Переводы
Английские и китайские курсы, книги и лекции создателей нейросетей — на русском: полные переводы, подробные конспекты и путеводители.
Здесь собраны русские версии материалов со страницы «Учимся у создателей», которые в оригинале на английском или китайском. Каждая страница начинается с карточки: что за оригинал, кто автор, какая лицензия, к каким урокам курса относится.
Три вида переводов
Заголовок раздела «Три вида переводов»| Вид | Что это | Когда так делаем |
|---|---|---|
| Перевод | Текст оригинала переведён целиком | Лицензия разрешает переводить и публиковать: MIT, Apache-2.0, CC BY, CC BY-SA, CC BY-NC-SA |
| Конспект | Подробный пересказ своими словами: структура, ключевые идеи, формулы, код, ответы на «почему» | Видео и лекции, а также тексты без открытой лицензии — их нельзя публиковать дословно |
| Путеводитель | Что внутри большого материала, в каком порядке читать, к какому уроку что относится, перевод самых важных частей | Огромные сборники: кукбуки, документация, целые курсы на десятки часов |
Конспект не заменяет оригинал целиком, но с ним можно идти по оригиналу, не теряясь: вы заранее знаете, о чём каждая часть, какие там формулы и где главное.
Как смотреть английские и китайские видео по-русски
Заголовок раздела «Как смотреть английские и китайские видео по-русски»-
Закадровый перевод в Яндекс Браузере. Откройте видео на YouTube в Яндекс Браузере и нажмите кнопку перевода над плеером: браузер наложит русскую озвучку. Перевод машинный, но для лекций с формулами на доске его обычно хватает. Список языков, с которых работает перевод, меняется — английский поддерживается давно, китайский проверьте на своём видео.
-
Автоперевод субтитров на YouTube. Шестерёнка под видео → «Субтитры» → выберите английские (или китайские) → снова «Субтитры» → «Перевести» → «Русский». Удобно, если хотите слышать оригинал и видеть перевод.
-
Сначала конспект — потом видео. Прочитайте конспект лекции здесь (10–15 минут), затем смотрите оригинал: вы уже знаете план, термины и формулы, и понимание растёт в разы.
Все переводы
Заголовок раздела «Все переводы»Всего страниц: 275 · полных переводов: 145 · конспектов: 69 · путеводителей:61
Андрей Карпатый
- Zero to Hero, лекция 1: нейросети и backprop с нуля — пишем micrograd
- Zero to Hero, лекция 2: языковая модель на биграммах (makemore, часть 1)
- Zero to Hero, лекция 3: MLP-модель имён по Бенджио (makemore, часть 2)
- Zero to Hero, лекция 4: активации, градиенты и BatchNorm (makemore, часть 3)
- Zero to Hero, лекция 5: становимся ниндзя обратного распространения (makemore, часть 4)
- Zero to Hero, лекция 6: строим WaveNet (makemore, часть 5)
- Zero to Hero, лекция 7: GPT с нуля, в коде, по шагам
- Zero to Hero, лекция 8: строим токенизатор GPT
- Zero to Hero, лекция 9: воспроизводим GPT-2 (124M)
- «Глубокое погружение в LLM»: как устроен ChatGPT
- «Как я пользуюсь LLM»: практический обзор от Карпатого
- nanochat: свой ChatGPT от токенизатора до чата
- microgpt: GPT в 200 строк, разбор по блокам
Anthropic
- Туториал Anthropic по промптам, часть 1: основы (главы 1–3)
- Туториал Anthropic по промптам, часть 2: средний уровень (главы 4–7)
- Туториал Anthropic по промптам, часть 3: продвинутый уровень (главы 8–9 и приложение)
- Курс Anthropic: основы API (Anthropic API fundamentals)
- Курс Anthropic: промпты для реальных задач (Real world prompting)
