Ваш план навчання AI: 46 тем, по порядку, одна на тиждень

Якщо ви хочете вивчати AI у 2026 році і не знаєте, з чого почати, ця сторінка для вас.

Інтернет переповнений порадами про AI. Більшість з них — це:

1. Рекламна пропозиція курсу за $2000
2. Список зі 100 посилань без жодної системи
3. Підручник рівня PhD, який лякає вже з першої сторінки
4. Ажіотажне відео про AGI, яке не дає нічого практичного

Вам не потрібно нічого з цього. Вам потрібна послідовність. Вам потрібно знати, що вивчати спочатку, що на чому базується, що можна пропустити і як глибоко заглиблюватись.

Ця дорожня карта саме це і робить. Це порядок, який я рекомендую для вивчення AI — від абсолютного новачка до людини, здатної створювати і запускати реальні AI-продукти. Кожна тема матиме статтю, яка публікуватиметься тут, по одній на тиждень. Додайте цю сторінку до закладок. Повертайтесь до неї. Посилання ставатимуть активними в міру публікації статей.

Жодних попередніх вимог. Жодного диплома CS. Жодної паніки через математику.

Як це працює

Ось основні правила перед початком:

1. Виконуйте теми по порядку. Кожна базується на попередній. Перестрибувати до LLM на першому тижні — це як намагатися будувати будинок, починаючи з даху.
2. Одна тема на тиждень — це темп. Це дасть вам час прочитати, написати код і дійсно щось створити. Проковтувати туторіали один за одним — це не навчання.
3. Виконуйте практичні завдання в кожній статті. Читати про нейронні мережі, не написавши жодної — це як читати про плавання, не заходячи у воду.
4. Вам не обов'язково йти до кінця. Якщо вам потрібна лише базова грамотність в AI, зупиніться після Фази 3. Якщо хочете створювати LLM-застосунки, пройдіть до Фази 9. Вирішуйте самі.
5. Загальна довжина повної серії: ~107 000 слів. Це звучить багато, але це менше, ніж середній підручник, і кожна стаття є самодостатньою.

12 фаз: короткий огляд

Всього 12 фаз, згрупованих від повного новачка до практикуючого фахівця, готового до продакшену. Ось загальна картина перед тим, як ми заглибимось.

Фаза

Тематична область

Кому потрібна

Кількість статей

0

Налаштування та орієнтація

Всім

3

1

Передумови (Python, математика, бібліотеки)

Всім, хто хоче створювати

4

2

Дані (пошук, очищення, EDA)

Всім, хто хоче створювати

5

3

Класичне машинне навчання

Всім

6

4

Основи глибокого навчання

Тим, хто йде далі класичного ML

5

5

Основні нейронні архітектури (CNN, RNN, Transformer)

Тим, хто працює з DL

3

6

NLP та LLM

Більшості людей у 2026

5

7

Інші сфери DL (комп'ютерний зір, ген. моделі, мовлення, RL)

Обирайте актуальні для вас

4

8

AI-агенти та реальні застосунки

Розробникам

3

9

MLOps та продакшен

Тим, хто запускає реальні продукти

4

10

Відповідальний AI та загальна картина

Всім

4

11

Підтримка актуальності та спеціалізація

Довгострокове зростання

5

Вам не обов'язково проходити кожну тему у Фазах 7-11. Після Фази 6 ви можете обрати свій шлях. Але Фази 0-6 є ядром.

3 ключові проєкти

У трьох точках на шляху ви створите реальний проєкт, який об'єднає все вивчене до цього моменту. Це ваші портфоліо-роботи.

Віха

Коли ви її досягаєте

Що ви створюєте

Віха 1

Кінець Фази 3

Наскрізний пайплайн табличного ML (очищення даних + EDA + класична модель) — наприклад, передбачення виживання на Титаніку або модель ціни на житло

Віха 2

Кінець Фази 5

Нейронна мережа, навчена з нуля в PyTorch — класифікатор зображень (CNN) або текстовий класифікатор

Віха 3

Кінець Фази 9

Розгорнутий RAG-чатбот на основі LLM з бекендом FastAPI та простим UI, доступний в інтернеті

Якщо ви завершите ці три проєкти, ви більше не "вивчаєте AI". Ви вмієте працювати з AI.

