents»	8.1, 8.3

Маршрут по ступеням

Левая колонка — что смотреть параллельно с уроками ступени. Правая — для тех, кто прошёл ступень и хочет копнуть глубже. Все материалы подробно описаны в разделах ниже.

Ступень курса	Параллельно с уроками	Глубже, после ступени
0. Инструменты и Python: что такое ИИ и LLM, Python с нуля	Карпатый, «Deep Dive into LLMs» — карта курса; Claude Academy: AI Fluency; «Поколение Python» (RU) или CS50P	Kaggle Learn: Python и Pandas; Harvard CS50x
1. Математика: векторы, вероятность	3Blue1Brown: Essence of linear algebra и Essence of calculus; Академия Хана (RU); «Основы статистики» Карпова (RU)	MIT 18.06 (Стрэнг); MIT 18.S096 Matrix Calculus
2. Основы ML: задача, данные, модель	Google ML Crash Course (RU); MLU-Explain; ML for Beginners (RU); учебник ШАД (RU)	Stanford CS229; курс Соколова в ВШЭ (RU); mlcourse.ai (RU)
3. Нейросети: нейрон и MLP, свой автоград, PyTorch	3Blue1Brown, гл. 1–4 (RU); Zero to Hero: micrograd; PyTorch: Learn the Basics или «Основы PyTorch» (RU); MIT 6.S191	Understanding Deep Learning; Tuning Playbook — к уроку «Как отлаживать обучение»; CS231n; DLS МФТИ (RU)
4. Трансформер: языковая модель, внимание, GPT с нуля	Zero to Hero: makemore, GPT, токенизатор; microgpt; 3Blue1Brown, гл. 5–7 (RU); The Illustrated Transformer (RU); Transformer Explainer; HF LLM Course, гл. 1–6 (RU)	AI Research Foundations, курсы 1–4; CS224N; CS336, задание 1; build-nanogpt; LLMs-from-scratch
5. Большие модели: масштабирование, распределённое обучение, GPU изнутри	How To Scale Your Model, глава о трансформерах; техотчёты DeepSeek-V2 и V3; NVIDIA: введение в CUDA; nanochat	Ultra-Scale Playbook; Smol Training Playbook; Accelerated Computing Hub; DualPipe и EPLB; FlashMLA deep dive; CS336, задание 2; CMU 11-868
6. Пост-трейнинг: основы RL, SFT, RLHF, GRPO	Spinning Up; HF Deep RL Course; Practical_RL (RU); HF LLM Course, гл. 11–12; smol course; курс DeepLearning.AI о RLHF	Лекции DeepMind × UCL по RL; Саттон и Барто; техотчёты DeepSeekMath и R1; verl; ARENA, гл. 2
7. Инференс и оценка: prefill и decode, квантование, бенчмарки	DeepSeek: документ о системе инференса; Quantization in Depth; LLM Evaluation Guidebook	How To Scale Your Model, главы об инференсе; anthropics/courses: Prompt evaluations; CMU 11-868
8. Приложения: API, RAG, агенты	Prompt Engineering Interactive Tutorial; Generative AI for Beginners (RU); HF Agents Course (RU); Anthropic Engineering; гайд OpenAI по агентам; Kimi-K2: tool calling	Claude Academy: API и MCP; MCP for Beginners (RU); AI Agents for Beginners (RU); Kaggle 5-Day AI Agents; Berkeley Advanced LLM Agents
9. Фронтир: мультимодальность, фронтир 2026, интерпретируемость	Transformer Circuits; HF Diffusion Course; HF Audio Course (RU); блог Qwen; Lil’Log	circuit-tracer; ARENA, гл. 1; Ahead of AI; Stanford CS25
10. Выпускной проект: план проекта	nanochat; Smol Training Playbook — как планировать абляции	Tuning Playbook; circuit-tracer как тема проекта

---

Западные лаборатории

Anthropic

Создатели Claude. Делятся тремя видами материалов: курсами Claude Academy (бывшая Anthropic Academy), ноутбуками и инженерными статьями о промптах, агентах и эвалах, а также исследованиями интерпретируемости — того, как модель устроена изнутри. Глубоких открытых работ о внутреннем устройстве моделей у Anthropic больше, чем у любой другой лаборатории из этого списка.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Claude Academy: AI Fluency ⚠ · перевод →	Как работать с ИИ осознанно: что поручать модели, как ставить задачу, как проверять ответ и за что отвечаете вы сами. Помогает сделать ИИ-репетитора помощником, а не заменой собственному пониманию	🟢	EN	≈3,5–4 ч	0, 8
Claude Academy: Building with the Claude API ⚠, там же Introduction to MCP, MCP: Advanced Topics, Claude Code in Action · перевод →	Claude API на Python: tool use, RAG, структурированный вывод, архитектуры агентов; свои MCP-серверы и клиенты; разработка вместе с агентом. Курсы бесплатны, но для запуска кода нужен платный ключ API	🟡	EN	≈9 ч и по 1 ч	8.1–8.3
Prompt Engineering Interactive Tutorial · перевод →	9 глав с упражнениями: структура промпта, отделение данных от инструкций XML-тегами, few-shot, «думай по шагам», борьба с галлюцинациями. Написан под Claude 3 Haiku: где советы расходятся, верьте живому гайду «Prompting best practices» в документации Claude. Нужен ключ API	🟢→🟡	EN	≈6–10 ч	8.1
anthropics/courses · перевод →	Пять курсов-ноутбуков; ценнее всего «Prompt evaluations» (как строить эвалы) и «Tool use». В архиве с 15.09.2026: читать можно, но код может отставать от текущего SDK	🟡	EN	≈15–25 ч	7.3, 8.3
Claude Cookbooks · перевод →	Готовые рецепты: RAG, классификация, tool use, субагенты, автоматические эвалы, кэширование промптов	🟡	EN	30–60 мин на рецепт	7.3, 8
Anthropic Engineering · перевод →	Как Anthropic строит агентов на практике: «Building effective agents», context engineering, проектирование инструментов, Contextual Retrieval для RAG, «Demystifying evals for AI agents», Agent Skills	🟡→🔴	EN	20–40 мин на статью	8.2–8.4
Transformer Circuits Thread ⚠ · перевод →	Механистическая интерпретируемость: residual stream, induction heads, суперпозиция признаков, разреженные автоэнкодеры, графы атрибуции. Начните с «On the Biology of a Large Language Model» (2025) — разбора того, как «думает» Claude 3.5 Haiku	🔴	EN	3–10 ч на статью	4.5, 9.3
circuit-tracer и Neuronpedia (программа Anthropic Fellows) · перевод →	Графы атрибуции для открытых Gemma-2-2B и Llama-3.2-1B: видно, через какие внутренние признаки модель приходит к ответу. Модели помещаются на одну RTX 4080; без установки можно попробовать в браузере на neuronpedia.org	🔴	EN	≈3–5 ч	9.3, 10

OpenAI

Создатели ChatGPT. Собственных курсов «с нуля» у OpenAI немного: открытым учебником остаётся Spinning Up по обучению с подкреплением, остальное — кукбук и гайды по API. Курсы для пользователей ChatGPT (OpenAI Academy) мы не включили: они про работу в чате, а не про устройство моделей. Зато бывшие сотрудники OpenAI, Андрей Карпатый и Лилиан Венг, сделали одни из лучших учебных материалов в мире — они в разделе «Люди-создатели».

