Ваш план обучения ИИ: 46 тем, по порядку, одна в неделю

Если вы хотите изучать ИИ в 2026 году и понятия не имеете, с чего начать — эта страница для вас.

В интернете полно советов по ИИ. Большинство из них сводится к одному из следующих вариантов:

1. Продажа курса за 2000 долларов.
2. Список из 100 ссылок без какой-либо логики.
3. Учебник уровня PhD, который отпугивает уже на первой странице.
4. Хайповый ролик про AGI, из которого вы не узнаете ничего полезного.

Вам не нужно ничего из этого. Вам нужна последовательность. Нужно знать, что учить в первую очередь, что на чём строится, что можно пропустить и насколько глубоко углубляться.

Этот план делает именно это. Это порядок, в котором я рекомендую изучать ИИ — от полного новичка до человека, способного создавать и запускать реальные продукты на ИИ. По каждой теме будет выходить статья — одна в неделю. Добавьте страницу в закладки и возвращайтесь к ней. Ссылки будут появляться по мере публикации.

Никаких предварительных знаний не требуется. Диплом по информатике не нужен. Паники перед математикой — тоже.

Как это работает

Вот основные правила перед началом:

1. Проходите темы по порядку. Каждая опирается на предыдущую. Перескочить сразу к LLM на первой неделе — это как пытаться построить дом, начав с крыши.
2. Одна тема в неделю — это темп. Так у вас будет время прочитать, написать код и действительно что-то собрать. Проглатывать туториалы запоем — это не обучение.
3. Выполняйте практические задания в каждой статье. Читать про нейросети, ни разу их не написав, — это как читать о плавании, ни разу не зайдя в воду.
4. Вам не обязательно проходить весь путь до конца. Если вам нужна только общая грамотность в ИИ, остановитесь после фазы 3. Если хотите создавать приложения на LLM — пройдите до фазы 9. Решать вам.
5. Полная длина серии: ~107 000 слов. Звучит много, но это меньше, чем средний учебник, и каждая статья самодостаточна.

12 фаз: краткий обзор

Всего 12 фаз — от полного новичка до специалиста, готового к продакшну. Вот общая картина, прежде чем мы нырнем глубже.

Фаза

Область темы

Кому нужно

Статьи

0

Настрой и ориентация

Всем

3

1

Предварительные требования (Python, математика, библиотеки)

Всем, кто хочет создавать

4

2

Данные (сбор, очистка, разведочный анализ)

Всем, кто хочет создавать

5

3

Классическое машинное обучение

Всем

6

4

Основы глубокого обучения

Тем, кто идет дальше классического ML

5

5

Ключевые архитектуры нейросетей (CNN, RNN, Transformer)

Тем, кто работает с глубоким обучением

3

6

NLP и большие языковые модели

Большинству людей в 2026 году

5

7

Другие области глубокого обучения (компьютерное зрение, генеративные модели, речь, обучение с подкреплением)

Выберите то, что актуально для вас

4

8

ИИ-агенты и реальные приложения

Тем, кто создает продукты

3

9

MLOps и продакшн

Тем, кто выпускает реальные продукты

4

10

Ответственный ИИ и общая картина

Всем

4

11

Как оставаться в курсе и углубляться

Для долгосрочного роста

5

Вам не обязательно проходить каждую тему в фазах 7–11. После фазы 6 можно разветвляться. Но фазы 0–6 — это ядро.

Три ключевых проекта

На трёх этапах вы соберёте настоящий проект, который объединит всё пройденное до этого момента. Это ваши портфолио-работы.

Этап

Когда вы его достигаете

Что вы создаёте

Веха 1

Конец фазы 3

Сквозной конвейер табличного ML (очистка данных + разведочный анализ + классическая модель) — например, предсказатель выживаемости на «Титанике» или модель цен на жильё

Веха 2

Конец фазы 5

Нейронная сеть, обученная с нуля на PyTorch — либо классификатор изображений (CNN), либо классификатор текста

Веха 3

Конец фазы 9

Развёрнутый RAG-чат-бот на основе LLM с бэкендом на FastAPI и простым интерфейсом, работающий в интернете

Если вы выполните эти три проекта, вы больше не «изучаете ИИ». Вы умеете делать ИИ.

