> Узнайте, как обучают глубокие нейросети
Deep Learning Engineer
> Освойте базовые и продвинутые инструменты глубинного обучения
Профессия
> После курса начните карьеру в перспективной сфере Deep Learning
Подойдет
для начинающих
для начинающих
длительность
4 МЕСЯЦа/5 месяцев
4 МЕСЯЦа/5 месяцев
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
ОНЛАЙН
НАЧАЛО ОБУЧЕНИЯ
сразу после покупки
сразу после покупки
карьерная помощь
Авторы
эксперты индустрии
эксперты индустрии
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
Чем занимается Deep Learning Engineer >>
Deep Learning, или глубинное обучение, предполагает создание и обучение нейронных сетей, которые работают подобно человеческому мозгу.
Они обучаются на огромных объемах данных и умеют сами выбирать нужные признаки данных, а потому способны действительно на многое, когда речь идет о распознавании объектов и человеческого языка, а также о синтезе визуального и аудиоконтента.
–> И это — далеко не все задачи, которые решают глубокие нейронные сети
На курсе «Deep Learning Engineer» вы научитесь их создавать и обучать.
Распознавание речи
Глубинные модели способны преобразовывать речь в письменный текст — чтобы пользователю не нужно было, например, слушать голосовые сообщения.
Распознавание объектов
Глубинное обучение позволяет нейросетям легко распознавать лица, номерные знаки и другие объекты — в точности так же, как это показано в детективных фильмах.
Рекомендательные системы
Нейросети всегда готовы подсказать, какой фильм посмотреть или что лучше купить.
Анализ текстов
С помощью глубоких нейросетей можно переводить с одного языка на другой и получать ответы на любые вопросы — так, как это реализовано с Siri.
Распознавание объектов
Глубинное обучение позволяет нейросетям легко распознавать лица, номерные знаки и другие объекты — в точности так же, как это показано в детективных фильмах.
Распознавание речи
Глубинные модели способны преобразовывать речь в письменный текст — чтобы пользователю не нужно было, например, слушать голосовые сообщения.
Анализ текстов
С помощью глубоких нейросетей можно переводить с одного языка на другой и получать ответы на любые вопросы — так, как это реализовано с Siri.
Рекомендательные системы
Нейросети всегда готовы подсказать, какой фильм посмотреть или что лучше купить.
На курсе «Deep Learning Engineer» вы научитесь их создавать и обучать
И это — далеко не все задачи, которые решают глубокие нейронные сети
Почему обучение Deep Learning сейчас актуально:
Хорошая зарплата
Начальная зарплата Deep Learning Engineer в России варьируется от 100 000 до 150 000 рублей в месяц. А в крупных IT-компаниях или исследовательских центрах зарплата Deep Learning Engineer может быть значительно выше и достигать 400 000 рублей в месяц и более
Интерес крупных компаний
Применение в различных отраслях
Искусственный интеллект и нейросети уже используются в медицине, финансовой сфере, ритейле, автомобильной промышленности и многих других областях.
Специалистов в области глубинного обучения нанимают Сбер, Яндекс,
Т-Банк, Райффайзен Банк, Сколково, Avito, VK, Kaspersky, JetBrains, Speech Technology Center, GigaChat, Ростелеком и многие другие
Т-Банк, Райффайзен Банк, Сколково, Avito, VK, Kaspersky, JetBrains, Speech Technology Center, GigaChat, Ростелеком и многие другие
пока в этой сфере еще не так много специалистов и ниже конкуренция
Вы можете сделать шаг к новой карьере сейчас,
Кому подойдет курс //
Уже кое-что знаете о Python и ML и готовы начать карьеру в сфере обучения нейросетей
Имеете базу знаний в области математики и IT, работаете на должности ML-инженера или аналитика данных, но хотите чего-то большего — и в плане задач, и в плане зарплаты
ML-инженер
Новичок
Хотите остаться в профессии аналитика данных или Data-инженера, но заинтересованы в более высокооплачиваемых и интересных задачах
Другие Data Science специалисты
Оставьте заявку — мы поможем подобрать программу под ваши цели и уровень
НЕ УВЕРЕНЫ, ЧТО КУРС ВАМ ПОДХОДИТ?
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
Как устроен курс?
Программа обучающего курса составлена таким образом, что вы можете освоить Deep learning практически с нуля
Первые 8 недель
Следующие 8 недель
> Базовая теория, которая подготовит вас к более глубокому изучению DL.
> За это время вы погрузитесь в сферу глубинного обучения и поймете основные закономерности.
> За это время вы погрузитесь в сферу глубинного обучения и поймете основные закономерности.
> Продолжение обучения в одном из трех направлений после выбора соответствующего трека:
Использование глубинных моделей для перевода, анализа текста и решения других задач обработки естественного языка
Использование глубинных моделей для анализа визуального контента, изображения и видео
Использование глубинных моделей для создания голосовых помощников и решения других задач, связанных с распознаванием живой речи
чему научитесь?
