Скачать [Stepik] AI&DS симбиоз: Python, Математика и Промпт-инжиниринг [Ильдар Мустафин]

Kail · 17.08.2026

Курс объединяет Математику, Python и Промпт-инжиниринг в одну рабочую связку. Вы последовательно изучите функции, основы статистики, векторы, матрицы и работу с данными в JSON-файлах, затем закрепите эти темы программированием на Python и научитесь ставить нейросетям точные задачи через промпты и SKILL.md.

Чему вы научитесь:

Программировать скрипты на Python, извлекать массивы данных из JSON файлов, анализировать их и делать выводы
Реализовывать математические идеи на Python и видеть связь между формулой, кодом и результатом анализа
Работать с основными характеристиками данных: модой, медианой, квартилями, децилями и перцентилями
Понимать виды и категории данных
Применять функции для описания и моделирования процессов, находить нули функций и отличать линейные зависимости от нелинейных
Работать с векторами, скалярным, векторным и смешанным произведениями, матрицами и матричными операциями
Использовать метод Гаусса как основу для дальнейшей работы с матрицами
Составлять промпты для нейросетей при работе со статистикой, функциями, векторами и матрицами
Создавать и выстраивать систему SKILL.md, чтобы нейросеть точнее понимала аналитическую задачу и выдавала проверяемый результат

Этот курс выстраивает знания в правильной последовательности: сначала вы приобретаете необходимые базовые знания из Python, потом нарабатываете навык работы с алгебраическими преобразованиями, далее закрепляете математическую основу анализа: введение в статистику, функции и моделирование, векторы и матрицы. После формирования этой базы вы переходите к промпт-инжинирингу и учитесь ставить нейросетям задачи так, чтобы использовать их как рабочий инструмент аналитика: задавать контекст, описывать требования к расчётам, формулировать ограничения и проверять результат.

Важно: на курсе отдельное внимание уделяется JSON-файлам, потому что это распространённый формат передачи и хранения данных. Таким образом математика не остаётся набором формул, а программирование не сводится к копированию чужого кода. Вы учитесь видеть связь между аналитической задачей, математической моделью и её реализацией.

В курсе предусмотрены отдельные задания по созданию файлов скиллов типа SKILL.md, постановке задач для статистического, векторного и матричного анализа, а также итоговые экзаменационные задачи.

Как проходит обучение:

Курс построен так, чтобы вы не изучали математику, Python и промпт-инжиниринг по отдельности, а сразу видели их связь в аналитических задачах:

Сначала через видеоурок или текст вы разбираете математическую идею простым языком и понимаете, где она применяется в анализе данных
Затем изучаете, как реализовать эту идею на Python и работать с данными, включая данные в JSON-файлах
После этого закрепляете материал на практических задачах с автоматической проверкой
Далее учитесь ставить нейросети точные задачи по изученной теме: описывать контекст, указывать требования к расчётам, задавать ограничения и проверять ответ
По отдельным блокам выполняете итоговые задания, которые объединяют математику, программирование и работу с ИИ

Для кого этот курс:

Вы знаете базовый Python, но пока не понимаете, как применять его для математических и аналитических задач
Вы изучали математику раньше, но не видите её связи с моделированием процессов, данными и программированием
Вы хотите разобраться в функциях, статистических показателях, векторах и матрицах не только теоретически, но и через код
Вы сталкиваетесь с JSON-файлами и хотите понимать, почему данные передаются в таком формате и как с ними работать
Вы используете нейросети, но хотите перейти от случайных запросов к понятной постановке аналитических задач
Вы хотите уверенно объяснять, что делает код, какие математические действия за ним стоят и насколько корректен результат

Начальные требования: базовые знания арифметики и уверенное владение ПК. Обучение начинается с простейших основ.

Что вы получаете:

Чёткое понимание базовых конструкций Python, без лишних отступлений
Уверенность в математических основах, которые нужны для анализа данных
Системное понимание функций, описательной статистики, векторов, матриц и их роли в анализе данных
Навык работы с данными в JSON-файлах и понимание структуры передаваемой информации
Практику программирования математических и аналитических задач на Python
Понимание связи между функциями, моделированием процессов, кодом и интерпретацией результата
Навык постановки задач нейросетям для статистического, векторного и матричного анализа
Умение создавать файлы навыков типа SKILL.md и использовать промпт-инжиниринг как инструмент аналитика, а не как способ получить непроверенный готовый ответ
Подготовку к более сложным задачам анализа данных, где требуется одновременно владеть математикой, кодом и современными ИИ-инструментами

Программа:

1. Знакомство и простые задачи

Распространённые ошибки в современной аналитике

2. Введение в Python. Ввод/Вывод

Ввод информации: от input() до файлов
Вывод информации: от print() до логов

3. Введение в Python. Структуры данных

Списки в Python
Кортежи в Python
Множества в Python
Словари в Python

4. Введение в Python. Циклы и ветвления

Циклы
Условия

5. Введение в Python. Must-Have библиотеки

6. Введение в алгебру

Аналитика и алгебра: с чего начинается связь?
Степени в аналитике
Дробные выражения в аналитике
Применение уравнений в анализе данных
Экзамен: популярные выражения в анализе данных

7. Неделя 1. Концепции о данных и их программная реализация

Мода, медиана, квартили, децили, перцентили
Кейс: закупки сиропов для кофейни
Виды и категории данных
JSON файлы и почему данные передаются в них
Промпт-инжиниринг: учимся писать SKILL.md
Промпт-инжиниринг: экзаменационная задача

8. Неделя 2. Функции и процессы в аналитике

Про функцию простейшим языком
JSON-данные и анализ линейных процессов
Единство в функциях между программированием и математикой
Моделирование массы человека
Нелинейные и параболические процессы
Нули функций в анализе данных

9. Неделя 3. Функции и процессы в аналитике

Метод Гаусса и предисловие к матрицам
Промпт-инжиниринг: формируем правильную систему скиллов
Экзамен: базовое моделирование процессов

10. Неделя 4. Векторы и матрицы

Суть векторов и их применение в аналитике
Скалярное произведение в анализе данных
Векторное произведение в анализе данных
Смешанное произведение. Работа векторов в связке
Векторный анализ через JSON файлы
Матрицы и операции над ними при анализе данных
Промпт-инжиниринг: скиллы для матричной аналитики
Экзаменационные задачи

Автор Ильдар Мустафин

Преподаватель математики и математического программирования
Разработал авторскую методику по упрощённому изучению аналитической математики для гуманитариев и программистов
Выпускник ТУСУР (факультет РТФ), диплом бакалавра с отличием, диплом магистра с отличием
Выпускник КГПИ (факультет РТФ), диплом бакалавра с отличием