Karpov.courses Deep Learning Engineer (Инженер глубокого обучения)
Всё для обучения
Как устроено обучение
О курсе
Подробнее
Программа «Deep Learning Engineer (Инженер глубокого обучения)» нацелена на подготовку студентов к продвинутым курсам в области NLP, CV и обработки аудио, предоставив им твердую базу в области глубокого обучения (DL). За 4 месяца обеспечим понимание основных концепций и навыков, необходимых для работы с различными задачами глубокого обучения в мультидоменной среде.
Содержание
16 занятийПрограмма курса
№ТемаЧто внутри
01Погрузитесь в тему Deep Learning. Изучите методы обучения глубоких нейросетей. Получите хорошую базу в области глубокого обучения (DL) для дальнейшего освоения темы на курсе.
Подробности будут доступны на странице курса
02Поймете принципы сборки нейросети. Научитесь работать с функциями потерь в PyTorch. Узнаете, как выстроить процесс обучения нейронной сети в рамках конвейера глубинного обучения (пайплайна DL).
Подробности будут доступны на странице курса
03Освоите разные методы оптимизации. Узнаете, что такое эксперименты DL. Научитесь решать задачи классификации табличных данных.
Подробности будут доступны на странице курса
04Начнете знакомиться с задачами CV. Узнаете, как работать с изображениями, используя нейросети. Изучите концепт GAN.
Подробности будут доступны на странице курса
05Познакомитесь с задачами NLP (обработка текстов). Поймете, как работать с текстом. Начнете изучение рекуррентных нейросетей.
Подробности будут доступны на странице курса
06Узнаете, что такое LLM (большие языковые модели) сети, и как с ними работать. Научитесь работать с нейросетью в облаке. Поймете процесс деплоя (развертывания) в DL.
Подробности будут доступны на странице курса
07Узнаете, чем отличаются задачи обработки текстов от других задач DL. Изучите структуру решения задач обработки текстов. Поймете принципы кодирования слов.
Подробности будут доступны на странице курса
08Узнаете простейшие методы решения задач классификации и их недостатки. Научитесь решать простейшие задачи классификации.
Подробности будут доступны на странице курса
09Поймете отличия задач генерации текста от классификации. Изучите устройство n-gram модели и ее недостатки. Узнаете, как устроены рекуррентные сверточные сети.
Подробности будут доступны на странице курса
10Узнаете все о недостатках RNN и о том, как нивелировать их с помощью LSTM. Освоите различные методы сэмплирования для разных ситуаций.
Подробности будут доступны на странице курса
11Изучите различные способы уменьшения размеров модели и поймете, как применять их на практике.
Подробности будут доступны на странице курса
12Узнаете, чем BERT и GPT отличаются от Трансформера. Научитесь решать задачи превода текста.
Подробности будут доступны на странице курса
13Поймете, чем дообучение лучше обучения с нуля. Узнаете, чем отличаются способы дообучения. Научитесь применять предобученные модели для решения downstream задач (задач, для которых дообучается или используется предобученная модель).
Подробности будут доступны на странице курса
14Познакомитесь со свойствами больших предобученных моделей. Научитесь дообучивать модели в парадигме PEFT
Подробности будут доступны на странице курса
15Поймете отличия языкового моделирования от seq2seq задач. Изучите ценность механизма внимания. Вникнете в суть архитектуры трансформера.
Подробности будут доступны на странице курса
16Поймете причины ограничения длины контекста трансформерных моделей. Изучите способы уменьшения сложности применения модели. Узнаете, какие существуют способы увеличения длины контекста. Научитесь увеличивать длину контекста предобученной модел
Подробности будут доступны на странице курса
01Погрузитесь в тему Deep Learning. Изучите методы обучения глубоких нейросетей. Получите хорошую базу в области глубокого обучения (DL) для дальнейшего освоения темы на курсе.
02Поймете принципы сборки нейросети. Научитесь работать с функциями потерь в PyTorch. Узнаете, как выстроить процесс обучения нейронной сети в рамках конвейера глубинного обучения (пайплайна DL).
03Освоите разные методы оптимизации. Узнаете, что такое эксперименты DL. Научитесь решать задачи классификации табличных данных.
04Начнете знакомиться с задачами CV. Узнаете, как работать с изображениями, используя нейросети. Изучите концепт GAN.
05Познакомитесь с задачами NLP (обработка текстов). Поймете, как работать с текстом. Начнете изучение рекуррентных нейросетей.
06Узнаете, что такое LLM (большие языковые модели) сети, и как с ними работать. Научитесь работать с нейросетью в облаке. Поймете процесс деплоя (развертывания) в DL.
07Узнаете, чем отличаются задачи обработки текстов от других задач DL. Изучите структуру решения задач обработки текстов. Поймете принципы кодирования слов.
08Узнаете простейшие методы решения задач классификации и их недостатки. Научитесь решать простейшие задачи классификации.
09Поймете отличия задач генерации текста от классификации. Изучите устройство n-gram модели и ее недостатки. Узнаете, как устроены рекуррентные сверточные сети.
10Узнаете все о недостатках RNN и о том, как нивелировать их с помощью LSTM. Освоите различные методы сэмплирования для разных ситуаций.
11Изучите различные способы уменьшения размеров модели и поймете, как применять их на практике.
12Узнаете, чем BERT и GPT отличаются от Трансформера. Научитесь решать задачи превода текста.
13Поймете, чем дообучение лучше обучения с нуля. Узнаете, чем отличаются способы дообучения. Научитесь применять предобученные модели для решения downstream задач (задач, для которых дообучается или используется предобученная модель).
14Познакомитесь со свойствами больших предобученных моделей. Научитесь дообучивать модели в парадигме PEFT
15Поймете отличия языкового моделирования от seq2seq задач. Изучите ценность механизма внимания. Вникнете в суть архитектуры трансформера.
16Поймете причины ограничения длины контекста трансформерных моделей. Изучите способы уменьшения сложности применения модели. Узнаете, какие существуют способы увеличения длины контекста. Научитесь увеличивать длину контекста предобученной модел
Документ после выпуска
Сертификат
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Направления:Машинное обучение
Информация обновлена 14 октября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![[АРХИВ] Deep Learning (семестр 1, осень 2023)](https://cdn.stepik.net/media/cache/images/courses/181974/cover_bq8Ten0/442ca96b71e76542dff55bbbc4aca303.png)
![[АРХИВ] Deep Learning (семестр 1, весна 2025)](https://cdn.stepik.net/media/cache/images/courses/230362/cover_4tkfoRj/492fc6dc0234358ce905da4c4ca71bd6.jpg)
![[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток](https://cdn.stepik.net/media/cache/images/courses/135003/cover_2zXJL9O/db54e2933429a4cc0c45c3035311ac6f.jpg)
![[АРХИВ] Deep Learning (семестр 2, осень 2024)](https://cdn.stepik.net/media/cache/images/courses/196142/cover_dLZWnQI/f5772a02869d297a8c6632f8c7d74b55.jpg)
