Дорожная карта обучения ИИ 2026: лучшие ресурсы для начинающих

Грамотность в области ИИ больше не является опцией. Согласно нашему отчету о состоянии грамотности в области данных и ИИ за 2026 год, 69% руководителей считают, что грамотность в ИИ важна для повседневных задач их команд. Проблема в том, что инструкция «изучить ИИ» настолько широка, что её трудно разложить по полочкам. С чего вообще начать?

Это руководство — для тех, кто совсем новичок в ИИ и хочет получить понятный, структурированный учебный путь, а не случайный набор ссылок. Если нужно погрузиться глубже, рекомендую наш полный гид «Как изучать ИИ».

Будь вы сменившим профессию специалистом, бизнес-профессионалом, который хочет прокачать навыки, или человеком, который два года собирался заняться ИИ и всё откладывал, — ниже собраны ресурсы, которые проведут вас от нулевого уровня до уровня практикующего специалиста. Это означает охват теории (машинное обучение, глубокое обучение, нейронные сети), предпосылок (Python, статистика, математика) и современного прикладного уровня (LLM, инженерия подсказок, RAG, дообучение, агентный ИИ).

Я организовал материалы в примерную последовательность. Необязательно следовать ей строго, но если вы начинаете с нуля, прохождение по порядку избавит от множества недоразумений. Каждый пункт включает, чему вы научитесь, сколько времени это займет и для кого он лучше всего подходит. Если вы совсем новичок, лучший старт — наш новый курс с ИИ-наставником Introduction to AI for Work, где у вас будет собственный ИИ-репетитор, подстраивающий программу под ваш стиль обучения и потребности. 

Дорожная карта ИИ: кратко

Если вы хотите пройти путь от абсолютного новичка до создания автономных ИИ-агентов, вот маршрут верхнего уровня (при условии около 10 часов занятий в неделю):

• Месяцы 1–3: База. Освойте ключевые концепции ИИ, вопросы этики и базовую математику, затем изучите Python и работу с данными (pandas).
• Месяцы 4–6: Ядро ML. Свяжите статистику с Python и освоите классические модели ML (регрессия, классификация) на scikit-learn.
• Месяцы 7–9: Глубокое обучение и LLM. Погрузитесь в нейронные сети и трансформеры с PyTorch, затем научитесь программно интегрировать и промптить модели через OpenAI API и Hugging Face.
• С 10-го месяца: Инженерия ИИ и агенты. Выйдите за рамки статичных моделей и создавайте готовые к продакшену системы с RAG, LangChain и автономными агентами (MCP, Claude Code, Gemini CLI).

Предлагаемая дорожная карта обучения ИИ

Вот как я бы выстроил план обучения на наших ресурсах, если вы начинаете с нуля. Сроки приблизительные — ориентируйтесь на ~10 часов в неделю.

Этап 1: База (1–3-й месяцы)

Начните с курсов Introduction to AI for Work, трека AI Fundamentals и курса AI Ethics, чтобы сформировать концептуальный словарь и рамку управления. Здесь код не требуется — вы получите ментальную модель, необходимую для понимания дальнейшего. Параллельно пройдите Introduction to Statistics и туториал Demystifying Mathematical Concepts for Deep Learning.

Получив теоретическую базу, переходите к Python. Пройдите туториал по структурам данных в Python, затем трек Python Programming, а затем трек Data Manipulation in Python. К концу третьего месяца вы должны уверенно писать на Python, работать с DataFrame в pandas и понимать, что такое распределение вероятностей — всё это критично для глубокого понимания ИИ.

Этап 2: Базовый ML и дата-сайенс (4–6-й месяцы)

Здесь начинается настоящая работа. Пройдите курс Foundations of Probability in Python, чтобы связать статистику с кодом, затем начните карьерный трек Associate Data Scientist in Python. Необязательно закрывать все 90 часов на этом этапе, но обязательно пройдите разделы по работе с данными, визуализации и контролируемому обучению. Курсы по scikit-learn тут особенно важны.