- Курс Anthropic: оценка промптов, часть 1 — эвалы своими руками (Prompt evaluations, уроки 1–4)
- Курс Anthropic: оценка промптов, часть 2 — эвалы в promptfoo (Prompt evaluations, уроки 5–9)
- Курс Anthropic: Tool use, часть 1 — что такое инструменты, первый инструмент, JSON через инструменты
- Курс Anthropic: Tool use, часть 2 — полный цикл, tool_choice и чат-бот с несколькими инструментами
- Claude Academy: путеводитель по курсам Anthropic
- Claude Cookbooks: путеводитель по рецептам Anthropic
- Claude Cookbooks: RAG — базовый, с индексом сводок и с реранкингом
- Claude Cookbooks: агент поддержки клиентов с клиентскими инструментами
- Claude Cookbooks: как строить эвалы (Building evals)
- Anthropic Engineering: «Building effective agents» и «Writing effective tools for agents» — конспект
- Anthropic Engineering: context engineering и мультиагентная исследовательская система — конспект
- Anthropic Engineering: Contextual Retrieval и «Demystifying evals for AI agents» — конспект
- Transformer Circuits: «A Mathematical Framework for Transformer Circuits» — конспект
- Transformer Circuits: «In-context Learning and Induction Heads» — конспект
- Transformer Circuits: «Toy Models of Superposition» — конспект
- Transformer Circuits: «Towards Monosemanticity» и «Scaling Monosemanticity» — конспект
- Transformer Circuits: «Circuit Tracing» — графы атрибуции, конспект
- Transformer Circuits: «On the Biology of a Large Language Model» — конспект
- circuit-tracer и Neuronpedia: путеводитель по графам атрибуции на открытых моделях
OpenAI и DeepLearning.AI
- Spinning Up in Deep RL: введение
- Spinning Up, часть 1: ключевые понятия RL
- Spinning Up, часть 2: виды алгоритмов RL
- Spinning Up, часть 3: введение в оптимизацию политики
- Spinning Up: как стать исследователем глубокого RL
- Spinning Up: ключевые статьи по глубокому RL
- Spinning Up: алгоритмы VPG и PPO
- Spinning Up: алгоритмы TRPO, DDPG, TD3 и SAC
- Spinning Up: упражнения
- OpenAI Cookbook: путеводитель по рецептам
- OpenAI Cookbook: ответы на вопросы с поиском по эмбеддингам
- OpenAI Cookbook: как вызывать функции из чат-моделей
- OpenAI Cookbook: устойчивые промпты и «маховик оценки»
- «Практическое руководство по созданию агентов» OpenAI: конспект
- DeepLearning.AI × OpenAI: промпт-инжиниринг для разработчиков и «Reasoning with o1»
- DeepLearning.AI × Google Cloud: курс «Reinforcement Learning from Human Feedback»
Google и DeepMind
- AI Research Foundations: обзор программы
- AI Research Foundations, курс 1, часть 1: распределения и n-граммы
- AI Research Foundations, курс 1, часть 2: данные и обучение своей SLM
- AI Research Foundations, курс 2, часть 1: чистка данных и токенизация
- AI Research Foundations, курс 2, часть 2: свой BPE, эмбеддинги и SLM на подсловах
- AI Research Foundations, курс 3, часть 1: от нейрона к MLP
- AI Research Foundations, курс 3, часть 2: гиперпараметры, регуляризация, градиенты
- AI Research Foundations, курс 4, часть 1: внимание своими руками
- AI Research Foundations, курс 4, часть 2: позиции и параметры трансформера
- AI Research Foundations, курс 5, часть 1: от продолжателя текста к ответам на вопросы
- AI Research Foundations, курс 5, часть 2: Gemma, нехватка памяти и LoRA
- AI Research Foundations, курс 7, часть 1: FLOPs, память и «стена»
