Cohere: LLM University на русском — курс Cohere LLM University

Курс из программы Cohere LLM University (Кохир) на русском языке. Первые 3 урока бесплатно, без VPN.

Официальный курс Cohere в переводе на русский язык. Открывается без VPN: все уроки, видео и субтитры уже переведены и лежат на нашей платформе. 114 уроков, первые 3 бесплатно, дальше разовая оплата без подписки.

Уровень: Средний. Длительность: около 570 минут. Формат: текст с примерами.

Коротко о курсе

• Стоимость: первые 3 урока бесплатно, весь курс в доступе к курсам Cohere за 1490 руб или во всех курсах платформы за 4900 руб, разово, без подписки
• Объём: 114 уроков, около 570 минут
• Формат: онлайн в своём темпе, текстовые уроки с примерами
• Старт: сразу, без расписания и без VPN
• Документ: именной сертификат AI University с номером и QR-кодом

Начать бесплатно: урок 1

Уроки курса

Первые 3 урока доступны бесплатно. Для продолжения потребуется доступ к платформе. Субтитры на русском и английском языках.

1. 01.RAG на Elasticsearch и CohereБесплатно~5 мин
2. 02.Cohere и Redis: быстрый векторный поискБесплатно~5 мин
3. 03.Семантический поиск через Embed JobsБесплатно~5 мин
4. 04.Семантический поиск на Embed Jobs и Pinecone~5 мин
5. 05.Поиск по картинкам и тексту одновременно~5 мин
6. 06.RAG с нуля: самая простая версия~5 мин
7. 07.RAG с нуля: вторая версия~5 мин
8. 08.Семантический поиск по Википедии на эмбеддингах Cohere~5 мин
9. 09.Агент-аналитик данных на Cohere и LangChain~5 мин
10. 10.ReAct-агент на Command R+ со своими инструментами~5 мин
11. 11.Многошаговый вызов инструментов на данных Spotify~5 мин
12. 12.Агент-календарь: инструменты в несколько шагов~5 мин
13. 13.Многошаговый вызов инструментов: базовый пример~5 мин
14. 14.Как модель вызывает инструменты: базовый пример~5 мин
15. 15.Вызов инструментов на тестовой базе: вторая версия~5 мин
16. 16.Как устроена память агента~5 мин
17. 17.Агентный многоэтапный RAG на Tools API~5 мин
18. 18.Агентный RAG на LangChain~5 мин
19. 19.Универсальный агент: RAG, веб-поиск и Python~5 мин
20. 20.Агенты и детерминированные функции~5 мин
21. 21.Агент разбирает финансовые данные из CSV~5 мин
22. 22.Финансовые данные из CSV на встроенных инструментах Cohere~5 мин
23. 23.Агентный чат-бот для HR~5 мин
24. 24.SQL-агент на Cohere и LangChain: демо~5 мин
25. 25.Агент извлекает данные из PDF~5 мин
26. 26.SQL-агент: вопросы к базе обычным языком~5 мин
27. 27.Дообучение Command R в SageMaker~5 мин
28. 28.Разворачиваем своё дообученное Command R 08-2024~5 мин
29. 29.Дообучение на финансовых вопросах ConvFinQA с W&B~5 мин
30. 30.Правка текста через LLM: операция replace~5 мин
31. 31.Разбор отчёта 10-K через Cohere и RAG~5 мин
32. 32.Шесть способов разобрать посты Hacker News~5 мин
33. 33.Рекомендации статей на эмбеддингах~5 мин
34. 34.Семантический поиск: базовый пример~5 мин
35. 35.Суммаризация текста генеративной моделью~5 мин
36. 36.Идеи для историй с Cohere и Stable Diffusion~5 мин
37. 37.Стратегии разбиения текста на чанки~5 мин
38. 38.Ответы RAG со ссылками на источники в Markdown~5 мин
39. 39.QA-бот по технической документации~5 мин
40. 40.Как оценивать качество RAG~5 мин
41. 41.Парсинг корпоративных документов и PDF~5 мин
42. 42.Извлечение сущностей генеративной моделью~5 мин
43. 43.Генерация контента по ключевым словам~5 мин
44. 44.Истории и иллюстрации: LLM и Stable Diffusion~5 мин
45. 45.Саммари длинных текстов со ссылками на источники~5 мин
46. 46.Hello World: первое знакомство с языковым ИИ~5 мин
47. 47.Работа с длинными текстами: общие стратегии~5 мин
48. 48.Саммари встреч: вручную и через LangChain~5 мин
49. 49.Переносим громоздкие промпты на Command R с RAG~5 мин
50. 50.Многоязычный поиск на Cohere и LangChain~5 мин
51. 51.Улучшаем RAG: Rerank и переформулировка запросов~5 мин
52. 52.Pondr: вопросы для хорошей беседы~5 мин
53. 53.Ответы на вопросы с Cohere в SageMaker JumpStart~5 мин
54. 54.RAG на Chat, Embed и Rerank с Pinecone~5 мин
55. 55.Как делать саммари встреч получше~5 мин
56. 56.Как оценивать качество суммаризации~5 мин
57. 57.Классификация текста на эмбеддингах~5 мин
58. 58.Три способа собрать классификатор текста~5 мин
59. 59.Тематическое моделирование статей по ИИ~5 мин
60. 60.Поиск по Википедии на Cohere и Weaviate~5 мин
61. 61.Продвинутый RAG: агент с поиском и Python~5 мин
62. 62.Агентный RAG, часть 1: маршрутизация запросов~5 мин
63. 63.Агентный RAG, часть 2: параллельные запросы~5 мин
64. 64.Агентный RAG, часть 3: задачи по шагам~5 мин
65. 65.Агентный RAG, часть 4: многоаспектные запросы~5 мин
66. 66.Агентный RAG, часть 5: запросы к таблицам~5 мин
67. 67.Агентный RAG, часть 6: запросы к SQL-базе~5 мин
68. 68.Глава 1. Установка и первые шаги с Cohere~5 мин
69. 69.Глава 2. Генерация текста~5 мин
70. 70.Глава 3. Чат-боты~5 мин
71. 71.Глава 4. Семантический поиск~5 мин
72. 72.Глава 5. Переранжирование результатов~5 мин
73. 73.Глава 6. RAG~5 мин
74. 74.Глава 7. Агенты с инструментами~5 мин
75. 75.Глава 1. Установка и первые шаги, новая версия~5 мин
76. 76.Глава 2. Генерация текста, новая версия~5 мин
77. 77.Глава 3. Чат-боты, новая версия~5 мин
78. 78.Глава 4. Семантический поиск, новая версия~5 мин
79. 79.Глава 5. Переранжирование, новая версия~5 мин
80. 80.Глава 6. RAG, новая версия~5 мин
81. 81.Глава 7. Агенты с инструментами, новая версия~5 мин
82. 82.Чат-бот, который знает ваш бизнес: Cohere и MongoDB~5 мин
83. 83.Rerank на практике: поиск по Википедии~5 мин
84. 84.Собираем чат-бота~5 мин
85. 85.Классификация текста через Classify~5 мин
86. 86.Типовые задачи для модели Command~5 мин
87. 87.Как составлять промпты для Command~5 мин
88. 88.Эмбеддинги через Embed~5 мин
89. 89.Поиск по Википедии: сравниваем методы~5 мин
90. 90.Дообучение модели для чата~5 мин
91. 91.Дообучение для классификации~5 мин
92. 92.Дообучение Rerank~5 мин
93. 93.Что такое текстовые эмбеддинги~5 мин
94. 94.Введение в RAG~5 мин
95. 95.Параметры, которые управляют ответом~5 мин
96. 96.Основы промпт-инжиниринга~5 мин
97. 97.RAG на больших объёмах данных~5 мин
98. 98.RAG на Chat, Embed и Rerank~5 мин
99. 99.RAG с коннекторами~5 мин
100. 100.RAG на готовых коннекторах~5 мин
101. 101.Rerank для неструктурированных данных~5 мин
102. 102.Проверяем ответы LLM по схеме~5 мин
103. 103.Как измерить сходство слов и предложений~5 мин
104. 104.Что такое семантический поиск~5 мин
105. 105.Cohere на AWS: генерация текста в Bedrock~5 мин
106. 106.Cohere на AWS: семантический поиск в Bedrock~5 мин
107. 107.Cohere на AWS: Rerank в SageMaker~5 мин
108. 108.Cohere на AWS: RAG на Bedrock и SageMaker~5 мин
109. 109.Cohere на AWS: инструменты в Bedrock~5 мин
110. 110.Cohere на AWS: дообучение Command R~5 мин
111. 111.Многошаговые инструменты: ReAct-агент на Command R+~5 мин
112. 112.Одношаговый и параллельный вызов инструментов~5 мин
113. 113.Как устроен вызов инструментов~5 мин
114. 114.ReAct-агент вместо Adaptive RAG~5 мин