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Spinning Up in Deep RL, текст — на сайте spinningup.openai.com · перевод →	Ключевые понятия RL, виды алгоритмов и вывод policy gradient, на котором стоят PPO и GRPO; документированные реализации VPG, PPO, SAC. Читайте три части «Introduction to RL». Проект в режиме поддержки: код старый, его лучше читать, чем запускать	🟡→🔴	EN	≈10–20 ч	6.0, 6.3
OpenAI Cookbook · перевод →	Примеры для API: эмбеддинги и поиск, RAG, дообучение, агенты, структурированный вывод, эвалы. Нужен платный ключ; часть рецептов работает с локальной моделью через OpenAI-совместимый сервер	🟡	EN	30–60 мин на рецепт	7.3, 8
A practical guide to building agents ⚠ · перевод →	PDF на 34 страницы: когда нужен агент, из чего он состоит, оркестрация одного и нескольких агентов, guardrails, участие человека. Прочитайте вместе с «Building effective agents» от Anthropic и сравните подходы	🟡	EN	1–2 ч	8.3

Google и Google DeepMind

Создатели Gemini, открытых моделей Gemma и самого трансформера: статью «Attention Is All You Need» написали в Google. Из всех лабораторий Google даёт больше всего материалов на глубину: программу по языковым моделям вместе с UCL, лекции исследователей DeepMind, книгу о масштабировании. Сюда же отнесены курсы Kaggle — платформа принадлежит Google.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
AI Research Foundations (Google DeepMind × UCL), лабораторные · перевод →	8 курсов: маленькая языковая модель с нуля, данные, нейросети, трансформер, дообучение, выравнивание, ускорение и итоговый проект. Лабораторные в Colab на JAX и Keras: те же идеи в другом фреймворке, только не путайте синтаксис с PyTorch	🟡	EN	8 курсов	3–7
How To Scale Your Model · перевод →	Книга о масштабировании: как устроены TPU и GPU, roofline-анализ, параметры, FLOPs и память трансформера, шардинг и параллелизм, обучение и инференс на масштабе. Примеры про TPU, но арифметика переносится на ваши 4× RTX 4080	🔴	EN	≈15–25 ч	4.6, 5, 7.1
Deep Learning Tuning Playbook · перевод →	Как подбирать гиперпараметры по-научному, а не наугад: выбор оптимизатора и batch size, пошаговая стратегия тюнинга, расписания learning rate, выбор чекпоинтов	🟡→🔴	EN	≈3–4 ч	3.3, 5.4, 10
DeepMind × UCL: Deep Learning Lectures 2020 ⚠	12 лекций исследователей DeepMind: оптимизация, RNN, внимание и память, GAN, обучение представлений. Записаны до эпохи LLM, поэтому это углубление, а не первый источник	🔴	EN	≈18 ч	3.4, 4.4, 9.1
DeepMind × UCL: RL Lectures 2021 ⚠ и курс Дэвида Сильвера ⚠	Обучение с подкреплением уровня магистратуры: MDP, динамическое программирование, TD и Q-learning, policy gradient, actor-critic. Для LLM важнее всего лекции о policy gradient и actor-critic	🔴	EN	13 лекций, у Сильвера — 10	6.0
Machine Learning Crash Course ⚠, русская версия ⚠	Регрессия, классификация и метрики, работа с данными, переобучение, нейросети, эмбеддинги, введение в LLM — с интерактивными визуализациями. Пересобран в 2024 году. Видео на английском	🟢	EN, RU (страницы)	≈15–25 ч	2, 3.1, 4.3
Kaggle Learn ⚠	Короткие практические курсы прямо в браузере: Python, Pandas, Intro to ML, Intermediate ML, Feature Engineering. Курс по глубокому обучению там на Keras, его можно пропустить	🟢	EN	1–7 ч на курс	0.2, 2
5-Day Gen AI Intensive ⚠ и 5-Day AI Agents Intensive ⚠ (Google × Kaggle)	Whitepapers, подкасты и codelabs: эволюция LLM, дообучение, ускорение инференса, эмбеддинги и векторные БД, агенты, MCP, эвалы. Whitepaper «Foundational Large Language Models & Text Generation» — плотная карта поля после ступени 4	🟡	EN	5 дней по 2–4 ч	4–5, 8
Gemma Cookbook и Gemini API Cookbook	Gemma — открытые модели: инференс и дообучение, маленькие версии помещаются на RTX 4080. Gemini — мультимодальность, Live API, grounding; нужен ключ API	🟡	EN	30–60 мин на ноутбук	6.2, 7.2, 9.1

Meta

Создатели моделей Llama и фреймворка PyTorch, на котором написан наш курс (с 2022 года PyTorch развивает PyTorch Foundation). Курсов «с нуля» у Meta нет; главное — официальные туториалы PyTorch и кукбук Llama.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
PyTorch: Learn the Basics ⚠ · перевод →	Тензоры, Dataset и DataLoader, сборка модели, autograd, цикл обучения, сохранение. То же есть в видеосерии «Introduction to PyTorch». Продвинутые туториалы — DDP и FSDP для обучения на нескольких GPU	🟢→🟡	EN	≈3–5 ч	3.3, 5.4
Llama Cookbook (бывший llama-recipes) · перевод →	Инференс, дообучение, RAG и сквозные примеры на моделях Llama; веса выдают после принятия лицензии. Короткие видеокурсы Meta на DeepLearning.AI: «Building with Llama 4» (MoE, длинный контекст) и «Introducing Multimodal Llama 3.2»	🟡	EN	по задаче; видео по ≈1,5 ч	5.3, 6.2, 8