- AI Research Foundations, курс 7, часть 2: bfloat16 и накопление градиентов
- AI Research Foundations, курс 8: путеводитель по итоговому проекту
- Deep Learning Tuning Playbook, часть 1: как начинать новый проект
- Deep Learning Tuning Playbook, часть 2: научный подход к улучшению модели
- Deep Learning Tuning Playbook, часть 3: длительность обучения, конвейер и частые вопросы
- How To Scale Your Model: обзор книги и введение
- How To Scale Your Model, глава 1: всё о roofline
- How To Scale Your Model, глава 2: как устроены TPU
- How To Scale Your Model, глава 3: шардированные матрицы и как их умножать
- How To Scale Your Model, глава 4: вся математика трансформера
- How To Scale Your Model, главы 5–6: как параллелить обучение трансформера
- How To Scale Your Model, главы 7–8: всё об инференсе трансформера
- How To Scale Your Model, глава 12: как думать о GPU
Hugging Face
- Deep RL Course: путеводитель по курсу
- Deep RL Course, юнит 1: введение в глубокое обучение с подкреплением
- Deep RL Course, юнит 1, практика: сажаем лунный модуль
- Deep RL Course, юнит 2: Q-learning
- Deep RL Course, юнит 2, практика: Q-learning на FrozenLake и Taxi
- Deep RL Course, юнит 3: Deep Q-Learning и игры Atari
- Deep RL Course, юнит 4: градиент политики
- Deep RL Course, юнит 4, практика: REINFORCE на PyTorch
- Deep RL Course, юнит 6: actor-critic и A2C
- Deep RL Course, юнит 8: PPO
- Deep RL Course, юнит 8, практика: PPO с нуля и Doom
- Deep RL Course: юниты 5 и 7 и бонусы
- LLM Course от Hugging Face: путеводитель
- LLM Course, глава 10: качественные датасеты с Argilla
- LLM Course, глава 11: дообучение LLM — шаблоны, SFT, LoRA, оценка
- LLM Course, глава 12 (часть 1): RL для LLM и статья DeepSeek-R1
- LLM Course, глава 12 (часть 2): GRPO из DeepSeekMath по формулам
- LLM Course, глава 12 (часть 3): GRPO в TRL и практика
- Diffusion Models Course, юнит 1: введение и библиотека Diffusers
- Diffusion Models Course, юнит 1: диффузионная модель с нуля
- Diffusion Models Course, юнит 2: дообучение, guidance и условная генерация
- Diffusion Models Course, юнит 3: Stable Diffusion
- Diffusion Models Course, юнит 4: продвинутые техники, инверсия DDIM и диффузия для звука
- smol course от Hugging Face: путеводитель
- smol course, юнит 2: выравнивание по предпочтениям и DPO
- smol course, юнит 3: модели «зрение + язык» (VLM)
- MCP Course от Hugging Face и Anthropic: путеводитель
- MCP Course, юнит 1 (часть 1): понятия, архитектура, протокол
- MCP Course, юнит 1 (часть 2): SDK, клиенты, сервер Hugging Face и Gradio
- MCP Course, юнит 2: MCP-приложение от начала до конца
- Agents Course от Hugging Face: путеводитель
- Ultra-Scale Playbook, часть 1: память и вычисления на одной GPU
- Ultra-Scale Playbook, часть 2: параллелизм по данным, ZeRO, тензорный параллелизм
- Ultra-Scale Playbook, часть 3: контекстный, конвейерный и экспертный параллелизм, 5D
- Ultra-Scale Playbook, часть 4: внутри GPU — ядра, FlashAttention, смешанная точность
- Smol Training Playbook, часть 1: как Hugging Face предобучали SmolLM3
- Smol Training Playbook, часть 2: пост-обучение и инфраструктура
- LLM Evaluation Guidebook, часть 1: инференс, токенизация и автоматические бенчмарки
- LLM Evaluation Guidebook, часть 2: LLM-as-a-judge, модели награды и оценка людьми
- LLM Evaluation Guidebook, часть 3: отладка инференса и воспроизводимости
