Коротко: на курсе Python Pro подростки не пишут нейросети с нуля — они собирают данные, чистят их и обучают готовую модель. В программе Python Pro это 3 темы из 14: основы Machine Learning, нейронные сети на практике и работа с LLM через OpenAI API. Первый результат — модель, которая ошибается, и разбор этих ошибок и есть занятие.
Слово «нейросеть» в описании курса вызывает два противоположных ожидания. Одни родители думают, что это маркетинг. Другие — что ребёнок выйдет специалистом по ИИ. Оба ошибаются, поэтому расскажем, что там на самом деле.
Четыре этапа учебного проекта
Данные. Подросток собирает набор сам — например, 300–500 изображений двух категорий или таблицу из открытого источника. На этом этапе выясняется главное: данных всегда меньше, чем казалось, и половина из них испорчена.
Чистка. Пропуски, дубликаты, перепутанные подписи. Скучная часть, которая занимает больше времени, чем обучение модели — и именно она показывает, почему реальная работа с ИИ выглядит не так, как в роликах.
Обучение. Готовая модель, 10–15 строк кода, несколько минут ожидания. Здесь подросток впервые видит точность в процентах и понимает, что 80 % — это не «почти хорошо», а «каждый пятый ответ неправильный».
Разбор ошибок. Почему модель путает эти два класса? Хватает ли примеров? Не выучила ли она фон вместо объекта? Эта часть самая ценная, и как раз её не проходят на курсах, где ИИ упоминают в названии для красоты.
Почему начинаем со скучного, а не с нейросети
Первая модель, которую подросток обучает сам, — линейная регрессия. Выглядит скромно: прямая линия сквозь облако точек. Эффектной картинки из неё не сделаешь.
Смысл в том, что на ней видно всё, что потом повторится в моделях посложнее. Есть данные. Есть разделение на то, на чём учим, и то, на чём проверяем. Есть ошибка, которую модель уменьшает шаг за шагом. Есть момент, когда линия ложится хорошо на обучающих данных и плохо на проверочных, — то самое переобучение, о котором потом говорят применительно к нейросетям.
Подросток, который увидел это на прямой линии, понимает нейросеть как ту же идею, только со многими слоями. Тот, кто сразу запустил чужой пример с распознаванием лиц, не понимает ничего — у него сработало, и всё.
MNIST: рукописные цифры, на которых учатся все
Следующий шаг — набор из изображений рукописных цифр. Каждая картинка 28 на 28 пикселей, чёрно-белая, и задача одна: сказать, какая это цифра.
Этот набор выбран не случайно. Он маленький, поэтому обучение идёт минуты на обычном ноутбуке. Он понятный — ошибку видно глазами: модель приняла семёрку за единицу, и ты сам видишь почему. И он честный: цифры писали разные люди, почерки разные, среди них есть такие, которые и человек прочитает не сразу.
Именно на MNIST дети впервые сталкиваются с тем, что точность 97 % — это не «почти идеально», а три ошибки на сотню. Разговор о том, где такая точность допустима, а где нет, выходит сам собой.
Что входит в программу, а что нет
| Это есть | Этого нет |
|---|---|
| Основы Machine Learning на готовых библиотеках | Математика нейросетей на университетском уровне |
| Нейронные сети на практике: обучение и проверка | Написание собственного фреймворка |
| Работа с LLM через OpenAI API | Тренировка собственной большой модели |
| Анализ данных и автоматизация | Обещания работы в ИИ после курса |
Откуда берутся данные
Часть наборов открытые и давно стали учебной классикой — те самые рукописные цифры, данные о пассажирах «Титаника», измерения цветков ириса. Часть подросток собирает сам: выгружает собственную статистику из приложения, парсит таблицу с сайта на предыдущей теме курса, складывает папку своих фотографий.
Второй вариант всегда выходит интереснее и всегда сложнее. В открытом наборе за тебя уже всё почистили; в собственных данных половина строк пустые, даты записаны тремя способами, а половины значений просто нет.
Как выглядит занятие
Полтора часа, группа до шести человек, экран у каждого свой. Преподаватель показывает шаг, подросток повторяет на своих данных — и почти всегда получает другой результат, потому что данные другие. Дальше начинается то, ради чего тема и существует: почему у меня вышло хуже.
Ответ каждый раз в данных, а не в коде. Мало примеров. Классы неравные. Забыли отложить проверочную выборку. Это и есть та часть работы с машинным обучением, которую не показывают в роликах: модель — пять строк, а остальное время уходит на подготовку того, что в неё подаёшь.
Две разные вещи, которые называют одним словом
| Игры и боты (10–14) | Python Pro (14–18) | |
|---|---|---|
| Что делает ребёнок | Подключает готовую модель через API | Обучает собственную модель на данных |
| Чей интеллект | Чужой, доступ по ключу | Свой, выращенный на примерах |
| Что надо понимать | Запрос, ответ, стоимость запроса | Данные, обучение, проверка, ошибка |
| Результат | Бот, который отвечает осмысленно | Классификатор, который что-то распознаёт |
Путаница здесь обычная: оба варианта в разговоре называют «ребёнок делает ИИ». На самом деле это разные навыки, и полезны оба. Первый быстрее и даёт результат на среднем уровне. Второй медленнее и объясняет, откуда результат берётся.
Не устареет ли это за три года
Вопрос разумный, и ответ раздваивается. Библиотеки устареют — почти наверняка: за последние пять лет набор инструментов переписывали не раз, и названия в резюме выпускника 2030 года будут другие.
Не устареет другое. То, что модель надо проверять на данных, которых она не видела. То, что плохие данные дают плохой результат независимо от алгоритма. То, что точность без контекста ничего не значит. Эти вещи не изменились с тех пор, как их сформулировали, и именно они остаются, когда конкретная библиотека уходит в прошлое.
Что из этого попадает в финальный проект
Финал старшей ступени — не обязательно модель. Это может быть Flask-сервис, бот с базой данных или приложение с машинным обучением внутри: подросток выбирает сам, и выбор чаще диктует тема, которая его зацепила, чем сложность.
Когда выбирают ML, проект почти всегда вырастает из чего-то личного. Классификатор фотографий собственного кота. Предсказание оценки по количеству решённых задач. Разбор собственного экспорта из мессенджера. Такие работы выглядят в портфолио убедительнее чистого учебного упражнения — потому что данные в них настоящие и собраны руками автора.
Зачем это подростку, который не пойдёт в науку
По большей части — ради понимания границ. Подросток, который сам обучил модель и увидел, как она уверенно ошибается, иначе читает новости об ИИ и иначе пользуется чатами: проверяет ответы, а не принимает их. Эта привычка пригодится ему независимо от профессии.
Второе — портфолио. Проект с данными, кодом и честным описанием того, что вышло плохо, выглядит взрослее 10 учебных упражнений.
Как ИИ появляется раньше, на младших ступенях, описано в статье «Искусственный интеллект на курсе Python: с чего начинают». Что кладут в портфолио — «Портфолио на Python до 18 лет». Программа старшего уровня — Python Pro.