Microsoft

Microsoft ведёт на GitHub серию бесплатных курсов «… for Beginners». Главное их достоинство для нас: все уроки переведены на русский (папка translations/ru). Перевод машинный, поэтому термины сверяйте с глоссарием. Курсы прикладные и обзорные: об устройстве моделей на уровне ступеней 4–6 в них почти ничего нет, зато это лёгкий вход в тему на родном языке.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Generative AI for Beginners, на русском	21 урок: что такое LLM и как выбрать модель, промпты, чат-приложения, RAG и векторные БД, function calling, агенты, дообучение, безопасность. Примеры рассчитаны на облачные API — для локального запуска подставьте свой сервер из урока 8.1.1	🟢	EN, RU (машинный перевод)	≈20–30 ч	8
AI Agents for Beginners, на русском	Паттерны агентов: tool use, агентный RAG, планирование, мультиагентные системы, память, context engineering, протоколы MCP и A2A, безопасность. Фреймворк Microsoft можно не учить — важны паттерны	🟢→🟡	EN, RU (машинный перевод)	≈15–25 ч	8.3
ML for Beginners, на русском; соседний курс Data Science for Beginners	Классический ML на scikit-learn: регрессия, классификация, кластеризация, временные ряды, 52 квиза. Data Science — статистика, работа с данными, визуализация. Глубокого обучения здесь нет	🟢	EN, RU (машинный перевод)	12 недель, 26 уроков	0.3, 2
AI for Beginners, на русском	Широкий обзор ИИ: символьный ИИ, нейросети, CNN, NLP, эмбеддинги, трансформеры, RL, этика. Берите ноутбуки на PyTorch, версии на TensorFlow пропускайте	🟢	EN, RU (машинный перевод)	12 недель, 24 урока	3, 4
MCP for Beginners, на русском	Model Context Protocol от основ до продакшна: архитектура, серверы и клиенты, транспорты, безопасность, лабораторные	🟡	EN, RU (машинный перевод)	≈10–20 ч	8.3
Microsoft Learn: «Основы PyTorch» ⚠	4 модуля: тензоры и обучение классификатора изображений, затем зрение, NLP и аудио. Замена «Learn the Basics», если английский пока читать тяжело	🟢	RU (страницы)	≈4–8 ч	3.3

NVIDIA

Создатели GPU, на которых обучают почти все модели, и платформы CUDA. NVIDIA учит прежде всего тому, как программировать видеокарту: это нужно для модуля 5.7 и ступени 7 на вашей машине.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
NVIDIA Deep Learning Institute ⚠, бесплатные курсы · перевод →	«An Even Easier Introduction to CUDA» (потоки, блоки, память GPU), «Fundamentals of Accelerated Computing with CUDA Python», «Building RAG Agents with LLMs». Нужен бесплатный аккаунт NVIDIA; каталог бесплатных курсов меняется	🟢→🟡	EN	1–8 ч на курс	5.7, 7.1, 8.2
Accelerated Computing Hub · перевод →	Официальные ноутбуки по GPU-программированию: CUDA Python, CuPy, свои ядра, CUDA C++. Запускаются на вашей RTX 4080 — так видно, из чего сделаны FlashAttention и ядра vLLM	🟡→🔴	EN	2–8 ч на трек	5.7, 7.1

Hugging Face

Создатели библиотеки transformers и главного хаба открытых моделей. Их курсы ближе всех к духу нашего: всё на открытых моделях, всё можно запустить локально без платных API. Три курса сообщество перевело на русский.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
LLM Course (бывший NLP Course), русский перевод · перевод →	Гл. 1–9: transformers, datasets, tokenizers, задачи NLP. Гл. 10–12: подготовка данных, SFT и LoRA, оценка, рассуждения и GRPO в TRL	🟢→🟡	EN, RU (гл. 0–9)	≈30–50 ч	4.2, 4.5, 6, 7.3
Agents Course, русский перевод; MCP Course (сделан вместе с Anthropic) · перевод →	smolagents, LlamaIndex, LangGraph, агентный RAG, итоговый проект с автооценкой и лидербордом. MCP Course — протокол, клиенты и серверы; он только на английском	🟡	EN, RU (Agents Course)	≈20–40 ч	8.3
smol course · перевод →	Дообучение маленьких моделей на скромном железе: SFT и шаблоны чата, оценка, DPO и выравнивание по предпочтениям, мультимодальные модели	🟡	EN	≈20–30 ч	6.1, 6.3, 7.3, 9.1
Deep RL Course · перевод →	RL на практике: Q-learning, DQN, policy gradient (Reinforce своими руками на PyTorch), actor-critic, PPO. Курс поддерживается по минимуму: юнит 7 не работает, поэтому сертификат может быть недоступен	🟢→🟡	EN	≈30–50 ч	6.0
Diffusion Models Course · перевод →	Диффузионная модель с нуля, библиотека diffusers, guidance, устройство Stable Diffusion. Материал 2022–2023 годов, он старше DiT и flow matching	🟡	EN	≈10–15 ч	9.1
Audio Course, русский перевод	Трансформеры для звука: представление аудио, классификация, распознавание и синтез речи	🟡	EN, RU	≈15–25 ч	9.1
The Ultra-Scale Playbook ⚠ · перевод →	Интерактивная книга о параллелизме: data, tensor, sequence, context и pipeline parallelism, ZeRO, перерасчёт активаций, перекрытие вычислений и коммуникаций. Построена на тысячах экспериментов	🔴	EN	10–20 ч	5.4, 5.7
The Smol Training Playbook ⚠ · перевод →	Как на самом деле обучали SmolLM3 (3B, 11 трлн токенов): абляции, смесь данных, отладка сбоев. Образец планирования выпускного проекта	🔴	EN	10–20 ч	5.1, 5.6, 10
LLM Evaluation Guidebook ⚠, прежняя версия на GitHub · перевод →	Опыт команды Open LLM Leaderboard: автоматические бенчмарки и их ловушки, оценка людьми, LLM-as-a-judge, воспроизводимость	🟡→🔴	EN	≈4–6 ч	7.3
Open-Source AI Cookbook · перевод →	Рецепты только на открытых моделях: RAG, дообучение, LLM-as-a-judge, агенты. Всё запускается локально без платных API	🟡	EN	30–60 мин на рецепт	6.2, 7.3, 8.2

Mistral и другие

Mistral AI — французская лаборатория, создатели открытых моделей Mistral и Mixtral. Amazon делится визуальными эссе по классическому ML, а учебник d2l, написанный людьми из Amazon, уже есть в библиотеке. У xAI и Apple заметных открытых учебных курсов нет — только документация API и научные статьи. Cohere LLM University мы не включили: материалы в основном 2023 года и привязаны к API Cohere.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Mistral Cookbook · перевод →	Рецепты: RAG, function calling, эмбеддинги, агенты, дообучение, генерация данных, OCR. Есть и короткий курс «Getting Started with Mistral» на DeepLearning.AI (около часа)	🟢→🟡	EN	по задаче	8.1–8.2
MLU-Explain (Amazon Machine Learning University) · перевод →	11 интерактивных статей: регрессии, ROC и AUC, precision и recall, деревья и случайный лес, bias–variance, double descent. Репозиторий в архиве с 03.2026, сайт работает	🟢	EN	20–30 мин на статью	2