Фаза за фазою, стаття за статтею

Нижче наведено повний список. Кожна стаття буде доступна за посиланням, коли з'явиться. Додайте цю сторінку до закладок і перевіряйте щотижня.

Фаза 0: Налаштування та орієнтація (Почніть тут)

Тижні 1-3. Всі починають тут, без винятків. Тут ми розвінчуємо міфи, визначаємо терміни та встановлюємо очікування.

1. Тиждень 1: AI, ML, DL, Generative AI, AGI: Нарешті, гід, який їх розрізняє - вже доступно
2. Тиждень 2: [Чи варто вивчати AI у 2026? Чесно про те, кому це потрібно, залежно від вашої ситуації] [незабаром]
3. Тиждень 3: [Як вивчати AI, не витративши рік у туторіальному пеклі] [незабаром]

Фаза 1: Передумови (Фундамент, який вам дійсно потрібен)

Тижні 4-7. Ви не вивчите AI без Python. Але вам не потрібен весь Python. Ми розглянемо саме ту підмножину, яка вам потрібна, математику, яку ви дійсно використовуватимете, і три бібліотеки, які відкривають все.

1. Тиждень 4: Ваш перший тиждень з Python: Єдина підмножина, яка вам потрібна перед тим, як торкатися AI [незабаром]
2. Тиждень 5: NumPy, Pandas, Matplotlib: Три бібліотеки, які відкривають кожен AI-проєкт [незабаром]
3. Тиждень 6: Математика, яка вам дійсно потрібна для AI - Пояснено так, ніби ви ніколи не вивчали матаналіз [незабаром]
4. Тиждень 7: Перш ніж обирати модель, навчіться ставити правильне запитання [незабаром]

Фаза 2: Дані — Паливо для AI

Тижні 8-12. 80% роботи з AI — це робота з даними. Це фаза, яку пропускають більшість курсів, і саме тому їхні студенти зазнають невдач у реальних проєктах.

1. Тиждень 8: Дані — це нова нафта. Але більшість новачків не знають, як вони насправді виглядають [незабаром]
2. Тиждень 9: Де взяти реальні дані для ваших AI-проєктів (безкоштовно) [незабаром]
3. Тиждень 10: Чому очищення даних забирає 80% часу AI-інженера — і як робити це правильно [незабаром]
4. Тиждень 11: Розвідувальний аналіз даних: Крок, який покаже, чи працюватиме ваш проєкт взагалі [незабаром]
5. Тиждень 12: Інженерія ознак: Мистецтво перетворення сирих даних на те, з чого модель може навчатися [незабаром]

Фаза 3: Класичне машинне навчання

Тижні 13-18. До глибокого навчання було ML, і більшість реального продакшен- AI досі є класичним ML. Ви не можете це пропустити. Якщо пропустите, ви не зрозумієте, чим особливе глибоке навчання і коли його не варто використовувати.

1. Тиждень 13: Як машина насправді "навчається"? Основна ідея, що стоїть за кожною AI-моделлю [незабаром]
2. Тиждень 14: Ваша перша модель машинного навчання: Лінійна регресія, пояснена рядок за рядком [незабаром]
3. Тиждень 15: Класифікація світу: Логістична регресія та метрики, які не брешуть [незабаром]
4. Тиждень 16: Набір інструментів класичного ML: 5 алгоритмів, які кожен практик AI повинен знати напам'ять [незабаром]
5. Тиждень 17: Чому моделі, які голосують разом, виграють разом: Випадкові ліси, XGBoost та сила ансамблів [незабаром]
6. Тиждень 18: Зсув, дисперсія та чому ваша модель таємно шахраює на тестовому наборі [незабаром]

🏁 Час для проєкту Віхи 1. Створіть повний пайплайн табличного ML від початку до кінця.

Фаза 4: Основи глибокого навчання

Тижні 19-23. Тепер ми заглиблюємось. Ми почнемо з одного нейрона, побудуємо повноцінні нейронні мережі та дізнаємось, чому вони працюють, чому зазнають невдач і як змусити їх правильно навчатися.