- Open-Source AI Cookbook: путеводитель и два рецепта
- Курсы DeepLearning.AI × Hugging Face о квантовании: путеводитель
Meta, NVIDIA, Mistral, Amazon
- PyTorch: Learn the Basics, часть 1 — быстрый старт и тензоры
- PyTorch: Learn the Basics, часть 2 — Dataset, DataLoader и преобразования
- PyTorch: Learn the Basics, часть 3 — модель и autograd
- PyTorch: Learn the Basics, часть 4 — цикл обучения и сохранение модели
- Llama Cookbook: путеводитель
- Mistral Cookbook: путеводитель и рецепт «RAG с нуля»
- Accelerated Computing Hub, часть 1: путеводитель
- Accelerated Computing Hub, часть 2: GPU, CUDA и Python — основы
- Accelerated Computing Hub, часть 3: от NumPy к CuPy и первые ядра на Numba
- NVIDIA Deep Learning Institute: путеводитель по бесплатным курсам
- MLU-Explain, часть 1: обучающая, валидационная и тестовая выборки
- MLU-Explain, часть 2: компромисс смещения и разброса
DeepSeek
- DeepSeek как учебник: что открыто и в каком порядке читать
- Техотчёт DeepSeek LLM (2024): свои законы масштабирования
- Техотчёт DeepSeekMoE (2024): мелкие эксперты и общий эксперт
- Техотчёт DeepSeekMath (2024): корпус математики и алгоритм GRPO
- Техотчёт DeepSeek-V2 (2024): MLA и экономика инференса
- Техотчёт DeepSeek-V3.2 (2025): разреженное внимание DSA и масштабирование RL
- Техотчёт DeepSeek-V4 (2026): миллион токенов контекста
- Open Source Week, день 6: система инференса DeepSeek-V3/R1
- FlashMLA изнутри: ядро декодирования MLA и FP8-ядро для V3.2
- FlashMLA на Huawei Ascend: ядро разреженного внимания изнутри
- DualPipe и EPLB: конвейер в обе стороны и балансировщик экспертов
- 3FS: проектные заметки распределённой файловой системы DeepSeek
- Документация DeepSeek API: путеводитель на русском
Qwen, InternLM и другие
- Документация Qwen, часть 1: путеводитель, ключевые понятия и быстрый старт
- Документация Qwen, часть 2: запуск через vLLM, SGLang и Ollama
- Документация Qwen, часть 3: вызов функций
- Документация Qwen, часть 4: дообучение — LLaMA-Factory, ms-swift, verl, Unsloth, Axolotl
- Qwen-Agent, часть 1: путеводитель по фреймворку и его документации
- Qwen-Agent, часть 2: README на русском
- Блог Qwen: «Qwen3 — думай глубже, действуй быстрее» (конспект)
- Блог Qwen: GSPO — оптимизация политики на уровне последовательностей (конспект)
- Блог Qwen: балансировка нагрузки MoE по глобальному батчу (конспект)
- Курс Alibaba Cloud ACP: путеводитель
- Курс Alibaba Cloud ACP, урок 2.2: расширяем знания бота (RAG)
- modelscope-classroom: путеводитель по учебнику ModelScope
- modelscope-classroom: «PPO и GRPO»
- modelscope-classroom, учебник, раздел 6.5: Continuous Batching
- InternLM Camp: путеводитель по сезонам и островам
- InternLM Camp: пересказ ключевых туториалов L0–L2
- Kimi-K2: руководство по вызову инструментов
- GLM Cookbook (Zhipu): путеводитель
- MiniMax: «Почему M2 в итоге стала моделью с полным вниманием?» (конспект)
- verl, часть 1: что это, установка и быстрый старт (PPO на GSM8K)
- verl, часть 2: GRPO — алгоритм, параметры и готовые скрипты
- verl, часть 3: GRPO на четырёх RTX 4080 — план памяти, команды, настройка
- ERNIE 4.5 (Baidu): конспект ключевых идей техотчёта
- Ascend: «Полный цикл разработки больших моделей» — короткий путеводитель
Datawhale и китайские курсы
- Happy-LLM: путеводитель по книге
- Happy-LLM, глава 1: основы NLP
- Happy-LLM, глава 2: архитектура Transformer
