Блок, який пропускають курси лише про LLM, але який досі вимагають вакансії. 
Що вивчається:● Типи задач: навчання з учителем і без (supervised / unsupervised), регресія, класифікація, кластеризація.● Підготовка даних: пропущені значення, кодування ознак, масштабування, поділ на навчальну/тестову/валідаційну вибірки.● Інженерія ознак (feature engineering): створення, відбір, оцінка важливості ознак.● Метрики оцінювання: precision, recall, F1, ROC-AUC (для класифікації), RMSE, MAE (для регресії). Коли яку метрику обирати.● Перенавчання (overfitting), крос-валідація, налаштування гіперпараметрів.● Аналіз помилок моделі: де й чому модель помиляється.● sckit-learn як основний інструмент; концептуальний огляд PyTorch / TensorFlow і нейронних мереж.
Результат тижня: Працює навчена класична ML-модель на даних проєкту з коректним поділом вибірок, обраними метриками й проведеним аналізом помилок. Документ із обґрунтуванням вибору метрики.

Що вивчається:● Як влаштована LLM на прикладному рівні: токени, контекстне вікно, температура й інші параметри генерації.● Галюцинації (hallucinations): чому виникають, як проявляються, чому це інженерна проблема.● Вбудовування (embeddings): що це, як текст перетворюється на вектори, що таке семантична близькість.● Вибір моделі під задачу: пропрієтарні (OpenAI, Anthropic) проти відкритих моделей; компроміси вартість / якість / затримка.● Робота через API постачальників LLM: запити, обробка відповідей, обробка помилок.● Структурований вивід (structured output) і виклик функцій (function calling): як змусити модель повертати дані у форматі, придатному для подальшої обробки. (*вимоги ринку 2026)● Донавчання (fine-tuning) проти RAG: коли що застосовувати.
Результат тижня: Працює базовий сценарій звернення до LLM через API з контрольованим структурованим виводом і обробкою помилок.

Що вивчається:● Архітектура RAG (retrieval-augmented generation): як модель спершу шукає інформацію, а потім генерує відповідь на її основі.● Підготовка документів: завантаження, очищення, поділ на фрагменти (chunking), стратегії розбиття, метадані фрагментів.● Векторні бази даних (FAISS / Qdrant / pgvector): індексація, пошук за схожістю, косинусна близькість. (**вимоги ринку 2026)● Стратегії пошуку: щільний (dense), розріджений (BM25), гібридний пошук.● Переранжування (reranking): повторне впорядкування знайдених фрагментів за релевантністю.● Заземлення відповіді на джерелах (grounding) і цитування: як прив'язати відповідь до документів і уникнути вигадування.
Результат тижня: Працює повний RAG-конвеєр на даних проєкту: завантаження документів → chunking → вбудовування → векторна база → пошук → генерація відповіді з цитуванням джерел.

Ключовий диференціатор курсу. Більшість безкоштовного контенту вчить «зібрати чат-бота», але не вчить довести його якість.
Що вивчається:● Навіщо оцінювати LLM-систему й чому «на вигляд працює» — недостатньо.● Метрики якості пошуку (retrieval): чи знайдено потрібні фрагменти.● Метрики якості генерації: релевантність відповіді, заземленість на джерелах, частота галюцинацій.● Бізнес-метрики поверх технічних: що насправді важливо замовнику.● Генерація синтетичних даних для оцінювання, коли немає реальних запитів користувачів.● Побудова пайплайну оцінювання: автоматичний прогін, порівняння версій системи.● Аналіз помилок і ітеративне покращення: знайти слабке місце → змінити → виміряти ефект.
Результат тижня: Налаштовано пайплайн оцінювання RAG-системи проєкту. Зафіксовано метрики «до» і «після» щонайменше одного циклу покращень із обґрунтуванням змін.

Що вивчається:● Інженерія запитів (prompt engineering): системні й користувацькі запити, few-shot, ланцюжки запитів (prompt chaining), версіонування запитів.● Поняття агента: чим агент відрізняється від простого виклику LLM.● Інженерія агента: інструменти (tools), пам'ять (memory), планування кроків.● Фреймворки: LangChain, LangGraph, LlamaIndex — призначення й вибір під задачу.● Мультиагентні системи: розподіл ролей між агентами, патерни взаємодії й комунікації, оркестрація workflow.● Обмеження агентів: передбачуваність, запобіжники (safeguards), спостережуваність поведінки.● Agentic RAG: поєднання агентного підходу з пошуком по кількох джерелах.
Результат тижня: Працює агент із доступом до інструментів у межах проєкту, що виконує багатокрокову задачу. За потреби проєкту — базова мультиагентна взаємодія з розподілом ролей.