Параллельно пройдите трек Machine Learning Fundamentals in Python. Курсы по контролируемому и неконтролируемому обучению пересекаются с карьерным треком, так что вы закрепите одни и те же концепции с двух сторон. К шестому месяцу вы должны уметь обучать, оценивать и настраивать модель классификации или регрессии.

Этап 3: Глубокое обучение и современные LLM (7–9-й месяцы)

Теперь переходите к треку Deep Learning in Python. Проходите по порядку: основы PyTorch, CNN, RNN, затем курс по трансформерам. Курс по трансформерам — это мост между классическим глубоким обучением и современными LLM.

Поняв, что происходит «под капотом», вы сможете эффективно взаимодействовать с этими моделями. Конечно, если вас больше интересует построение решений с ИИ, а не обучение моделей с нуля, можно опустить математику глубокого обучения и использовать LLM как мощный инструмент. Начните с того, как извлекать максимум пользы: пройдите курсы Prompt Engineering with the OpenAI API и Working with Hugging Face. Затем перейдите от веб-интерфейсов к реальному софту с курсом Developing AI Systems with the OpenAI API.

Этап 4: Инженерия ИИ и агенты (с 10-го месяца)

Этот этап — про создание сложных, готовых к продакшену систем ИИ. Начните с курса Retrieval-Augmented Generation (RAG) with LangChain, чтобы подключать LLM к вашим приватным данным.

Затем переходите от пассивной генерации к активному выполнению задач с треком AI Agent Fundamentals и туториалом Introduction to the Model Context Protocol (MCP). Наконец, примените современные подходы в локальной разработке, пройдя туториалы Claude Code и Building with Gemini 3.1 Pro: Coding Agent.

Лучшие ресурсы для дорожной карты обучения ИИ

Ресурсы расположены в логической последовательности: от концептуальных основ к практической сборке моделей и современным приложениям на базе LLM. Тем не менее, если вы уже знакомы с Python, смело переходите дальше.

1. Introduction to AI for Work

Если вы не разработчик и просто хотите понять, что такое ИИ и как ответственно использовать его на работе, начните отсюда. Этот 2–3-часовой курс объясняет, что такое большие языковые модели, как работает генеративный ИИ, и как писать эффективные подсказки по четырёхкомпонентной схеме, основанной на запросе, требованиях, контексте и примерах.

Больше всего в этом курсе мне нравится (и это отличает его от других вводных курсов по ИИ), что он использует новый «ИИ-нативный» формат обучения DataCamp. Вы получаете не просто статичное видео и упражнения — платформа выступает как индивидуальный ИИ-репетитор. Она динамически формирует уроки, примеры и упражнения под вашу конкретную роль, цели и предыдущие знания.

Например, если вы маркетолог, примеры будут отражать маркетинговые процессы. Платформа также подстраивается под ваш темп, поэтому привычные 2–3 часа могут варьироваться в зависимости от того, как быстро вы усваиваете материал.

Помимо персонализации, мне импонирует практическая подача. Курс учит определять, какая из четырёх возможностей ИИ (исполнение, интеллектуальное партнёрство, доработка и непрерывное обучение) применима к задаче. Также рассматриваются ограничения ИИ, галлюцинации и ответственное использование — темы, которые часто опускаются в материалах для новичков.

• Уровень: для начинающих
• Формат: курс, 2–3 часа
• Для кого: бизнес-профессионалы, маркетологи, аналитики и все, кто хочет эффективнее использовать инструменты ИИ без написания кода

Introduction to AI for Work

2. AI Fundamentals skill track

Этот 10-часовой трек — концептуальный каркас любого пути в ИИ. Он включает шесть курсов: Introduction to AI for Work, Understanding ChatGPT, Understanding Machine Learning, Large Language Models Concepts, Generative AI Concepts и AI Ethics. Код писать не нужно.