- Happy-LLM, глава 3: предобученные языковые модели
- Happy-LLM, глава 4: большие языковые модели
- Happy-LLM, глава 5: строим свою LLaMA2
- Happy-LLM, глава 6: обучение на практике — претрейн, SFT, LoRA
- Happy-LLM, глава 6 (дополнение): выравнивание предпочтений через RL
- Happy-LLM, глава 7: приложения LLM — оценка, RAG, агенты
- Happy-LLM, глава 8.1: RL для больших моделей — GRPO с нуля
- Happy-LLM, глава 8.2: On-Policy Distillation
- Happy-LLM, глава 8.3: Search-R1 — агент учится искать
- Happy-LLM, глава 8.4: ReTool и итоги главы
- Tiny Universe: путеводитель по «белым ящикам» Datawhale
- Tiny Universe, часть 1: Tiny-LLM — маленькая LLaMA2 с нуля
- Tiny Universe, часть 2: Qwen-blog — путь тензора через Qwen2
- Tiny Universe, часть 3: TinyRAG — RAG своими руками
- Tiny Universe, часть 4: TinyAgent — минимальный агент ReAct
- Tiny Universe, часть 5: TinyEval — своя система оценки LLM
- Tiny Universe, часть 6: TinyDiffusion — DDPM с нуля на CIFAR-10
- self-llm: путеводитель по «Руководству по употреблению открытых моделей»
- self-llm: Qwen3-8B — развёртывание и вызов через vLLM
- self-llm: Qwen3-8B — LoRA-дообучение и графики в SwanLab
- Погружение в глубокое обучение v2: путеводитель по книге и видеокурсу Ли Му
- d2l: словарь терминов китайского издания (English — русский)
- d2l 12.5–12.6: обучение на нескольких GPU
- Курсы Ли Хунъи (Hung-yi Lee): обзор и домашние задания
- Ли Хунъи, «Введение в генеративный ИИ» 2024: лекции 0–5
- Ли Хунъи, «Введение в генеративный ИИ» 2024: лекции 6–11
- Ли Хунъи, «Введение в генеративный ИИ» 2024: лекции 12–18
- Ли Хунъи, «ML в эпоху генеративного ИИ» 2025: лекции 1–4
- Ли Хунъи, «ML в эпоху генеративного ИИ» 2025: лекции 5–12
- Ли Хунъи, «Машинное обучение» 2026: ИИ-агенты (OpenClaw, Context Engineering, взаимодействие)
- Ли Хунъи, «Машинное обучение» 2026: FlashAttention, KV-кэш и позиционные эмбеддинги
- Ли Хунъи, «Машинное обучение» 2026: harness engineering, самоисправление и самосовершенствование ИИ
- «Большие языковые модели» (RUC AI Box): путеводитель по книге, слайдам и коду
- «Большие языковые модели», главы 4–6: данные, архитектура и предобучение
- «Большие языковые модели», главы 7–9: инструктивное дообучение, выравнивание, декодирование и сжатие
- «Большие языковые модели», главы 10–12: промптинг, агенты, оценка и «медленное мышление»
Исследователи и авторы
- Крис Ола: как устроены LSTM
- Крис Ола: backprop как исчисление на графах
- Крис Ола: нейросети, многообразия и топология
- Крис Ола: глубокое обучение, NLP и представления
- Distill: внимание и дополненные рекуррентные сети
- Distill: почему momentum действительно работает
- Distill: визуализация признаков
- Distill: «Zoom In» — введение в цепи
- Lil’Log: алгоритмы градиента политики
- Lil’Log: семейство трансформеров 2.0
- Lil’Log: автономные агенты на основе LLM
- Lil’Log: промпт-инжиниринг
- Lil’Log: взлом награды в обучении с подкреплением
- Lil’Log: зачем модели думать
- Understanding Deep Learning: путеводитель по книге
- ARENA: путеводитель по практикуму
- Ahead of AI: какие выпуски Рашки читать к урокам
- Умар Джамиль: какие видео смотреть к урокам
Stanford
- Stanford CS336 «Language Modeling from Scratch» — путеводитель
- CS336, лекции 1–2: зачем строить LLM с нуля, токенизация, PyTorch и учёт ресурсов
- CS336, лекции 3–4: архитектуры, гиперпараметры и смесь экспертов