1. Тиждень 19: Чому глибоке навчання змінило все — і коли вам все ще варто використовувати класичне ML [незабаром]
2. Тиждень 20: Нейронні мережі, пояснені без жодного рівняння (майже) [незабаром]
3. Тиждень 21: Зворотне поширення помилки: Математичний трюк, який навчає кожну нейронну мережу [незабаром]
4. Тиждень 22: Створіть свою першу нейронну мережу цими вихідними — у 50 рядках PyTorch [незабаром]
5. Тиждень 23: Чому ваша нейронна мережа не навчається — і 7 трюків, які виправляють майже все [незабаром]

Фаза 5: Основні архітектури нейронних мереж

Тижні 24-26. Три великі родини архітектур: CNN для зору, RNN для історії послідовностей і Transformer — винахід, який змінив все у 2017 році та живить кожен сучасний LLM.

1. Тиждень 24: Як комп'ютери навчилися бачити: Візуальний гід по згорткових нейронних мережах [незабаром]
2. Тиждень 25: Архітектура, яка намагалася зрозуміти мову — і чому це майже спрацювало: RNN та LSTM [незабаром]
3. Тиждень 26: Увага — це все, що вам потрібно: Стаття 2017 року, яка переписала AI — пояснено простою мовою [незабаром]

🏁 Час для проєкту Віхи 2. Навчіть CNN або невеликий Transformer з нуля в PyTorch.

Фаза 6: Обробка природної мови та LLM

Тижні 27-31. Це фаза, яка хвилює всіх у 2026 році. Ми пройдемо шлях від підрахунку слів до створення власного RAG-чатбота.

1. Тиждень 27: Навчання машин читати: Від мішка слів до Word Embeddings [незабаром]
2. Тиждень 28: До Transformer: Як LSTM дали машинам (швидкоплинну) пам'ять для мови [незабаром]
3. Тиждень 29: BERT, GPT та родинне дерево Transformer: Хто що робить і чому [незабаром]
4. Тиждень 30: Вам не потрібно навчати GPT-4, щоб використовувати його: Практичний гід по Hugging Face [незабаром]
5. Тиждень 31: Всередині LLM: Як насправді працюють масштабні моделі, від попереднього навчання до RLHF [незабаром]

Фаза 7: Інші сфери глибокого навчання

Тижні 32-35. Оберіть те, що важливо для вас. Вам не потрібні всі чотири.

1. Тиждень 32: За межами 'Кіт чи собака': Виявлення об'єктів, сегментація та як Vision Transformer бачать світ [незабаром]
2. Тиждень 33: Від шуму до мистецтва: Огляд генеративного AI — Автокодувальники, GAN та революція дифузії [незабаром]
3. Тиждень 34: Як машини чують: Від спектрограм до Whisper, AI, який транскрибує все [незабаром]
4. Тиждень 35: Навчання методом проб і помилок: Навчання з підкріпленням від Q-таблиць до PPO [незабаром]

Фаза 8: AI-агенти та розширені застосунки

Тижні 36-38. Сучасний фронт у 2026: агенти, які використовують інструменти, планують та діють у світі.

1. Тиждень 36: Наступна хвиля AI: Що таке агенти, як вони використовують інструменти та як створити одного сьогодні вдень [незабаром]
2. Тиждень 37: Де AI насправді робить різницю прямо зараз: Охорона здоров'я, фінанси, наука та реальний світовий фронт [незабаром]
3. Тиждень 38: Коли AI бачить, чує та читає одночасно: Розвиток мультимодальних моделей [незабаром]

Фаза 9: Продакшен, інструменти та MLOps

Тижні 39-42. Фаза, яка відокремлює тих, хто просто слідує туторіалам, від тих, хто насправді запускає AI-продукти. Більшість онлайн-курсів повністю пропускають це.

1. Тиждень 39: Ваша модель у ноутбуці — це не продукт: Що насправді потрібно, щоб запустити AI [незабаром]
2. Тиждень 40: MLOps без корпоративних модних слів: Версіонування, відстеження та відтворюваність для всіх інших [незабаром]
3. Тиждень 41: Як розгорнути AI-модель для реальних користувачів (без вигорання від DevOps) [незабаром]
4. Тиждень 42: Від RAG до продакшену: Створення реальних LLM-застосунків, за які не соромно [незабаром]

🏁 Час для проєкту Віхи 3. Запустіть ваш RAG-чатбот в прямому ефірі.

Фаза 10: Відповідальний AI та загальна картина

Тижні 43-46. AI — це не лише код. Він впливає на реальний світ. Вам потрібно розуміти упередження, безпеку, пояснюваність та ширший контекст.

