О курсеПрограммаКоманда курсаСтоимость
КомпаниямПопробовать бесплатно
Курс даёт фундаментальные знания и практику в области Deep Learning
Они нужны как для успешного прохождения собеседований, так и для уверенного старта и погружения в любую из доменных областей машинного обучения
Освоите основные инструменты, которые используют при работе с нейросетями

PyTorch
MLP
CNN
RNN
LSTM
GRU
Attention
Transformers
ClearML
Программа курса
Рассчитана на 2 месяца; нагрузка — от 15 часов в неделю
2 часа
Бесплатно
Нейросетевые решения на практике
  • PyTorch
  • CV
  • NLP
Знакомство с курсом
Узнаете, как организован курс: из чего состоит программа, как устроена платформа, какие активности вас ждут
Введение в нейросети и их роль в решении сложных задач
Поймёте, в каких областях применяются нейросети и какие задачи они решают в реальной жизни
Работа с текстами
Освоите механизмы архитектуры Transformer, сделаете предобработку и построите решение для анализа сентимента
Работа с изображениями
Разберётесь с базовой задачей классификации изображений и построите пайплайн обучения
Нейросети на практике
Научитесь использовать нейросети в повседневной практике и для решения профессиональных задач
Научитесь применять предобученные модели для анализа текста и изображений. Узнаете, как интерпретировать результаты
2
1 практическая работа・2 недели
Фундаментальные основы Deep Learning
  • PyTorch
  • MLP
  • ClearML
Введение в нейросети
Узнаете, зачем нужны нейросети, какие ключевые отличия глубокого обучения от классического машинного обучения. Рассмотрите основные компоненты нейросети: нейрон, полносвязные слои (Fully Connected Layers), понятие весов и смещений (weights & biases), перцептрон.
Построение полносвязной нейросети (MLP)
Поймёте, как соединяются слои и происходит forward pass, распространение входных данных, и вычисление выходного сигнала.
Функции ошибок и градиентный спуск
Разберёте, что такое функция потерь и зачем она нужна, какие бывают популярные функции ошибок: MSE, MAE для регрессии, Cross-Entropy Loss для классификации, варианты градиентного спуска (Batch Gradient Descent, Stochastic Gradient Descent (SGD), Mini-Batch SGD).
Обратное распространение ошибки (Backpropagation)
Примените цепное правило для вычисления градиентов. Разберёте процесс Backpropagation для простых сетей и его связь с функцией ошибок. Выведете формулы обновления весов признаков, визуализируете процесс оптимизации в пространстве параметров.
Оптимизаторы: как ускорить и улучшить обучение
Сравните различные оптимизаторы (Adam, RMSprop, Adagrad, AdamW) и проведёте их настройку для быстрой сходимости.
Функции активации
Узнаете, зачем нужны функции активации и какие из них популярные: Sigmoid, Tanh, ReLU и его вариации (Leaky ReLU, Parametric ReLU), Swish и GELU.
Обучение нейросети: основные проблемы и их решения
Продиагностируете переобучение и недообучение по графикам процесса обучения нейросети. Освоите и примените методы регуляризации и другие стратегии борьбы с Overfitting и Underfitting, в том числе настройку параметров, Dropout, BatchNorm, планировщик шага обучения.
Введение в PyTorch и построение нейросети
Рассмотрите принципы создания нейросетей в PyTorch и его основные сущности: Tensor, Dataset, DataLoader.
Реализуете с нуля полносвязную нейросеть (MLP) на PyTorch и обучите её для решения задачи
3
1 практическая работа・2 недели
От рекуррентных нейронных сетей (RNN) к трансформерам
  • PyTorch
  • RNN & LSTM
  • Attention
  • Transformers
Работа с последовательными данными
Узнаете, чем последовательности отличаются от обычных данных, а также изучите спектрограммы и аудио.
Простые RNN: теория и проблемы
Поймёте, как работает RNN и как происходит Backpropagation в них. Реализуете стандартную RNN на PyTorch и обучите её решать задачи классификации для датасета Yelp Reviews.
Способы борьбы с проблемами обучения RNN
Разберёте методы борьбы с затуханием и взрывом градиентов, а также способы стабилизации обучения: Gradient Clipping, инициализацию весов, нормализацию, регуляризацию.
GRU и LSTM: решение проблем RNN
Освоите гейтовый подход на примере проблемы долгосрочного запоминания в RNN. Увидите преимущества GRU и LSTM над стандартной RNN.
Bidirectional RNN: когда важен контекст с обеих сторон
Реализуете двунаправленную LSTM/GRU/RNN для предсказания пропущенного слова в тексте.
Attention и трансформеры: конец эпохи RNN
Узнаете, почему Attention стал прорывом, разберёте архитектуру трансформеров и поймёте, какие задачи они могут решать.
Реализуете задачу автодополнения текста для работы на мобильном устройстве
4
1 практическая работа・2 недели
Свёрточные нейронные сети (CNN): от основ до продвинутых методов
  • PyTorch
  • CNN
Полносвязные сети для изображений и их ограничения
Узнаете, почему полносвязные сети малоэффективны для работы с изображениями. Поймёте, когда достаточно их использовать и когда нужны свёрточные нейросети.