Совместные курсы DeepLearning.AI

DeepLearning.AI — компания Эндрю Ына, сооснователя Google Brain и Coursera. Она снимает короткие курсы вместе с лабораториями, и ведут их сотрудники этих лабораторий. Видео бесплатные; часть заданий и сертификаты — по подписке Pro. Курсы прошлых лет показывают устаревшие модели, но принципы в них не устарели.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
MCP: Build Rich-Context AI Apps ⚠ и другие курсы с Anthropic: «Claude Code: A Highly Agentic Coding Assistant», «Agent Skills with Anthropic», «Building Toward Computer Use»	Ведут сотрудники Anthropic: свой MCP-сервер и клиент, агентная разработка в Claude Code, Agent Skills, tool use и агент, который управляет интерфейсом компьютера	🟢→🟡	EN	около 2 ч каждый	8.3, 10
ChatGPT Prompt Engineering for Developers ⚠ и «Reasoning with o1» (с OpenAI) · перевод →	Принципы промптинга через API: суммаризация, извлечение, трансформация текста, чат-бот. Во втором курсе — как ставить задачи рассуждающим моделям	🟢	EN	≈1,5 ч и 1 ч 44 мин	6.4, 8.1
Reinforcement Learning from Human Feedback ⚠ (с Google Cloud) · перевод →	Наглядная схема RLHF: датасеты предпочтений, дообучение Llama 2, сравнение с базовой моделью. Практика завязана на Vertex AI, повторять её не обязательно	🟡	EN	1 ч 32 мин	6.3
Quantization in Depth ⚠ и «Quantization Fundamentals» (с Hugging Face) · перевод →	Типы данных, загрузка моделей в разной точности, линейное квантование. Во втором курсе — свой квантизатор с нуля, без библиотек: хорошо закрепляет формулы урока	🟢→🟡	EN	2 ч 20 мин и 1 ч 14 мин	7.2

---

Китай

Курсов в западном смысле у создателей топовых китайских моделей почти нет: DeepSeek, Moonshot, MiniMax и Zhipu учат через техотчёты, подробные инженерные документы и гайды по API. Полноценные курсы делают платформы: Alibaba (ModelScope, Alibaba Cloud), Shanghai AI Lab, Huawei, а ещё сообщество Datawhale и университеты.

Тексты DeepSeek, Kimi и MiniMax написаны по-английски, остальное — по-китайски. Китайские материалы читаются машинным переводом вместе с нашим глоссарием; приёмы — в уроке «Как читать китайские технические источники». Русских переводов у китайских материалов нет.

DeepSeek

DeepSeek подробнее всех рассказывает, как устроены его модели и инфраструктура. Порядок для новичка: сначала урок курса, потом раздел отчёта, на который урок ссылается. Учтите железо: ядра FlashMLA, DeepGEMM и DeepEP требуют GPU поколения Hopper или Blackwell, а RTX 4080 — поколение Ada, поэтому эти материалы только для чтения.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Техотчёты DeepSeek: LLM → MoE → Math (GRPO) → V2 (MLA) → V3 → R1 → V3.2 → V4 · перевод →	Цепочка первоисточников, по которой видна эволюция идей: законы масштабирования, мелкозернистые эксперты, MLA, FP8, MTP, GRPO, RL с проверяемыми наградами, разреженное внимание. Ссылки на все отчёты — в библиотеке, управляемое чтение — в уроках о V3 и о R1	🔴	EN	4–8 ч на отчёт	5, 6.4, 9.2
Open Source Week, день 6: «Inference System Overview» · перевод →	Боевой инференс большой MoE от её создателей: разделение prefill и decode, expert parallelism между узлами, наложение вычислений и коммуникаций, балансировка нагрузки и реальная экономика сервиса. Читайте в паре со статьёй «Insights into DeepSeek-V3» ⚠ (ISCA 2025) о том, как модель проектировали под железо	🔴	EN	2–3 ч	5.4, 7.1
FlashMLA deep dive · перевод →	Как DeepSeek оптимизировал ядро декодирования MLA: почему оно упирается в вычисления, конвейер копирования и умножения матриц, балансировка по мультипроцессорам GPU. Рядом лежит второй текст — о разреженных FP8-ядрах для V3.2. Только чтение	🔴	EN	2–4 ч	5.2, 5.7, 7.1
DualPipe, EPLB, 3FS design notes · перевод →	Открытая инфраструктура как учебник: двунаправленный конвейерный параллелизм со схемами «пузырей», балансировщик экспертов (чистый Python, работает на CPU — повторите пример из README), устройство распределённой файловой системы для обучения	🔴	EN	3–8 ч	5.3, 5.4
Документация DeepSeek API ⚠ · перевод →	Первый вызов API, параметры сэмплинга, рассуждающая модель, function calling, JSON-вывод, кэш контекста на диске (это префикс-кэш из ступени 7 в действии). Есть английская версия	🟢	ZH, EN	2–4 ч	8.1

Qwen и Alibaba

Alibaba — создатели семейства открытых моделей Qwen и китайского хаба моделей ModelScope. Из китайских компаний Alibaba учит больше всех: документация и блог команды Qwen, курс Alibaba Cloud, учебник ModelScope.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Документация Qwen ⚠ · перевод →	Ключевые понятия (шаблоны чата, токены), быстрый старт на transformers, деплой в vLLM и SGLang, квантованные версии, function calling. Документация эпохи Qwen3: для свежих моделей сверяйтесь с README их репозиториев	🟡	ZH, EN	5–10 ч	7.1–7.2, 8.3
Блог Qwen ⚠ · перевод →	Посты к релизам — первоисточник архитектурных решений: Qwen3.5, Qwen3.6, Qwen3.8-Flash-Next (08.2026, превью архитектуры Qwen4). Читайте вместе с техотчётом	🔴	EN	0,5–1 ч на пост	5.5, 9.2
Qwen-Agent · перевод →	Фреймворк агентов от создателей модели: параллельный function calling, MCP, интерпретатор кода, RAG на длинных документах. Полезно читать код как пример устройства агентного фреймворка	🟡	ZH, EN	5–10 ч	8.3
Курс Alibaba Cloud ACP · перевод →	18 уроков вокруг сквозного проекта — бота, который отвечает на вопросы: промпты и API, RAG, дообучение и дистилляция, мультиагентные системы, Agent Skills, Qwen Code. Курс бесплатный, сертификация ACA/ACP платная	🟡	ZH, EN	≈30–40 ч	8
modelscope-classroom · перевод →	Учебник ModelScope: 13 глав и 114 статей от основ глубокого обучения до оптимизации инференса и агентов; ноутбуки по vLLM и LLaMA-Factory	🟢→🟡	ZH	≈30–50 ч	3–8

Shanghai AI Lab

Шанхайская лаборатория ИИ — создатели моделей InternLM и Intern-S1 и инструментов XTuner, LMDeploy, OpenCompass. Её бесплатный лагерь — самый полный официальный практикум в Китае; из него наш курс взял систему «островов» (см. «Как учиться»).