Трек даёт рабочий словарь по всей сфере ИИ: от того, как алгоритмы машинного обучения находят закономерности, до того, как обучаются и развёртываются LLM вроде ChatGPT. Завершающий курс по этике ИИ стоит изучить внимательно, а не пролистывать. Пройденный трек также готовит к сертификации AI Fundamentals.

• Уровень: для начинающих
• Формат: скилл-трек, 10 часов, 6 курсов
• Для кого: всем, кто хочет прочную концептуальную базу до первой строки кода

AI Fundamentals skill track

3. Introduction to Statistics

Статистика — язык, на котором «говорит» ИИ. Прежде чем понимать, почему модель делает те или иные предсказания, нужно разбираться в распределениях вероятностей, проверке гипотез и мерах разброса. Этот 4-часовой курс охватывает всё это на реальных датасетах, включая данные о преступности в Лондоне и онлайн-рознице.

У курса более 8000 отзывов и рейтинг 4,8 — необычно высоко для статистики. Рассматриваются сводная статистика, вероятность, нормальное распределение, центральная предельная теорема и корреляция — и всё это без кода. Думайте о нём как об основе, которая «связывает» остальное.

• Уровень: для начинающих
• Формат: курс, 4 часа, 56 упражнений
• Для кого: тем, кто пропустил статистику в школе или хочет освежить знания перед машинным обучением

Introduction to Statistics

4. Demystifying Mathematical Concepts for Deep Learning

Этот туториал — прямой ответ на вопрос «сколько математики мне реально нужно?». Он рассматривает скаляры, векторы, матрицы, тензоры, собственные значения, SVD, градиентный спуск и энтропию, всё с кодом на Python с NumPy и SciPy. Это не полный курс линейной алгебры, но достаточно, чтобы понимать, что происходит внутри нейросети.

Один только градиентный спуск стоит прочтения. Туториал объясняет все три варианта (полный батч, стохастический и мини-батч) и показывает, как они применяются для обучения нейронных сетей. Если вы когда-либо задумывались, почему обучение модели — это «минимизация функции потерь», здесь это становится наглядным.

• Уровень: от начинающего до среднего
• Формат: туториал, примерно 15 минут чтения
• Для кого: тем, кто хочет понять математику глубокого обучения без полного курса по линейной алгебре

Demystifying Mathematical Concepts for Deep Learning

5. Foundations of Probability in Python

Этот 5-часовой курс продолжает статистику, добавляя Python к вероятностным концепциям. Здесь рассматриваются испытания Бернулли, биномиальное, нормальное и пуассоновское распределения, закон больших чисел и центральная предельная теорема, а затем всё это связывается с линейной и логистической регрессией.

Последняя глава особенно полезна практикам ML. Она показывает, как центральная предельная теорема объясняет схождение средних по выборке к средним по генеральной совокупности — теоретическую основу того, почему обучение на больших датасетах работает. В курсе повсюду используется scipy — та же библиотека, что встречается в большинстве ML-кодовых баз.

• Уровень: средний
• Формат: курс, 5 часов, 61 упражнение
• Для кого: тем, кто прошёл Introduction to Statistics и хочет применять вероятностные концепции в Python

Foundations of Probability in Python

6. Python Programming skill track

Python — доминирующий язык в ИИ, и этот 19-часовой трек выводит вас за пределы азов к коду, который реально используется в продакшене. Здесь контекстные менеджеры, декораторы, эффективный код, принципы софтверной инженерии, авто-тестирование с pytest и ООП.

Используются пакеты pandas, NumPy, setuptools, pytest и pycodestyle. Если вы пришли из анализа данных и ваш Python рабочий, но «шероховатый», этот трек его «вычистит». Пишущийся тестируемый, модульный код крайне важен при построении ML-пайплайнов.