- CS336, лекции 5–6: GPU, ядра и Triton
- CS336, лекции 7–8: параллелизм — от коллективных операций до 3D-параллелизма
- CS336, лекции 9 и 11: законы масштабирования — основы и практика
- CS336, лекции 10 и 12: инференс и оценка моделей
- CS336, лекции 13–14: данные — откуда берутся и как их чистить
- CS336, лекции 15–16: SFT, RLHF и RL с проверяемыми наградами
- CS336, лекция 17 и итоги курса: policy gradient и GRPO в коде
- CS336, задание 1 (basics): трансформер с нуля — путеводитель и перевод условий
- CS336, задание 2 (systems): профилирование, FlashAttention-2 и распределённое обучение — путеводитель
- CS336, задание 3 (scaling): законы масштабирования — путеводитель и перевод условия
- CS336, задание 4 (data): фильтрация данных для языковых моделей — путеводитель и перевод условия
- CS336, задание 5 (alignment): RL для рассуждений — путеводитель и пересказ условия
- Stanford CS231n «Deep Learning for Computer Vision» — путеводитель
- CS231n: линейная классификация — SVM и Softmax (перевод конспекта)
- CS231n: оптимизация — ландшафт потерь, градиент и стохастический градиентный спуск (перевод конспекта)
- CS231n: обратное распространение ошибки — интуиция, цепное правило и поток градиентов (перевод конспекта)
- CS231n: свёрточные сети, часть 1 — архитектура и свёрточный слой (перевод конспекта)
- CS231n: свёрточные сети, часть 2 — пулинг, полносвязные слои и архитектуры (перевод конспекта)
- Stanford CS224N «NLP with Deep Learning» — путеводитель
- CS224N: векторы слов — SVD, word2vec, GloVe и их оценка (конспект)
- CS224N: языковые модели, RNN, seq2seq и внимание (конспект)
- Stanford CS229 «Machine Learning» (Эндрю Ын) — путеводитель
- CS229: обучение с учителем — линейная и логистическая регрессия, GLM, генеративные модели (конспект)
- CS229: SVM, ядра, теория обучения и выбор модели (конспект)
- CS229: нейросети и обучение без учителя — backprop, k-средних, EM, PCA (конспект)
- Stanford CS25 «Transformers United» — путеводитель по сезонам и лекциям
MIT, Berkeley, CMU
- MIT 18.06SC: путеводитель по линейной алгебре Стрэнга
- MIT 18.06SC, часть 1: матрицы как преобразования
- MIT 18.06SC, часть 2: ранг и четыре подпространства
- MIT 18.06SC, часть 3: собственные числа и диагонализация
- MIT 18.06SC, часть 4: SVD, смена базиса и псевдообратная матрица
- MIT Matrix Calculus: путеводитель по матричному анализу для ML
- Matrix Calculus, часть 1: производная как линейный оператор
- Matrix Calculus, часть 2: якобианы и градиенты матричных функций
- Matrix Calculus, часть 3: прямой и обратный режим автодифференцирования
- MIT 6.S191: путеводитель по интенсиву Introduction to Deep Learning
- MIT 6.S191, лекции 1–3: нейросети, последовательности и зрение
- MIT 6.S191, лекции 4–6: генеративные модели, RL и новые рубежи
- MIT 6.S191, лекции 7–9: законы ИИ, ИИ для науки, параллельное обучение
- MIT 6.S191, лабораторная 1: PyTorch и генерация музыки на RNN
- MIT 6.S191, лабораторная 2: MNIST и детектор лиц без смещений
- MIT 6.S191, лабораторная 3: дообучение LLM «в стиле Йоды»
- Berkeley Advanced LLM Agents: путеводитель по курсу об агентах и рассуждениях
- CMU 11-868 LLM Systems: путеводитель по курсу и заданиям
- Transformer Explainer: живая GPT-2 в браузере — как пользоваться и перевод статьи
- LLM Visualization: 3D-прогулка по маленькой GPT — путеводитель