Фаза за фазой, статья за статьёй

Ниже — полный список. После публикации каждая статья будет привязана к ссылке. Добавьте эту страницу в закладки и заходите раз в неделю.

Фаза 0: Настрой и ориентация (начните здесь)

Недели 1–3. Все начинают здесь, без исключений. Здесь мы развеиваем хайп, определяем термины и задаём ожидания.

1. Неделя 1: AI, ML, DL, Generative AI, AGI: наконец-то гайд, который их различает — уже доступно
2. Неделя 2: [Стоит ли учить ИИ в 2026 году? Честный ответ в зависимости от того, кто вы] [скоро]
3. Неделя 3: [Как учить ИИ, не потратив год в туториальном аду] [скоро]

Фаза 1: Предварительные требования (фундамент, который вам действительно нужен)

Недели 4–7. Без Python вы ИИ не выучите. Но вам не нужен весь Python. Мы разберём ровно тот подмножество, которое необходимо, ту математику, которую вы действительно будете использовать, и три библиотеки, открывающие всё остальное.

1. Неделя 4: Ваша первая неделя Python: единственное подмножество, необходимое до того, как касаться ИИ [скоро]
2. Неделя 5: NumPy, Pandas, Matplotlib: три библиотеки, которые открывают любой проект по ИИ [скоро]
3. Неделя 6: Математика, которая вам реально нужна для ИИ — объяснена так, будто вы никогда не ходили на матан [скоро]
4. Неделя 7: Прежде чем выбирать модель, научитесь задавать правильный вопрос [скоро]

Фаза 2: Данные — топливо для ИИ

Недели 8–12. 80% работы с ИИ — это работа с данными. Этот этап пропускают в большинстве курсов, и именно поэтому их ученики проваливаются на реальных проектах.

1. Неделя 8: Данные — это новая нефть, но большинство новичков понятия не имеют, как они выглядят на самом деле [скоро]
2. Неделя 9: Где взять реальные данные для ваших ИИ-проектов (не потратив ни копейки) [скоро]
3. Неделя 10: Почему очистка данных съедает 80% времени инженера ИИ — и как делать это правильно [скоро]
4. Неделя 11: Разведочный анализ данных: шаг, который покажет, сработает ли ваш проект вообще [скоро]
5. Неделя 12: Инженерия признаков: искусство превращать сырые данные в то, чему модель действительно может научиться [скоро]

Фаза 3: Классическое машинное обучение

Недели 13–18. До глубокого обучения было ML, и большинство реального продакшн-ИИ до сих пор — это классическое ML. Пропустить нельзя. Если вы это сделаете, вы не поймёте, чем глубокое обучение особенное и когда его не следует использовать.

1. Неделя 13: Как машина вообще «обучается»? Основная идея, лежащая в основе любой модели ИИ [скоро]
2. Неделя 14: Ваша первая модель машинного обучения: линейная регрессия, объяснённая строка за строкой [скоро]
3. Неделя 15: Классификация мира: логистическая регрессия и метрики, которые не врут [скоро]
4. Неделя 16: Инструментарий классического ML: 5 алгоритмов, которые должен знать наизусть каждый практик ИИ [скоро]
5. Неделя 17: Почему модели, голосующие вместе, выигрывают вместе: случайные леса, XGBoost и сила ансамблей [скоро]
6. Неделя 18: Смещение, разброс и почему ваша модель втайне жульничает на тестовой выборке [скоро]

🏁 Время для проекта «Веха 1». Постройте полный конвейер табличного ML от начала до конца.

Фаза 4: Основы глубокого обучения

Недели 19–23. Теперь ныряем глубоко. Мы начнём с одного нейрона, дойдём до полноценных нейронных сетей и узнаем, почему они работают, почему терпят неудачу и как заставить их нормально обучаться.