• Уровень: от начинающего до среднего
• Формат: скилл-трек, 19 часов, 4 курса
• Для кого: тем, кто знает базовый Python и хочет писать поддерживаемый, готовый к продакшену код

Python Programming skill track

7. Python Data Structures tutorial

Короткое, но важное чтение по всем структурам данных, с которыми вы столкнётесь в ИИ: целые и вещественные числа, строки, булевы значения, массивы, списки, кортежи, словари, множества, стеки, очереди, графы и деревья. Туториал включает рабочий код на Python для каждой структуры и объясняет, когда что использовать.

Раздел о массивах NumPy особенно актуален. Он объясняет, почему массивы NumPy быстрее списков Python на больших данных, как работают векторизованные операции и как создавать многомерные массивы. Эти знания сразу окупаются при работе с ML-библиотеками.

• Уровень: для начинающих
• Формат: туториал, примерно 15 минут чтения
• Для кого: новичкам, которым нужна понятная справка по структурам данных в Python перед переходом к манипулированию данными

Python Data Structures tutorial

8. Data Manipulation in Python skill track

Прежде чем обучать модель, нужно уметь очищать, преобразовывать и анализировать данные. Этот 16-часовой трек глубоко покрывает pandas и NumPy на реальных датасетах, включая инвентаризацию деревьев Нью-Йорка, данные о покупках клиентов и цены акций. Включает четыре курса: Data Manipulation with pandas, Reshaping Data with pandas, Joining Data with pandas и Introduction to NumPy.

Навыки pandas здесь действительно базовые. Фильтрация DataFrame, объединение датасетов, обработка пропусков, преобразование из широкого формата в длинный — это то, что вы будете делать постоянно в любом ML-проекте. Курс по NumPy добавляет операции над массивами, которые напрямую используются в scikit-learn и PyTorch.

• Уровень: для начинающих
• Формат: скилл-трек, 16 часов, 4 курса
• Для кого: всем, кто готовит данные для моделей машинного обучения

Data Manipulation in Python skill track

9. Associate Data Scientist in Python career track

Это самый всеобъемлющий ресурс в списке. 90 часов и 23 курса охватывают полный рабочий процесс дата-сайенса на Python: обработка данных, визуализация в Matplotlib и Seaborn, статистическая проверка гипотез, регрессия в statsmodels, контролируемое обучение в scikit-learn, неконтролируемое обучение и модели на деревьях. Также включено 10 реальных проектов.

Трек готовит к сертификации Associate Data Scientist. Лично я считаю наиболее ценными проекты. Такие, как «Предиктивное моделирование в сельском хозяйстве» и «Кластеризация видов антарктических пингвинов», дают вам портфолио, демонстрирующее умение применять ML к реальным задачам, а не только решать упражнения.

• Уровень: от начинающего до среднего
• Формат: карьерный трек, 90 часов, 23 курса, 10 проектов
• Для кого: тем, кто хочет структурированный путь «от и до» к роли практикующего дата-сайентиста

Associate Data Scientist in Python career track

10. Machine Learning Fundamentals in Python skill track

Этот 16-часовой трек покрывает четыре основных направления ML: контролируемое обучение в scikit-learn, неконтролируемое обучение в scikit-learn и scipy, глубокое обучение в PyTorch и обучение с подкреплением в библиотеке Gymnasium для Python. Это самый прямой путь к пониманию того, как на самом деле работают модели ML.

Секция по PyTorch — самая «живописная». Вы построите свою первую нейросеть с нуля, реализуете обратное распространение ошибки и градиентный спуск в коде и примените глубокое обучение к классификации изображений и анализу тональности. Завершающий курс по RL охватывает Q-learning и policy gradients — основы современных ИИ-агентов.

