Deep Learning Engineer

Погрузитесь в основы профессии и обучение нейронных сетей — сформируете прочный фундамент для дальнейшего развития

Научитесь создавать нейросеть, управлять ее слоями, работать с функциями потерь в PyTorch и строить DL-пайплайн от начала до конца

Изучите эффективные методы оптимизации и подходы к проведению экспериментов. Сможете повышать точность нейросетей и применять их для классификации табличных данных

Познакомитесь с технологией компьютерного зрения и базовыми концепциями GAN. Начнете создавать свои модели для визуальных данных

Изучите работу с текстовыми данными, устройство рекуррентных нейронных сетей и их применение

Познакомитесь с LLM и узнаете, как использовать их в проектах. Погрузитесь в облачные сервисы и деплой моделей

Выясните, чем задачи обработки текста отличаются от других и как устроены принципы кодирования слов для нейросетей

Научитесь использовать базовые методы классификации и учитывать ограничения, строить простые решения для сортировки текстов по категориям

Поймете, чем генерация текста отличается от классификации. Познакомитесь с n‑gram и их ограничениями, с рекуррентными и сверточными сетями

Разберетесь в ограничениях RNN и способах их преодоления с помощью LSTM. Узнаете, какие есть методы семплирования токенов для генерации текста, как повышать точность и стабильность рекуррентных сетей

Научитесь делать нейросети компактнее без потери качества — и применять эти техники в реальных проектах

Погрузитесь в ключевые различия между BERT, GPT и стандартной архитектурой трансформера — сможете применять их для перевода текста

Выясните, почему дообучение часто эффективнее, чем создавать нейросеть с нуля. Увидите на практике, как адаптировать предобученные модели под конкретные проекты

Изучите особенности крупных сетей и их возможности, а также дообучение с помощью методов PEFT

Разберетесь, чем задачи языкового моделирования отличаются от Seq2Seq и как работает механизм внимания. Поймете ключевые особенности архитектуры трансформера и почему она так эффективна

Узнаете про ограничения длины контекста в трансформерах и методы оптимизации для повышения точности

Поймете, как камера формирует изображение и как оно хранится в компьютере, какие есть методы обработки изображений и анализа объектов

Разберетесь в устройстве якорных детекторов и их архитектуре. Познакомитесь с безъякорными подходами, включая трансформерный DETR. Узнаете, почему YOLO стал стандартом и как развивались его 19 версий

Научитесь формулировать и оценивать задачи классификации. Погрузитесь в архитектуры сверточных сетей: ResNet, MobileNet, EfficientNet. Познакомитесь с нейронным поиском архитектур (NAS)

Поймете структуру пайплайна распознавания лиц. Изучите постановки задач Face Recognition. Узнаете, чем отличается обучение сетей для извлечения дескрипторов от обычной классификации. Познакомитесь с концепцией Re-Identification

Разберетесь в основных гиперпараметрах и их влиянии на качество модели. Освоите методы регуляризации и современные техники аугментации данных

Освоите основные подходы к отслеживанию и метрики качества в MOT, принципы работы SORT, современные трекеры. Поймете, какую роль играет фильтр Калмана

Разберетесь, как трансформеры применяются в CV на примере Vision Transformer. Узнаете, как использовать CLIP для классификации изображений без дополнительного обучения

Выясните, почему SSL стал ключом к работе с данными без разметки. Освоите BYOL, MAE и DINO и увидите, чем они отличаются. Поймете, как Grounded-модели используют подсказки для детекции и сегментации объектов

Познакомитесь с современными архитектурами для семантической сегментации. Погрузитесь в Segment Anything (SAM)

Разберетесь, из каких этапов состоит распознавание текста, как применять популярные модели для детекции и распознавания (CRAFT, CRNN), основные фреймворки для OCR

Выясните технические особенности детекции, способы ее оценки и устройство двухэтапных подходов семейства R-CNN

Освоите GAN и разберетесь, как они создают новые данные. Узнаете о диффузионных моделях и их применении

Если хотите создавать и развивать нейросети, имеете базовые знания программирования и понимание ML, вам точно будет интересно.

Наш курс по глубокому обучению на русском языке. Для освоения программы достаточно знания основ математики, Python и Machine Learning.

Главное, чтобы у вашего гаджета был доступ в интернет — чтобы смотреть видеолекции на платформе. Для практики нужен ПК или лэптоп. Мощность не важна — задания выполняются на удаленных серверах. Главное, иметь браузер и программы для коммуникации: «Пачку», Zoom. Наши менеджеры помогут все установить и настроить.

Около 15 часов в неделю. Этого достаточно для просмотра лекций и выполнения заданий. Но нагрузка в разных модулях отличается.

Да, уроки представлены в записи. Можете смотреть их, когда удобно. Лекции короткие, длятся до получаса — так материал усваивается легче.

Все уроки открываются сразу — можно проходить их в комфортном темпе. В модулях есть видео с разбором темы, конспекты и домашние задания. С вопросами можно обратиться в поддержку.

Команда поддержки будет на связи, чтобы помочь вам справиться со сложностями.

Вы сможете обратиться к куратору, чтобы вместе найти оптимальное решение. Например, можно оформить перерыв на срок до 30 дней.

Для общения с экспертами и сокурсниками есть группы в «Пачке». Там можно обсудить сложные темы, интересные кейсы и новости индустрии.

Ваши преподаватели — специалисты из ведущих компаний страны. Их знания и опыт стали основой программы. Эксперты будут сопровождать вас на каждом этапе, помогая справляться со сложными темами.

Если наберете не меньше 70% баллов и успешно выполните итоговый проект, получите персонализированный сертификат с подписями преподавателей.

Все материалы и ваши решения в LMS останутся с вами.
Доступ к инструментам и сопровождению выдается на 165 дней с момента оплаты, и заканчиваются по истечению 165 дней