1. Неделя 19: Почему глубокое обучение изменило всё — и когда вместо него стоит по-прежнему использовать классическое ML [скоро]
2. Неделя 20: Нейронные сети, объяснённые без единого уравнения (ну, почти) [скоро]
3. Неделя 21: Обратное распространение ошибки: трюк из матанализа, который обучает каждую нейросеть [скоро]
4. Неделя 22: Соберите свою первую нейронную сеть за эти выходные — в 50 строках на PyTorch [скоро]
5. Неделя 23: Почему ваша нейронная сеть не обучается — и 7 приёмов, которые исправляют почти всё [скоро]

Фаза 5: Ключевые архитектуры нейронных сетей

Недели 24–26. Три больших семейства архитектур: CNN для зрения, RNN для последовательностей и Transformer — изобретение, которое всё изменило в 2017 году и лежит в основе каждого современного LLM.

1. Неделя 24: Как компьютеры научились видеть: визуальный гайд по свёрточным нейронным сетям [скоро]
2. Неделя 25: Архитектура, которая пыталась понять язык — и почему у неё почти получилось: RNN и LSTM [скоро]
3. Неделя 26: Внимание — это всё, что вам нужно: статья 2017 года, переписавшая ИИ, — объяснение простым языком [скоро]

🏁 Время для проекта «Веха 2». Обучите CNN или небольшой Transformer с нуля на PyTorch.

Фаза 6: Обработка естественного языка и большие языковые модели

Недели 27–31. Это та фаза, которая волнует всех в 2026 году. Мы пройдём путь от подсчёта слов до создания собственного RAG-чат-бота.

1. Неделя 27: Учим машины читать: от мешка слов до эмбеддингов слов [скоро]
2. Неделя 28: До Transformers: как LSTM дали машинам (мимолётную) память для языка [скоро]
3. Неделя 29: BERT, GPT и семейное дерево Transformers: кто что делает и почему [скоро]
4. Неделя 30: Вам не нужно обучать GPT-4, чтобы его использовать: практическое руководство по Hugging Face [скоро]
5. Неделя 31: Внутри LLM: как на самом деле работают модели чат-масштаба — от предварительного обучения до RLHF [скоро]

Фаза 7: Другие области глубокого обучения

Недели 32–35. Выберите те, которые важны для вас. Вам не нужны все четыре.

1. Неделя 32: За пределами «кошка или собака»: обнаружение объектов, сегментация и то, как Vision Transformers видят мир [скоро]
2. Неделя 33: От шума к искусству: обзор генеративного ИИ — автоэнкодеры, GAN и революция диффузии [скоро]
3. Неделя 34: Как машины слышат: от спектрограмм до Whisper — ИИ, который расшифровывает всё [скоро]
4. Неделя 35: Обучение методом проб и ошибок: обучение с подкреплением от Q-таблиц до PPO [скоро]

Фаза 8: ИИ-агенты и продвинутые приложения

Недели 36–38. Современный рубеж в 2026 году: агенты, которые используют инструменты, планируют и действуют в мире.

1. Неделя 36: Следующая волна ИИ: что такое агенты, как они используют инструменты и как собрать такого уже сегодня [скоро]
2. Неделя 37: Где ИИ действительно приносит пользу прямо сейчас: медицина, финансы, наука и реальные передовые рубежи [скоро]
3. Неделя 38: Когда ИИ одновременно видит, слышит и читает: расцвет мультимодальных моделей [скоро]

Фаза 9: Продакшн, инструментарий и MLOps

Недели 39–42. Эта фаза отделяет тех, кто просто повторяет туториалы, от тех, кто действительно выпускает ИИ-продукты. Большинство онлайн-курсов полностью её пропускают.

1. Неделя 39: Ваша модель в блокноте — это не продукт: что на самом деле нужно, чтобы запустить ИИ [скоро]
2. Неделя 40: MLOps без корпоративного жаргона: управление версиями, отслеживание и воспроизводимость для всех остальных [скоро]
3. Неделя 41: Как развернуть модель ИИ для реальных пользователей (без выгорания от DevOps) [скоро]
4. Неделя 42: От RAG до продакшна: создание реальных LLM-приложений, за которые не будет стыдно [скоро]

🏁 Время для проекта «Веха 3». Разверните своего RAG-чат-бота вживую.

Фаза 10: Ответственный ИИ и общая картина

Недели 43–46. ИИ — это не просто код. Он касается реального мира. Вам нужно понимать предвзятость, безопасность, объяснимость и более широкий контекст.