• Уровень: средний
• Формат: скилл-трек, 16 часов, 4 курса
• Для кого: тем, у кого уже есть база в Python и статистике и кто готов строить реальные ML-модели

Machine Learning Fundamentals in Python skill track

11. Deep Learning in Python skill track

Этот 18-часовой трек глубже раскрывает архитектуры нейросетей на PyTorch. Рассматриваются CNN для классификации изображений, RNN и LSTM для последовательных данных, детекция объектов, сегментация изображений и генерация текста. Финальный курс по моделям-трансформерам в PyTorch соединяет всё с современными LLM вроде ChatGPT.

Курс по трансформерам особенно стоит отметить. Он объясняет, как работает механизм внимания, почему трансформеры вытеснили RNN для большинства задач NLP, и как эта архитектура лежит в основе моделей семейства GPT. Если хотите понимать поведение LLM, это — отправная точка.

• Уровень: от среднего до продвинутого
• Формат: скилл-трек, 18 часов, 5 курсов
• Для кого: тем, кто завершил трек ML Fundamentals и хочет специализироваться в глубоком обучении

Deep Learning in Python skill track

12. Prompt Engineering with the OpenAI API

Поняв концептуально, как работают LLM, на этом 4-часовом курсе вы научитесь получать от них стабильные результаты. Рассматриваются zero-shot, one-shot и few-shot подсказки, рассуждение в цепочке (chain-of-thought), self-consistency prompting, многошаговые подсказки и итерационная доработка. Все упражнения — с использованием OpenAI API в Python.

Самая прикладная — глава о бизнес-кейсах. Это суммаризация текста, настройка тона для e-mail-маркетинга, маршрутизация тикетов поддержки и генерация кода с многошаговыми подсказками. Это задачи, часто встречающиеся в реальных процессах, и курс показывает, как проектировать подсказки, дающие консистентные, структурированные ответы.

• Уровень: для начинающих
• Формат: курс, 4 часа, 55 упражнений
• Для кого: разработчикам и специалистам по данным, желающим строить надёжные приложения на базе LLM

Prompt Engineering with the OpenAI API

13. Working with Hugging Face

Hugging Face — центр большинства open-source разработок в ИИ, и этот 2-часовой курс научит вас ориентироваться в экосистеме. Вы загрузите предобученные модели из Hub, скачаете и преобразуете датасеты, построите пайплайны для классификации текста, суммаризации длинных документов и используете классы AutoModel и AutoTokenizer для кастомных задач NLP.

Курс также объясняет разницу между локальным запуском инференса и запуском через провайдеров Hugging Face — практический выбор, который предстоит делать в каждом проекте. С более чем 28 000 обучающихся и рейтингом 4,8 — один из самых популярных курсов в каталоге ИИ неслучайно.

• Уровень: для начинающих
• Формат: курс, 2 часа, 26 упражнений
• Для кого: тем, кто хочет использовать open-source модели для NLP без построения всего с нуля

Working with Hugging Face

14. AI Agent Fundamentals skill track

Если RAG — это «память» ИИ, то агенты — это «руки». В этом треке ИИ переходит из роли пассивного отвечающего к роли активного исполнителя. Вы изучите архитектуру автономных агентов и то, как сочетать LLM с использованием инструментов, многошаговым рассуждением и внешними API для выполнения сложных рабочих процессов.

Эволюция от статичных пайплайнов к агентным системам — это текущий вектор индустрии. Трек даёт концептуальную и практическую базу для создания систем, которые не просто отвечают на вопросы, а действительно самостоятельно завершают задачи.

• Уровень: продвинутый
• Формат: скилл-трек, примерно 12 часов
• Для кого: продвинутым учащимся, готовым выйти за рамки разговорного ИИ и строить автономные, ориентированные на действие системы

AI Agent Fundamentals skill track

15. AI Ethics

По мере интеграции ИИ в бизнес и ПО понимание ответственного внедрения перестаёт быть опцией. Курс охватывает базовые принципы этики ИИ — справедливость, прозрачность, подотчётность и приватность — и даёт практические стратегии выявления и снижения смещений в ваших датасетах.