Основы свёрточных сетей
Разберёте, что такое свёртка, рассмотрите принцип работы свёрточных фильтров, гиперпараметры свёртки: размер фильтра, пэддинг, страйд.
Пулинг и его виды
Узнаете, как различные типы пулинга (Max-, Min-, Average, Global Average) уменьшают размерность данных и ускоряют обучение. Поймёте, как рассчитывать результат пулинга в зависимости от его гиперпараметров: размера окна, пэддинга, страйда.
Популярные архитектуры CNN
Рассмотрите популярные архитектуры CNN: LeNet — первая свёрточная сеть; AlexNet — революция в компьютерном зрении; VGG — простота и глубина; ResNet — почему остаточные связи изменили всё; EfficientNet — масштабирование сетей.
Методы улучшения качества CNN
Изучите аугментацию данных и механику работы Dropout, Batch Normalization. Поймёте, как Skip Connections улучшают качество распознавания в DenseNet.
Transfer Learning: как дообучить предобученную модель?
Feature Extraction vs Fine-Tuning. Разберёте работу с предобученными моделями.
Построите модель для распознавания лекарств и поможете фармпроизводству с автоматизацией
5
1 проект・2 недели
Предобработка данных для моделей глубокого обучения (NLP, CV и Audio Analysis)
  • PyTorch
  • NLP
  • CV
Предобработка текстов для NLP
Детально разберёте токенизацию. Лемматизируете текст и извлечёте стемму. Получите эмбеддинги слов через Word2vec. Поймёте различия и преимущества FastText по сравнению с W2V. Напишете код для классификации текста на основе эмбеддингов.
Предобработка изображений для CV
Изучите библиотеку timm и освоите получение предообученных эмбеддингов для изображений. Примените аугментации с помощью библиотеки albumentations. Поймёте правила использования аугментаций и их подбор под конкретную задачу. Напишете код для поиска и удаления нерелевантных фотографий по их численному представлению.
Предобработка аудиоданных
Разберёте представление аудиоданных в современных компьютерах и ограничения работы с ними в исходном виде. Узнаете про форматы конвертации и параметры для их настройки. Научитесь использовать библиотеку librosa для конвертации треков в мел‑спектрограмму.
Мультимодальная нейросеть
Узнаете, что такое мультимодальные данные и где они встречаются. Поймёте, что такое текстовые аугментации. Соберёте мультимодальный датасет для обучения модели с помощью Dataset и DataLoader. Разберёте методы слияния признаков (объединения эмбеддингов для изображения и текста). Реализуете архитектуру мультимодальной нейросети.
Решите бизнес‑задачу: научите модель определять калорийность блюда по фото и описанию
+4 модуля・+4 проекта・+2 месяца
Специализация «Компьютерное зрение»
Сможете создавать решения для интерпретации визуальной информации на базе нейросетей: будете обучать модели распознавать и сегментировать объекты, генерировать изображения, а ещё научитесь работать с мультимодальными моделями
Ещё 4 модуля
Детекция и сегментация объектов на изображениях, генерация модифицированных изображений, визуальные трансформеры и мультимодальные модели
Ещё 4 проекта
Высокоточный и быстрый детектор, модель сегментации и генерации, обработка мультимодальных данных
Реализуете извлечение ключевых объектов на фотографиях
+4 модуля・+4 проекта・+2 месяца
Специализация «Обработка естественного языка»
Освоите механизмы продвинутых моделей, плотно поработаете с LLM и сможете адаптировать их под задачи бизнеса
Ещё 4 модуля
Современные модели — обучение и ключевые механизмы. Большие языковые модели — LLM. Путь генеративного NLP: от Seq2Seq к RAG. Современный NLP: поиск, агенты и мультимодальность.
Ещё 4 проекта
NER‑решение, дообучение LLM на разных этапах (pretrain, SFT, alignment), разработка RAG‑системы и обучение мультимодальных эмбеддингов.
Разработаете RAG‑модель для внутренней документации компании
Как устроен курс
Наглядная теория на интерактивной платформе
Материалы подготовлены на основе реальных задач, с которыми работают инженеры по обучению нейросетей. Можно заниматься в своём темпе и совмещать с работой.
Очень много практики
За курс сделаете от 4 до 8 проектов — закрепите новые навыки и пополните портфолио. Работы важно сдавать в срок, чтобы получить подробную обратную связь от опытных инженеров.
Воркшопы с экспертами по расписанию
На них опытные наставники разберут кейсы из различных индустрий и продемонстрируют, как технологии и навыки из курса можно применять для ваших проектов.
Практикум AI помогает проходить курс
Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого модуля подготовит краткий пересказ о самом главном.
2 формата на выбор
  • С дедлайнами. Модули открываются по расписанию — их важно осваивать за определённое время. Проекты тоже нужно сдавать в срок.
  • В своём темпе. Темы и задания открываются последовательно. Можно завершить курс быстрее или продлить прохождение на месяц.