1. Неделя 43: У вашей модели есть мнение: предвзятость, справедливость и почему «хороших данных» никогда не бывает достаточно [скоро]
2. Неделя 44: Создаём ИИ, который не сломает всё: безопасность, согласование и самая сложная проблема в ИИ прямо сейчас [скоро]
3. Неделя 45: Проблема чёрного ящика: как объяснять решения ИИ, когда сама модель не знает [скоро]
4. Неделя 46: ИИ и остальной мир: работа, творчество, климат и вопросы, на которые не ответит ни один туториал [скоро]

Фаза 11: Как оставаться в курсе и углубляться

Недели 47+. Изучение ИИ не заканчивается. После основных 46 недель вот как продолжать расти.

1. Как читать научные статьи по ИИ без PhD (и действительно их понимать) [скоро]
2. Портфолио по ИИ, которое действительно приведёт вас на собеседования (а не игрушечные проекты, которые никто не читает) [скоро]
3. Вы не учите ИИ в одиночку: сообщества, конференции и уголки интернета, куда стоит заглянуть [скоро]
4. Вы не можете выучить весь ИИ — вот как выбрать специализацию, которая подходит именно вам [скоро]
5. Единственный навык в ИИ, который не устареет через 5 лет: умение учиться [скоро]

Примерные временные оценки

Это не гонка. В таблице ниже — реалистичные сроки в зависимости от того, сколько времени у вас есть.

Время в неделю

Время на освоение ядра (фазы 0–6)

Время на все 11 фаз

5–10 часов (серьёзный побочный проект)

~6 месяцев

~1 год

10–15 часов (целенаправленно)

~4 месяца

~8 месяцев

30+ часов (полный день)

~6 недель

~3 месяца

Постоянство важнее штурма. 30 минут каждый день лучше, чем 8 часов в воскресенье и ничего в остальные дни.

Что вы сможете делать в итоге

Если вы пройдёте основные фазы (0–6) плюс фазу 9, вы сможете:

• Отличать настоящий ИИ от маркетингового хайпа
• Писать код на Python для анализа данных и ML
• Чистить, исследовать и подготавливать реальные наборы данных
• Строить, обучать, оценивать и настраивать классические модели ML
• Понимать, как работают нейронные сети и Transformer
• Донастраивать предварительно обученные языковые модели под свои задачи
• Создавать RAG-чат-ботов на основе своих документов
• Развёртывать модели в виде API с помощью FastAPI
• Выпускать работающие ИИ-продукты
• Критически читать новости и статьи об ИИ
• Знать, чего вы не знаете

Этого достаточно, чтобы устроиться младшим инженером ML/ИИ, создавать полезные ИИ-инструменты для своей текущей работы или продолжить заниматься исследованиями, если вам это интересно.

Как пользоваться этой страницей

1. Добавьте в закладки. Это ваше оглавление.
2. Начните с первой недели. Не пропускайте.
3. Заглядывайте каждую неделю. Новые статьи выходят еженедельно. Ссылки появятся выше.
4. Выполняйте задания. Чтение — это не обучение.
5. Создайте три ключевых проекта. Они — ваше доказательство того, что вы действительно это умеете.

Если когда-нибудь почувствуете, что потерялись, возвращайтесь сюда. Путь не меняется. Инструменты будут приходить и уходить (новые фреймворки, новые модели, новые стартапы), но основы из этого плана останутся важными и через пять лет.

Увидимся на первой неделе.

🔔 Оставайтесь впереди в мире ИИ

Если вы следуете этому плану и хотите каждую неделю получать практические ИИ-инструменты, пока учитесь, подпишитесь на бесплатную рассылку ByteBuilders. Каждый выпуск даёт вам:

• Более 1000 промтов для ИИ, которые можно скопировать и использовать прямо сейчас
• Практические ИИ-инструменты, проверенные и объяснённые
• Автоматизированные рабочие процессы, которые экономят часы
• Варианты использования для продуктивности в работе и учёбе
• Подборки ресурсов по ИИ, чтобы поддерживать навыки в тонусе

Присоединяйтесь к тысячам создателей и учеников, следующих этому плану:

++Подписаться на ByteBuilders бесплатно →++