Курс будет полезен очень разным аудиториям благодаря фокусу на практическом управлении, а не абстрактной философии. Вы научитесь формировать этическую рамку и разбирать реальные кейсы неудачных внедрений ИИ, чтобы заслужить доверие пользователей и ответственно развёртывать модели ещё до построения сложных систем.

• Уровень: для начинающих
• Формат: курс, 2 часа
• Для кого: всем, кто участвует в создании, развёртывании или управлении системами ИИ и хочет создавать справедливые и соответствующие требованиям инструменты

AI Ethics

16. Developing AI Systems with the OpenAI API

Выходя за рамки простых веб-интерфейсов, этот курс учит программно интегрировать модели OpenAI в ваши приложения. Вы научитесь аутентифицироваться, делать вызовы API, обрабатывать ответы и управлять лимитами токенов на Python — фактически выстроите мост между теорией моделей и реальной разработкой ПО.

Переход от подсказок в чате к оркестрации вызовов API в коде — огромный скачок возможностей. Курс даёт архитектурное понимание того, как на самом деле строятся продакшен-системы ИИ, и становится важной ступенью перед более сложными фреймворками извлечения данных.

• Уровень: средний
• Формат: курс, 4 часа
• Для кого: разработчикам, желающим перейти от чат-инструментов ИИ к созданию собственного ПО на базе ИИ

Developing AI Systems with the OpenAI API

17. Retrieval-Augmented Generation (RAG) with LangChain

Большие языковые модели хороши, но они не знают ваших внутренних данных. Этот курс знакомит с Retrieval-Augmented Generation (RAG) — индустриальным стандартом для «заземления» ответов ИИ на внешних документах. Вы научитесь бить данные на фрагменты, создавать векторные эмбеддинги и использовать LangChain для оркестрации потока информации из вашей БД к LLM.

Мне нравится, как здесь подробно «разоблачаеться магия» enterprise-ИИ. Создавая движки данных и пайплайны индексации, вы увидите, как приложения вроде чат-ботов поддержки подтягивают нужный контекст и избегают галлюцинаций.

• Уровень: от среднего до продвинутого
• Формат: курс, 4 часа
• Для кого: разработчикам, создающим приложения ИИ, которые безопасно запрашивают и анализируют приватные или доменные данные

Retrieval-Augmented Generation (RAG) with LangChain

18. Introduction to the Model Context Protocol (MCP)

Часто называемый «USB‑C для ИИ», Model Context Protocol — это открытый стандарт для подключения моделей ИИ к внешним источникам данных и инструментам. Этот туториал проводит через архитектуру MCP и показвает, как развёртывать управляемые и кастомные серверы, позволяя вашим ИИ-агентам запрашивать базы вроде BigQuery или взаимодействовать с Google Maps без написания кастомных адаптеров для каждого нового инструмента.

Стандартизация, которую приносит MCP, — переломный момент для агентного ИИ. Вместо точечных интеграций вы один раз реализуете источник данных как MCP-сервер и используете его в любом совместимом ИИ-клиенте. Это резко снижает трение разработки.

• Уровень: от среднего до продвинутого
• Формат: туториал, примерно 15 минут чтения
• Для кого: разработчикам ИИ и системным архитекторам, стремящимся стандартизировать подключение агентов к корпоративным данным и внешним сервисам

Introduction to the Model Context Protocol (MCP)

19. Туториал по Claude Code

Этот туториал переносит помощь ИИ прямо в ваш терминал, фокусируясь на CLI Claude Code от Anthropic. Вы настроите окружение, подключитесь к GitHub и реализуете рабочий процесс Explore‑Plan‑Execute для безопасного рефакторинга кода в нескольких файлах.