О курсе

Cohere: LLM University подойдёт разработчикам и инженерам данных среднего уровня, которые хотят разобраться, как на практике строятся приложения на больших языковых моделях: от эмбеддингов и семантического поиска до RAG и агентов. Это официальные учебные материалы Cohere на русском языке, они открываются без VPN, а первые три урока бесплатны. Объём внушительный: 114 текстовых уроков, в сумме около 570 минут чтения и кода. Видео нет, зато каждый урок можно открыть рядом с редактором и сразу повторять шаги в собственном проекте, сверяясь с примерами.

У материала два слоя. Первый выстроен как последовательный учебник: главы об установке и первых шагах, генерации текста, чат-ботах, семантическом поиске, переранжировании, RAG и агентах с инструментами, причём эти главы представлены в двух вариантах, исходном и обновлённом. Рядом лежат теоретические уроки о том, что такое текстовые эмбеддинги, как измерять сходство слов и предложений, какие параметры управляют ответом модели и как составлять промпты для Command. Этот слой логично читать по порядку, если вы начинаете с нуля.

Второй слой устроен как сборник прикладных примеров, и его удобнее открывать выборочно. Здесь есть поиск на Elasticsearch, Redis, Pinecone, Weaviate и MongoDB, стратегии разбиения текста на чанки, ответы RAG со ссылками на источники и оценка качества RAG. Большой блок посвящён агентам: ReAct-агент на Command R+, многошаговый вызов инструментов, SQL-агент, разбор финансовых данных из CSV и серия из шести частей про агентный RAG. Отдельно разобраны дообучение Command R и Rerank, классификация текста на эмбеддингах, саммари встреч, а также работа моделей Cohere на AWS в Bedrock и SageMaker.

Разумная стратегия выглядит так: пройти основные главы, чтобы понять базовые приёмы, а затем брать из прикладной части только те уроки, которые совпадают с вашей задачей. После этого вы сможете строить семантический поиск на эмбеддингах, собирать RAG-системы с многошаговым использованием инструментов, делать агентов-аналитиков данных на Cohere и LangChain, а также классифицировать и генерировать текст моделями Cohere. Для тех, кто искал курс по LLM и RAG на русском с реальным кодом, это материал, к которому удобно возвращаться как к справочнику по мере роста проекта.

Вопросы о курсе

Полезные гиды

• Бесплатные курсы по ИИ и нейросетям: обучение с нуля на русском
• Как создать ИИ-агента: курсы и пошаговый путь на русском