Материал	Чему учит	Уровень	Язык	Объём	Ступени
InternLM Camp — практический лагерь по большим моделям · перевод →	Архив сезонов 3–5 — «острова» L0–L3: Linux, Python и Git → API, оценка в OpenCompass, деплой в LMDeploy, дообучение в XTuner → мультимодальность, MCP, RL. Сезон 7 (04.2026) — 10 курсов по схеме «учебник → видео → тест из 5 вопросов», среди них MCP, A2A и безопасность агентов. Инструменты запускаются на вашей машине	🟢→🔴	ZH	4–8 недель	0.1, 6.2, 7.2, 7.3, 8.3

Moonshot (Kimi), Zhipu (GLM), MiniMax

Курсов у этих лабораторий нет, но есть короткие практические тексты от создателей. Техотчёты Kimi, GLM и MiniMax собраны в библиотеке, а их ключевые идеи разобраны в уроке «Kimi, Qwen, GLM, MiniMax».

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Kimi-K2: tool call guidance (Moonshot AI) · перевод →	Цикл вызова инструментов через OpenAI SDK, в стриминге и с ручным разбором сырых спецтокенов. Хорошо показывает, что function calling — это просто текст в шаблоне чата	🟡	EN	1–2 ч	8.3
Документация Zhipu ⚠ и glm-cookbook · перевод →	Страницы моделей GLM с примерами вызова, справочник API, SDK. Ещё один OpenAI-совместимый провайдер для упражнения «один код — разные API»	🟢	ZH	1–2 ч	8.1
Why Did M2 End Up as a Full Attention Model? ⚠ (MiniMax) · перевод →	Честный разбор, почему лаборатория, одной из первых выпустившая гибрид с линейным вниманием, вернулась к полному вниманию: качество на рассуждениях и агентах, численная точность, реальная скорость на железе	🔴	EN	1 ч	5.5

ByteDance Seed, Baidu, Huawei

У ByteDance и Baidu открытых учебных курсов почти нет; полезны документация к открытым инструментам и техотчёты. Курсы Baidu и Huawei привязаны к своим фреймворкам (PaddlePaddle, MindSpore) и чипам Ascend, поэтому для вас они скорее образец формата, чем практикум.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
verl (ByteDance Seed и сообщество), документация — verl.readthedocs.io · перевод →	RL-пост-трейнинг LLM: быстрый старт PPO на GSM8K, примеры GRPO, «HybridFlow programming guide», функции награды. Официальный путь к своему GRPO на маленькой Qwen на 4× RTX 4080. Репозиторий переехал из volcengine/verl	🔴	EN	≈6–12 ч	6.4
ERNIE 5.0 ⚠ и техотчёт ERNIE 4.5 ⚠ (Baidu) · перевод →	ERNIE 4.5 — гетерогенная мультимодальная MoE (до 424B параметров), FP8, иерархическая балансировка. ERNIE 5.0 — единая омни-модальная модель на ультраразреженной MoE. Код — в репозитории ERNIE на PaddlePaddle	🔴	EN	3–5 ч на отчёт	5.3, 9.1
Ascend: «Полный цикл разработки больших моделей» ⚠ (Huawei и Шанхайский университет Цзяотун) · перевод →	Полный цикл разработки LLM на китайском железе: окружение, данные, претрейн, инференс, оценка, промпты; средний и продвинутый уровни — дообучение и оптимизация. Лабораторные на Ascend и MindSpore на NVIDIA не перенести — берите как чек-лист этапов	🟢	ZH	≈10–15 ч (начальный уровень)	5.6, 10

Datawhale

Datawhale — некоммерческое сообщество, которое пишет открытые учебники о том, как самому собрать LLM. Это не создатели моделей, но их книги — лучший китайский путь «руками»; часть проектов сделана вместе с командами разработчиков. Полный список — в библиотеке, здесь три главных.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
happy-llm «Строим большую модель с нуля» · перевод →	Путь от NLP до своей LLaMA2 на 215M параметров: токенизатор, претрейн, SFT, LoRA; затем RAG, агенты, а в гл. 8 — Agentic RL с GRPO. Есть онлайн-версия и README на английском	🟡	ZH	≈40–60 ч	4–6, 8
tiny-universe · перевод →	Восемь «белых ящиков» на чистом PyTorch и NumPy: TinyTransformer, TinyLlama3, TinyRAG, TinyAgent, TinyEval и другие — минимальные реализации, с которыми удобно сверять свои	🟡	ZH	≈15–25 ч	4.6, 7.3, 8
self-llm «Открытые большие модели: инструкция по применению» · перевод →	Рецепты деплоя, LoRA и полного дообучения для 50+ открытых моделей: Qwen, GLM, Kimi, MiniMax, DeepSeek. Берите рецепты для моделей до 30B — они помещаются на 4× RTX 4080	🟡	ZH	1–3 ч на рецепт	6.2, 7.2

Университеты и лекторы Китая

Материал	Чему учит	Уровень	Язык	Объём	Ступени
«Погружение в глубокое обучение» v2 ⚠ — Ли Му · перевод →	Видеокурс к учебнику d2l: каждая тема — теория плюс код с нуля и на PyTorch, от линейной регрессии до внимания и BERT. Видео — на Bilibili, канал «Изучаем ИИ с Ли Му»; сам учебник есть и по-английски (d2l.ai)	🟢→🟡	ZH	≈60–80 ч	2–4
Курсы Ли Хунъи (Hung-yi Lee, NTU) ⚠: «Введение в генеративный ИИ» 2024 и ML 2026 ⚠ · перевод →	Самый понятный китайскоязычный лектор. Курс 2024 года — для полного новичка, без математики и кода; курс 2026 года — агенты, FlashAttention и KV-кэш, позиционные эмбеддинги, ДЗ с лидербордом Simple → Boss	🟢; 🟡→🔴	ZH	≈15–25 ч; ≈30–50 ч	0, 4–8
«Большие языковые модели», RUC AI Box · перевод →	Системный учебник по LLM и видеокурс к нему на Bilibili ⚠: архитектура, претрейн и данные, instruction tuning, выравнивание, декодирование, рассуждения	🟡	ZH	книга 40+ ч, видео ≈15–20 ч	5–7