Главная фишка — «Plan Mode». Вместо того чтобы давать ИИ свободу вносить правки по всему коду, этот режим «только чтение» сначала заставляет модель сгенерировать обозримый план в markdown. Это мастер‑класс по защитным барьерам в ИИ-кодинге, решающий проблему накапливающихся ошибок, свойственную типичной генерации кода ИИ.

• Уровень: средний
• Формат: туториал, примерно 15 минут чтения
• Для кого: инженерам‑разработчикам, желающим глубоко встроить ИИ в локальную разработку и рефакторинг

Claude Code Tutorial

20. Building with Gemini 3.1 Pro: Coding Agent Tutorial

Здесь всё сходится в современный рабочий процесс разработки. Этот туториал учит использовать Gemini CLI на базе передовой модели Gemini 3.1 Pro для создания готового к продакшену приложения на Next.js с нуля. Вы пройдёте путь от начального архитектурного промптинга до создания собственных навыков, управления постоянной памятью и деплоя на Vercel.

Выделяется практичность упражнения. Вы пишете не «игрушечные» скрипты, а реально применяете продвинутый, агентный процесс к миграциям БД, аутентификации и модульному тестированию. Это наглядно показывает, как разработчик может выступать техническим директором, пока ИИ-агент берёт на себя тяжёлую работу.

• Уровень: продвинутый
• Формат: туториал, примерно 20 минут чтения
• Для кого: разработчикам, желающим освоить разработку, управляемую ИИ, создавая полнофункциональные приложения на передовых моделях

Building with Gemini 3.1 Pro: Coding Agent Tutorial

Как выбрать подходящий ресурс по ИИ для старта

Список выше рассчитан на полного новичка, который хочет глубоко понять ИИ и его работу, но стартовые точки у всех разные. Вот краткий гид для выбора.

• Если у вас нет опыта кодирования: начните с Introduction to AI for Work, AI Ethics и трека AI Fundamentals. К Python пока не прикасайтесь.
• Если вы знаете Python, но не знаете статистику: переходите сразу к Introduction to Statistics, затем Foundations of Probability in Python.
• Если вы знаете Python и статистику: переходите к Machine Learning Fundamentals in Python и карьерному треку Associate Data Scientist in Python.
• Если хотите строить ПО с LLM: пройдите Developing AI Systems with the OpenAI API, сразу затем — Retrieval-Augmented Generation (RAG) with LangChain.
• Если хотите строить автономные системы: ваш следующий шаг — AI Agent Fundamentals и туториал Introduction to the Model Context Protocol (MCP).
• Если вы разработчик ПО и хотите ускорить локальную разработку: прочтите туториалы Claude Code и Building with Gemini 3.1 Pro: Coding Agent Tutorial, чтобы понять интеграцию ИИ в CLI и полнофункциональные пайплайны.
• Если хотите понять внутреннее устройство LLM: вам нужен трек Deep Learning in Python, в особенности курс по трансформерам.
• Если вы бизнес-профессионал и просто хотите пользоваться ИИ-инструментами: Introduction to AI for Work — единственный строго необходимый курс.

Итоговые мысли

Для большинства начинающих с нуля честный совет такой: начните с трека AI Fundamentals и курса Introduction to Statistics, проходите их параллельно и не пропускайте математику. Есть соблазн сразу броситься в построение RAG‑приложений или ИИ‑агентов — и можно так сделать — но без понимания основ вы быстро упрётесь в потолок.

Одна оговорка: этот список фокусируется на ресурсах DataCamp, то есть он ориентирован на структурированное, интерактивное обучение, а не чтение научных статей или участие в open-source проектах. И то, и другое важно для долгосрочной карьеры в ИИ, но сложнее рекомендовать в качестве старта. Здесь даны ресурсы, которые дают базу для дальнейшего движения в широкой экосистеме.

Если нужен один стартовый пункт, который охватывает концептуальный ландшафт и не перегружает, рекомендую трек AI Fundamentals. Он занимает 10 часов, не требует кода, и к концу у вас будет ясное понимание, куда двигаться дальше.