    Подробнее о форматах
Этот курс может оплатить
ваш работодатель
Полностью или разделив оплату с вами,
например 50/50 или 75/25
  • Расскажем всё про курс
  • Сообщим стоимость
  • Ответим на ваши вопросы
  • Подготовим договор и счёт

Если у вас есть вопросы, оставьте заявку — мы позвоним

Менеджер расскажет о курсе и предложит персональную скидку

Политика конфиденциальности
 
  •                                        
Отвечаем на вопросы
Каким требованиям нужно соответствовать?
Курс рассчитан на специалистов, у которых уже есть опыт работы с нейросетями.

Для успешного прохождения курса нужны:
  • Навыки программирования на Python, включая знание ООП.
  • Опыт в анализе данных, их визуализации и манипулировании ими.
  • Знания в классическом машинном обучении на табулированных данных.
  • Базовые знания по математике: о функциях, их формульном представлении и дифференцировании.
  • Базовые знания в линейной алгебре: о матрицах, их свойствах и типовых операциях с ними, такими как сложение, умножение, транспонирование.
  • Знание командной строки будет преимуществом, но не обязательно.
Кто будет помогать мне проходить курс?
Все наставники — специалисты в области машинного обучения из крупных компаний с большим опытом работы с инструментами MLOps.
Что делать, если я не справлюсь с нагрузкой?
В программе курса со специализацией предусмотрен перерыв, во время которого можно отдохнуть или повторить сложные темы.

Если вам нужно больше времени на выполнение проекта, напишите куратору. Он подскажет, как согласовать новый дедлайн.
Можно ли пройти курс в своём темпе?
Да. Этот курс можно пройти в одном из двух форматов:

• С дедлайнами. Модули открываются по расписанию, и задания нужно выполнять точно в срок.
• В своём темпе. Темы и задания открываются последовательно. Можно регулировать нагрузку и проходить курс быстрее или медленнее. Подробнее о формате.

Проходите курс в своём темпе, если вам сложно подстраиваться под расписание. Но помните, что такой формат требует самоконтроля и высокой мотивации. С дедлайнами будет проще дойти до конца.
Если не понравится, я могу вернуть деньги?
Конечно. Если курс ещё не начался, вернём всю сумму. Если уже начался, придётся оплатить прошедшие дни со старта вашей когорты — но мы вернём деньги за остаток курса. Более подробно рассказываем об этом в 7 пункте оферты.
Получу ли я какой-то документ после курса?
Да, для этого нужно закончить курс и успешно выполнить итоговый проект. Тогда вы получите сертификат о завершении курса в электронном виде.
Вы поможете сменить или найти работу?
На этом курсе не предусмотрена помощь с трудоустройством, поскольку он для действующих специалистов, у которых уже есть навыки поиска работы.

Но если у вас появится вопрос о карьерном развитии, обратитесь в нашу службу поддержки — постараемся ответить.
Как можно оплатить?
Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Курс будет стоить меньше, если оплатить его сразу целиком.

Через компанию: юридические лица также могут оплатить курс в Практикуме. Чтобы заказать счёт для оплаты, оставьте заявку на странице для корпоративных клиентов.
На каком языке проходит курс?
Всё будет на русском: теория, практические задания и вебинары, а ещё чаты с куратором, наставником и другими участниками курса.
В какой валюте можно оплатить курс?
Оплатить курс можно в любой валюте, кроме российских рублей.

Чтобы вам было проще сориентироваться, мы указываем примерную стоимость в долларах США, но списание будет в казахстанских тенге, а конвертация — по курсу вашего банка.

Давайте поможем

Напишите, как вас зовут и по какому номеру можно связываться, — в течение 30 минут позвоним и расскажем всё про курсы

А если не любите голосом — напишите:
Политика конфиденциальности