---

Люди-создатели

Некоторые из лучших учебных материалов в мире записали люди, которые сами создавали нейросети или работали в ведущих лабораториях. Они объясняют «изнутри»: с кодом, с выводами и без упрощений.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Neural Networks: Zero to Hero — Андрей Карпатый (сооснователь OpenAI, бывший директор по ИИ в Tesla) · перевод →	8 видеолекций с кодом: автоград micrograd, языковые модели makemore (биграммы → MLP → BatchNorm → ручной backprop → WaveNet), GPT по «Attention Is All You Need», BPE-токенизатор. Смотрите и набирайте код руками, без копирования	🟢→🟡	EN	8 лекций, ≈15–20 ч видео и вдвое больше на код	3.2, 4.1, 4.2, 4.6
Deep Dive into LLMs like ChatGPT ⚠ — Карпатый; продолжение — «How I use LLMs» ⚠ · перевод →	Весь путь ChatGPT-подобной модели без формул: данные из интернета, токены, претрейн, SFT, RL и RLHF, галлюцинации, рассуждающие модели. Второе видео — как пользоваться LLM в работе. К первому есть любительский русский перевод ⚠	🟢	EN, RU (любительский перевод)	3 ч 31 мин; 2 ч 11 мин	0, 5, 6.4, 8.1
build-nanogpt, видео «Let’s reproduce GPT-2 (124M)» — Карпатый · перевод →	От пустого файла до воспроизведения GPT-2; каждый коммит репозитория разобран в видео. Мост от «GPT с нуля» к распределённому обучению на ваших 4 GPU	🟡→🔴	EN	≈10–15 ч с кодом	4.6, 5.4
nanochat — Карпатый · перевод →	Полный конвейер в минимальном коде: токенизатор → претрейн → SFT → RL → оценка → веб-чат. Масштаб задаётся одним параметром --depth; на 4× RTX 4080 его стоит уменьшить	🔴	EN	≈20–40 ч	5.6, 10
microgpt — Карпатый · перевод →	GPT примерно в 200 строк на чистом Python без зависимостей: символьный токенизатор, свой автоград, архитектура в стиле GPT-2, Adam. На этой идее построен урок «Микро-GPT на чистом Python»	🟡	EN	2–4 ч	4.6
colah.github.io ⚠ и архив журнала Distill ⚠ — Крис Ола (сооснователь Anthropic) · перевод →	Визуальные объяснения backprop через вычислительный граф, LSTM, эмбеддингов; интерактивные статьи Distill об оптимизации и визуализации признаков. Distill на бессрочной паузе с 2021 года, архив открыт	🟢→🟡	EN	1–2 ч на статью	1.2, 3.4, 9.3
Lil’Log ⚠ — Лилиан Венг (бывший вице-президент OpenAI, сооснователь Thinking Machines Lab) · перевод →	Большие обзоры с формулами и библиографией: внимание, диффузия, RLHF, reward hacking, агенты, «Why We Think» о вычислениях во время ответа (2025). Читайте после урока как обзор литературы	🔴	EN	40–90 мин на пост	6.4, 8.3, 9
LLMs-from-scratch — Себастьян Рашка	Код к книге «Build a Large Language Model (From Scratch)»: GPT с нуля, претрейн, instruction tuning, DPO; бонусы — KV-кэш, GQA, MLA, MoE, Llama и Qwen с нуля. Ноутбуки бесплатны, книга платная; есть русское издание «Строим LLM с нуля»	🟡	EN, RU (книга, платно)	≈40–60 ч	4.4–4.6, 5.2, 6.1
Ahead of AI ⚠ — Рашка · перевод →	Рассылка: сравнения архитектур открытых LLM, визуальный гид по вариантам внимания (MHA → GQA → MLA → разреженное), обзоры статей. DeepSeek, Qwen и Kimi — постоянные герои	🟡→🔴	EN	30–60 мин на выпуск	5.2–5.5, 9.2
The Illustrated Transformer — Джей Аламмар	Трансформер в картинках: self-attention, Q/K/V, многоголовое внимание, позиционное кодирование. Есть русский перевод на Хабре ⚠	🟢	EN, RU (перевод)	1–2 ч	4.4–4.5
3Blue1Brown — нейросети, гл. 1–7 ⚠ — Грант Сандерсон	Интуиция в анимациях: что такое нейросеть, градиентный спуск, backprop, затем GPT, внимание и MLP-блоки. Там же — серии «Essence of linear algebra» и «Essence of calculus» для ступени 1. У всех семи глав есть русские субтитры, у гл. 5–7 — машинный перевод	🟢	EN, RU (субтитры)	≈2,5 ч, лучше смотреть по 2–3 раза	1, 3.1, 4.4
Видео Умара Джамиля (код к ним — на GitHub) · перевод →	Многочасовые разборы с кодом с нуля: трансформер, LLaMA 2 (KV-кэш, GQA, RoPE, RMSNorm, SwiGLU), Stable Diffusion, PaliGemma	🟡→🔴	EN	несколько часов на видео	4.5, 4.6, 9.1
Neural Networks and Deep Learning ⚠ — Майкл Нильсен	Медленное и подробное текстовое объяснение backprop: сеть для рукописных цифр с нуля, градиентный спуск, cross-entropy, регуляризация. Есть любительский перевод на Хабре — серия «Нейросети и глубокое обучение: онлайн-учебник» (глава 6 ⚠). Код автора на Python 2.7	🟢	EN, RU (перевод)	≈15–25 ч	3.1
Understanding Deep Learning — Саймон Принс · перевод →	Современный учебник глубокого обучения с очень хорошими схемами: от backprop и инициализации до трансформеров, диффузии и RL; 68 ноутбуков. Бесплатный PDF	🟡	EN	≈60–100 ч	3, 4.5, 9.1
Reinforcement Learning: An Introduction ⚠ — Ричард Саттон и Эндрю Барто	Классический учебник RL: бандиты, MDP, Монте-Карло, TD-обучение, Q-learning, policy gradient. Бесплатный PDF; русское издание (ДМК Пресс, 2020) платное	🟡	EN, RU (книга, платно)	40–60 ч на гл. 1–6 и 13	6.0
ARENA — Каллум Макдугалл и сообщество AI safety · перевод →	Ноутбуки с тестами: трансформер с нуля и механистическая интерпретируемость, RL (DQN, PPO, RLHF), оценка LLM и агенты. Лучший практикум по интерпретируемости	🟡→🔴	EN	100+ ч, 4 главы	4.6, 6.3, 7.3, 9.3