Що вивчається:● FastAPI: проєктування точок доступу (endpoints) для інференсу, RAG, агента.● Асинхронні запити (async), потокова відповідь (streaming) для LLM-виводу.● Основи автентифікації й контролю доступу до API.● Docker: контейнеризація, Dockerfile, docker-compose, змінні середовища, секрети. (**вимоги ринку 2026)● Розгортання в хмарі (AWS / GCP / Azure або керовані сервіси): запуск контейнера, сховище, логи, секрети. (**вимоги ринку 2026)
Результат тижня: Система проєкту обгорнута у FastAPI-сервіс, контейнеризована через Docker і розгорнута в хмарі. Доступна за зовнішнім посиланням.

Що вивчається:● Відстеження експериментів (MLflow): логування параметрів, метрик, версій. (**вимоги ринку 2026)● Версіонування даних і моделей (DVC), реєстр моделей, відтворюваність результатів.● CI/CD через GitHub Actions: автоматичні тести, лінтинг, конвеєр розгортання. (**вимоги ринку 2026)● Перевірки якості як ворота в конвеєрі (eval quality gates): автоматичне блокування деплою, якщо якість впала.● Моніторинг production-системи: затримка (latency), вартість (cost), якість, дрейф даних (drift), частота галюцинацій, зворотний зв'язок користувача.
Результат тижня: Налаштовано відстеження експериментів, CI/CD-конвеєр із автотестами й перевіркою якості, базовий моніторинг ключових показників проєкту.

Що вивчається:● Безпека LLM-систем: ін'єкція запитів (prompt injection — підміна інструкцій моделі через введення користувача), витік даних, контроль доступу. ** у вакансіях (AI/ML security).● Робота з персональними даними (PII), аудитованість.● Надійність: резервна логіка (fallback), контроль людиною (human-in-the-loop).● Збірка портфоліо: робочий репозиторій, README з описом архітектури, діаграма системи, демо розгорнутого застосунку.● Підготовка до працевлаштування: адаптація резюме й GitHub під українські вакансії, зіставлення власних навичок із вимогами вакансій, підготовка до технічної співбесіди.
Результат тижня: Зібране портфоліо (2–3 проєкти) з репозиторієм, README, діаграмою архітектури й демо. На платних тарифах — адаптоване резюме й GitHub під конкретні вакансії.

MLOps / LLMOps поглиблено: обслуговування моделей, оптимізація інференсу, основи GPU, спостережуваність для LLM-застосунків. Для тих, хто хоче рухатися в напрям MLOps.
Розширення класичного машинного навчання: глибше про нейронні мережі та обробку природної мови (NLP) для прикладних задач.
Результат: розуміння суміжних кар'єрних треків і можливість поглибитися в обраний напрям після курсу.

Що відбувається:● Презентація зібраної системи: архітектура, ухвалені рішення, компроміси (затримка / вартість / якість), результати оцінювання.● Пояснення інженерних рішень — навичка, яку вакансії очікують окремо. ** у вакансіях (вміння пояснювати поведінку системи й обмеження бізнесу).● На топ-тарифі — офлайн-захист перед практиками ринку й нетворкінг.
Результат: Готовий до показу роботодавцю проєкт із публічним репозиторієм, розгорнутим застосунком і відпрацьованою презентацією. Розуміння, як зіставляти власні навички з вимогами вакансій (DOU, Djinni, LinkedIn, robota.ua).

Вузький курс дає один модуль. Ми даємо повний цикл: класичне машинне навчання + RAG + агенти + backend + деплой + MLOps + кар'єра. Після вузького курсу кандидат не закриває повний набір вимог вакансії, після нашого — закриває.

Частина українських вакансій досі вимагає scikit-learn, PyTorch/TensorFlow і feature engineering. Курси лише про LLM цей блок пропускають — ми його даємо, тому ти закриваєш ширший набір вакансій.

За умови Python-бази. Це вторинна аудиторія — потрібен довший вхідний блок (Python поза ноутбуками, Git, API). Без Python буде складно.

Безкоштовний контент здебільшого вчить зібрати чат-бота. Курс вчить будувати надійну систему: оцінювати якість, контролювати галюцинації, розгортати, моніторити, готувати до співбесіди.

Вакансії очікують B1–B2 (документація, технічні матеріали). Курс україномовний, матеріали — частково англомовні.

Кар'єрний супровід (резюме, GitHub, пробна співбесіда, інтро до роботодавців) доступний на топ-тарифі.