1. Тиждень 43: Ваша модель має думки: Упередження, справедливість та чому 'хороші дані' ніколи не бувають достатніми [незабаром]
2. Тиждень 44: Створення AI, який не ламатиме речі: Безпека, узгодженість та найскладніша проблема в AI сьогодні [незабаром]
3. Тиждень 45: Проблема чорної скриньки: Як пояснити рішення AI, коли сама модель не знає [незабаром]
4. Тиждень 46: AI та решта світу: Робочі місця, творчість, клімат та питання, на які жоден туторіал не дасть відповіді [незабаром]

Фаза 11: Підтримка актуальності та поглиблення знань

Тижні 47+. Вивчення AI не закінчується. Після основних 46 тижнів ось як продовжувати зростати.

1. Як читати наукову статтю з AI без PhD (і дійсно її зрозуміти) [незабаром]
2. Портфоліо AI, яке дійсно приведе вас на співбесіду (а не іграшкові проєкти, які ніхто не читає) [незабаром]
3. Ви не вивчаєте AI наодинці: Спільноти, конференції та куточки Інтернету, до яких варто приєднатися [незабаром]
4. Ви не можете вивчити весь AI — ось як обрати спеціалізацію, яка підходить саме вам [незабаром]
5. Єдина навичка AI, яка не застаріє за 5 років: Вміння вчитися вчитися [незабаром]

Приблизні оцінки часу

Це не перегони. Таблиця нижче дає реалістичні терміни залежно від того, скільки часу у вас є.

Час на тиждень

Час на завершення ядра (Фази 0-6)

Час на завершення всіх 11 фаз

5-10 годин (серйозний побічний проєкт)

~6 місяців

~1 рік

10-15 годин (цілеспрямовано)

~4 місяці

~8 місяців

30+ годин (повний робочий день)

~6 тижнів

~3 місяці

Постійність краща за штурм. 30 хвилин щодня, кожного дня, краще, ніж 8 годин у неділю і нічого решту тижня.

Що ви зможете робити в результаті

Якщо ви пройдете основні фази (0-6) плюс Фазу 9, ви зможете:

• Відрізняти справжній AI від маркетингової шумихи
• Писати код на Python для аналізу даних та ML
• Очищати, досліджувати та готувати реальні набори даних
• Створювати, навчати, оцінювати та налаштовувати класичні ML-моделі
• Розуміти, як працюють нейронні мережі та Transformer
• Доточувати попередньо навчені мовні моделі для власних завдань
• Створювати RAG-чатботи на основі ваших власних документів
• Розгортати моделі як API за допомогою FastAPI
• Запускати робочі AI-продукти
• Читати новини та статті про AI з критичним поглядом
• Знати, чого ви не знаєте

Цього достатньо, щоб отримати роботу молодшого ML/AI-інженера, створювати корисні AI-інструменти для вашої поточної роботи або продовжити шлях у дослідження, якщо це вас цікавить.

Як користуватися цією сторінкою

1. Додайте її до закладок. Це ваш зміст.
2. Почніть з Тижня 1. Не пропускайте.
3. Перевіряйте щотижня. Нові статті публікуються щотижня. Посилання з'являтимуться вище.
4. Виконуйте вправи. Читання — це не навчання.
5. Створіть три ключові проєкти. Вони — ваш доказ того, що ви дійсно це вмієте.

Якщо ви коли-небудь почуватиметеся розгубленими, повертайтеся сюди. Шлях не змінюється. Інструменти будуть приходити і йти (нові фреймворки, нові моделі, нові стартапи), але основи з цієї дорожньої карти все ще будуть важливими через п'ять років.

Побачимось на Тижні 1.

🔔 Залишайтеся попереду в AI

Якщо ви слідуєте цій дорожній карті та хочете отримувати практичні AI-інструменти щотижня під час навчання, підпишіться на безкоштовну розсилку ByteBuilders. Кожен випуск дає вам:

• Понад 1000 AI-промптів, які ви можете скопіювати та використовувати вже сьогодні
• Практичні AI-інструменти, протестовані та пояснені
• Автоматизацію робочих процесів, яка економить години
• Варіанти використання для продуктивності на роботі та в навчанні
• Відібрані AI-ресурси для підтримки ваших навичок

Приєднуйтесь до тисяч розробників та учнів, які слідують цій дорожній карті:

++Підписатися на ByteBuilders безкоштовно →++