Университеты

В этих курсах преподают исследователи, которые сами строят модели: CS336 ведут Перси Лян и Тацунори Хашимото, на CS25 выступают авторы ключевых работ, курс NYU читает Ян Лекун — один из создателей свёрточных сетей. Записи лекций и задания открыты, но проверять задания вы будете сами.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Stanford CS336: Language Modeling from Scratch, задания, лекции 2026 · перевод →	LLM целиком под автотестами: токенизация, архитектуры и MoE, GPU и Triton, параллелизм, законы масштабирования, данные, SFT и RL. Ведут Перси Лян и Тацунори Хашимото; видео лекций 2025 года — на YouTube	🔴	EN	≈18 лекций и 5 заданий по 20–60 ч	4–7
Stanford CS224N: NLP with Deep Learning ⚠ · перевод →	NLP на глубоком обучении: word2vec, RNN, seq2seq, внимание, трансформеры, претрейн, пост-трейнинг; плейлист 2024 года. Близкий курс — CMU 11-711 Грэма Нойбига (2024) с лекциями о RLHF, MoE и агентах	🟡	EN	≈20 лекций и 4–5 заданий	4, 6.3, 8.3
Stanford CS229: Machine Learning ⚠ — Эндрю Ын, 2018 · перевод →	Строгий классический ML с выводами: регрессии, GLM, SVM, деревья, нейросети, EM, PCA, RL. Мягче то же дают специализации Ына на Coursera	🟢→🟡	EN	27+ ч	2
Stanford CS231n ⚠ · перевод →	Компьютерное зрение: линейные классификаторы, backprop, CNN, приёмы обучения, ViT, мультимодальность. Конспекты по backprop и задания с ручным backprop на NumPy — серьёзное дополнительное ДЗ	🟡	EN	≈18 лекций и 3 задания	3, 9.1
Stanford CS25: Transformers United ⚠ · перевод →	Семинар о трансформерах: доклады приглашённых исследователей из ведущих лабораторий, без домашних заданий	🟡	EN	серия докладов	9.2
MIT 6.S191: Introduction to Deep Learning, лабораторные · перевод →	Интенсив: основы, последовательности и трансформеры, зрение, генеративные модели, RL; выпуск 2026 года. Короткий обзорный проход перед ступенью 3	🟢	EN	8 лекций по часу и 3 лабы	3
MIT 18.06SC Linear Algebra ⚠ — Гилберт Стрэнг · перевод →	Классический курс линейной алгебры: системы уравнений, пространства, ортогональность, собственные значения, SVD. Берите выборочно, когда интуиции 3Blue1Brown мало	🟢→🟡	EN	≈35 лекций	1.1
MIT 18.S096: Matrix Calculus for Machine Learning ⚠ · перевод →	Производные как линейные операторы, градиенты по матрицам, автодифференцирование в прямом и обратном режиме. Помогает понять backprop для матриц целиком	🔴	EN	8 лекций и задачи	1.2, 3.2
Berkeley: Advanced LLM Agents ⚠ · перевод →	Онлайн-курс с лекциями исследователей Google DeepMind, Meta и других: техники во время инференса, пост-трейнинг для рассуждений, планирование, агенты для кода и математики	🟡→🔴	EN	12 недель по 2 ч	6.4, 8.3
CMU 11-868: LLM Systems ⚠, задания · перевод →	Системы для LLM: GPU-программирование и CUDA, ускорение и распределённое обучение, сервинг, квантование. Семь домашних заданий — практика на ваших 4 GPU	🔴	EN	≈80–120 ч с ДЗ	5.7, 7
Harvard CS50 ⚠: CS50x, CS50P, CS50 AI	CS50x — основы информатики, CS50P — Python, CS50 AI — поиск, логика, вероятности, ML и нейросети на Python. Задачи с автопроверкой. Выпуски 2015–2016 годов озвучены по-русски (JavaRush ⚠)	🟢	EN, RU (озвучка старых выпусков)	10+ недель; CS50 AI — 7 недель	0, 2
NYU Deep Learning — Ян Лекун и Альфредо Канциани	Градиентный спуск, CNN, RNN, внимание и трансформер, энергетические модели, self-supervised learning. Конспекты лекций переведены на русский	🟡	EN, RU (конспекты)	≈15 недель	3, 4.4, 9.2
Transformer Explainer (Georgia Tech) и LLM Visualization · перевод →	Живая GPT-2 в браузере: эмбеддинги, Q/K/V, веса внимания, влияние температуры на выбор токена. Вторая визуализация — 3D-прогон маленькой GPT	🟢	EN (почти без текста)	1–2 ч	4.1, 4.4–4.6

---

На русском

Сначала — материалы, созданные на русском языке. Ниже — переводы и субтитры к материалам с этой страницы. Ещё несколько русских курсов и книг — в библиотеке.

Материал	Чему учит	Уровень	Язык	Объём	Ступени
Учебник по машинному обучению ШАД ⚠, хендбуки по Python ⚠ и по математике ⚠	Классический ML и глубокое обучение до трансформеров и языковых моделей (уровень примерно 2023 года); хендбуки — Python и математика с нуля	🟢→🟡	RU	≈60–100 ч	0–4
Practical_RL (ШАД)	Практикум по RL: cross-entropy method, Q-learning, DQN, исследование среды, policy gradient, actor-critic, PPO. Мост от основ RL к PPO и GRPO	🟡	RU, EN	10 недель	6.0
Машинное обучение на ФКН ВШЭ — Евгений Соколов	Полный университетский курс: подробные конспекты с выводами, семинары, теоретические и практические ДЗ; видео прошлых лет на YouTube	🟡→🔴	RU	2 семестра	2
Курс ML girafe-ai (МФТИ и ШАД) и лекции К. В. Воронцова	Видеолекции и семинары от kNN и линейных моделей до бустинга, backprop, BatchNorm, эмбеддингов и seq2seq. Лекции Воронцова — самый математический русский курс ML, на второй проход	🟡	RU	семестр	2, 3
Deep Learning School МФТИ ⚠	Бесплатная школа на Stepik: компьютерное зрение, затем NLP и аудио, ДЗ и финальный проект. Осенний поток — 05.09.2026–24.01.2027, можно идти параллельно со ступенью 3	🟢→🟡	RU	2 семестра	3, 4
mlcourse.ai (ODS, Юрий Кашницкий)	Классический ML на практике: EDA, классификация и регрессия, ансамбли, признаки, PCA и кластеризация, временные ряды, бустинг. Основное бесплатно, бонусные задания платные	🟢→🟡	RU, EN	≈50–80 ч	2
«Поколение Python» ⚠ (Stepik)	Python с нуля: около 500 маленьких задач с мгновенной автопроверкой — тренажёр, на котором набивается рука. Короче и мягче — «Программирование на Python» ⚠ Института биоинформатики	🟢	RU	60–70 уроков	0.2
«Основы статистики» ⚠ — Анатолий Карпов (Stepik)	Простым языком: распределения, доверительные интервалы, проверка гипотез, корреляция и регрессия. Продолжение — «Введение в Data Science и машинное обучение» ⚠	🟢	RU	29 уроков	1.3, 2
Академия Хана ⚠	Школьная математика с упражнениями и мгновенной проверкой: алгебра, функции и графики, частично матанализ и вероятности. Переведено не всё	🟢	RU (частично)	по пробелам	1.0

Переводы и субтитры

• Microsoft «… for Beginners» — все уроки пяти курсов переведены на русский (машинный перевод); ссылки на переводы — в разделе Microsoft. Там же — «Основы PyTorch» на Microsoft Learn.
• Hugging Face — переводы сообщества: LLM Course, гл. 0–9, Agents Course, Audio Course.
• Google Machine Learning Crash Course — русская версия страниц ⚠.
• 3Blue1Brown — русские субтитры ко всем семи главам о нейросетях, у глав 5–7 перевод машинный. Мы проверили это по открытому репозиторию субтитров канала.
• Карпатый, «Deep Dive into LLMs like ChatGPT» — любительский перевод ⚠.
• Аламмар, «The Illustrated Transformer» — перевод на Хабре ⚠.
• Нильсен, «Neural Networks and Deep Learning» — любительский перевод всей книги на Хабре.
• NYU Deep Learning — конспекты лекций на русском.
• Harvard CS50 — русская озвучка выпусков 2015–2016 годов от JavaRush и студии VertDider.
• Книги на русском (платно): Рашка, «Строим LLM с нуля»; Саттон и Барто, «Обучение с подкреплением» (ДМК Пресс, 2020). Другие переводы — в разделе «Книги на русском» библиотеки.

---

Честные оговорки

Почти всё на английском

У официальных курсов Anthropic, OpenAI и DeepLearning.AI русских субтитров нет. Это не повод их пропускать:

• YouTube. Включите субтитры, затем «Настройки» (шестерёнка) → «Субтитры» → «Перевести» → «Русский». Перевод машинный и путает термины, поэтому сверяйтесь с глоссарием. Яндекс Браузер умеет переводить видео на YouTube закадровым голосом.
• Тексты на GitHub и сайтах читаются встроенным переводчиком браузера. Код и формулы перевода не требуют.
• Сначала урок на русском, потом английский материал. Когда термины и идея уже знакомы, английский текст понимать гораздо проще. Подробнее о работе с видео — в разделе «Видео: смотреть и сразу делать».

Лаборатории учат в основном прикладному

Большинство курсов от лабораторий — про промпты, API, агентов и MCP: как пользоваться моделями, а не как они устроены. Устройство моделей глубоко объясняют немногие:

• Google DeepMind: AI Research Foundations, лекции DeepMind × UCL, How To Scale Your Model, Tuning Playbook;
• OpenAI: Spinning Up;
• Hugging Face: Ultra-Scale Playbook, Smol Training Playbook, LLM Evaluation Guidebook;
• Anthropic: Transformer Circuits и circuit-tracer;
• DeepSeek: техотчёты и инженерные документы Open Source Week;
• из людей и университетов: Карпатый, Stanford CS336, ARENA, Understanding Deep Learning.

Если хочется понять досконально, держитесь этого списка, а прикладные курсы берите как практикум к ступени 8.

Деньги и железо

• Ключи API. Курсы Anthropic, OpenAI и Gemini бесплатны, но их код обращается к платному API. Дешёвая замена — локальная модель через OpenAI-совместимый сервер из урока «OpenAI-совместимые API»: идеи переносятся, синтаксис SDK — нет.
• Открытые модели — бесплатно. Материалы Hugging Face, Gemma, Llama, circuit-tracer, NVIDIA, verl и self-llm запускаются на ваших 4× RTX 4080.
• Подписки. У DeepLearning.AI видео бесплатные, а часть заданий и сертификаты — по подписке Pro. Сертификация Alibaba Cloud платная, сам курс — нет.
• Железо. Ядра DeepSeek (FlashMLA, DeepGEMM, DeepEP) требуют GPU Hopper или Blackwell, а RTX 4080 — поколение Ada. У ваших карт нет NVLink, обмен между ними идёт через PCIe: учитывайте это, когда пересчитываете примеры из How To Scale Your Model и Ultra-Scale Playbook.

Материалы меняются

• Репозиторий anthropics/courses в архиве с 15.09.2026, а Anthropic Academy переехала в Claude Academy (academy.claude.com).
• llama-recipes переименован в llama-cookbook, Gemma Cookbook переехал в google-gemma/cookbook, LLM Evaluation Guidebook — в Space OpenEvals на Hugging Face, verl — в verl-project/verl.
• Spinning Up — в режиме поддержки, у HF Deep RL Course сломан юнит 7, репозиторий MLU-Explain в архиве (сайт работает), журнал Distill на паузе с 2021 года.
• Курс Карпатого LLM101n так и не вышел: репозиторий в архиве, ждать его не стоит. Вместо него — nanochat и Zero to Hero.
• Документация Qwen отстаёт от моделей 2026 года: для свежих версий смотрите README их репозиториев.

Как проверялись ссылки

Ссылки проверены 04.10.2026: страницу или репозиторий на GitHub открывали напрямую. Знак ⚠ означает, что сайт из сети проверки не открылся и его адрес подтверждён только поиском. Если такая ссылка не работает, найдите материал по названию.

Сознательно не включены: курсы OpenAI Academy (уровень пользователя ChatGPT), Cohere LLM University (2023 год, привязка к API Cohere), устаревшие и дублирующие материалы. У xAI, Apple и Tencent заметных открытых учебных курсов мы не нашли.

Дальше

Библиотека источниковВсе первоисточники курса на трёх языках: книги, репозитории, статьи и лицензии.

Как учитьсяРитм недели, работа с видео, журнал, тетрадь ошибок и ИИ-репетитор.