Выделение закономерностей
Построение нейросетей
Оптимизация нейросетей
Основы NLP/CV/Audio Analysis
Начнете погружаться в тему DL, поймете, как обучаются нейросети, научитесь создавать тензоры
Научитесь собирать нейросеть из слоев и проводить с ней различные операции
Изучите основные методы оптимизации, научитесь измерять качество в нужных точках
Базово освоите принципы обработки текста, живой речи, фото- и видеоконтента с помощью нейросетей, чтобы подготовиться к дальнейшему более глубокому изучению
1
2
3
4
Обработка текста
Решение задач NLP
Архитектура модели «Трансформер»
Дообучение нейросетей
Научитесь извлекать из текста полезные признаки с помощью глубоких нейросетей
Освоите классификацию, регрессию, разметку именованных сущностей, генерацию текста, seq2seq
Поймете, как все устроено, и в чем разница между наиболее популярными трансформерными моделями
Узнаете, как дообучать произвольные нейронные сети на небольших наборах данных, и как уменьшать их размер без потери качества
1
2
3
4
Классические методы CV
Нейросетевые подходы в CV
Практические навыки обучения нейронных сетей
Кругозор и real-world задачи
Познакомитесь с классическими подходами в обработке изображений, разберетесь с представлением изображения в компьютере
Узнаете, как устроены современные архитектуры нейронных сетей (CNN, ViT) и за счет чего они становятся точнее и эффективнее
Изучите трюки для максимальной точности работы сети, освоите инструменты логирования (W&B) и начнете проводить эксперименты системно.
Узнаете, как решать базовые задачи, а также выстраивать решения для сложных многосоставных задач типа (трекинг множества объектов на видео, распознавание лиц, генерация изображений). Поймете, чем вам хотелось бы заниматься дальше.
1
2
3
4
Использование фундаментальных моделей и VLM
Приобретете навыки работы с фундаментальными моделями типа CLIP, SAM, Grounding DINO и сможете использовать их для разметки и решения собственных задач
5
Audio Analysis
В разработке
Готовы начать обучение?
Оставьте заявку — мы расскажем, что нужно, и поможем подобрать подходящий курс
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
программа курса //
База DL
автор:
Алексей Кожарин
Продолжительность:
8 недель
Практические задания:
После каждого блока
- Погрузитесь в тему Deep Learning
- Изучите методы обучения глубоких нейросетей
- Получите хорошую базу в области глубокого обучения (DL) для дальнейшего освоения темы на курсе
- Поймете принципы сборки нейросети
- Научитесь работать с функциями потерь в PyTorch*
- Узнаете, как обучать нейросеть по пайплайну DL
- Освоите разные методы оптимизации
- Узнаете, что такое эксперименты DL
- Научитесь решать задачи классификации табличных данных
- Начнете знакомиться с задачами CV
- Узнаете, как работать с изображениями, используя нейросети
- Изучите концепт GAN
- Познакомитесь с задачами NLP
- Поймете, как работать с текстом
- Начнете изучение рекуррентных нейросетей
- Узнаете, что такое LLM сети, и как с ними работать
- Научитесь работать с нейросетью в облаке
- Поймете процесс деплоя в DL
Трек NLP
автор:
Александр Шабалин
Продолжительность:
8 недель
Финальный проект:
Создание чат-бота с дообученной генеративной моделью
- Узнаете, чем отличаются задачи обработки текстов от других задач DL
- Изучите структуру решения задач обработки текстов
- Поймете принципы кодирования слов
- Узнаете простейшие методы решения задач классификации и их недостатки
- Научитесь решать простейшие задачи классификации
- Поймете отличия задач генерации текста от классификации
- Изучите устройство n-gram модели и ее недостатки
- Узнаете, как устроены рекуррентные сверточные сети
- Узнаете все о недостатках RNN и о том, как нивелировать их с помощью LSTM
- Освоите различные методы сэмплирования для разных ситуаций
- Изучите различные способы уменьшения размеров модели и поймете, как применять их на практике
- Узнаете, чем BERT и GPT отличаются от Трансформера
- Научитесь решать задачи превода текста
- Поймете, чем дообучение лучше обучения с нуля
- Узнаете, чем отличаются способы дообучения
- Научитесь применять предобученные модели для решения downstream задач
- Познакомитесь со свойствами больших предобученных моделей
- Научитесь дообучивать модели в парадигме PEFT
- Поймете отличия языкового моделирования от seq2seq задач
- Изучите ценность механизма внимания
- Вникнете в суть архитектуры трансформера
- Поймете причины ограничения длины контекста трансформерных моделей
- Изучите способы уменьшения сложности применения модели
- Узнаете, какие существуют способы увеличения длины контекста
- Научитесь увеличивать длину контекста предобученной модели
Трек computer vision
автор:
Анастасия Белозерова
Продолжительность:
12 недель
Финальный проект:
Построение системы распознавания автомобильных номеров
- Поймете, как работает камера, создается и хранится изображение в компьютере
- Изучите классические методы обработки изображений и объектов на них
- Разберетесь, что такое якоря и как на их основе строятся предсказания детекторов
- Узнаете, что у детекторов называется головой, а что шеей
- Кроме того, освоите безъякорные методы детектирования, в том числе трансформерный - DETR
- Узнаете, откуда взялось уже 19 версий YOLO детекторов и почему все используют именно их
- Поймете, как формулируются и оцениваются задачи классификации
- Разберетесь, как устроены архитектуры сверточных нейронных сетей (ResNet, MobileNet, EfficientNet) и чем они отличаются
- Узнаете, что такое нейронный поиск архитектур и как с его помощью были подобраны лучшие современные сети
- Узнаете, из чего состоит пайплайн распознавания лиц
- Поймете, как могут формулироваться задачи FaceRec
- Разберетесь, в чем отличие обучения сетей для извлечения дескрипторов от обучения сетей классификации
- Узнаете, что такое Re-Identification
- Познакомитесь со всеми важными гиперпараметрами обучения и их влиянием на финальную точность сети
- Освоите методы регуляризации обучения и продвинутые техники аргументации данных
- Познакомитесь с различными типами трекинга и метриками, с помощью которых оценивают качество MOT - Multiple Object Tracking
- Разберетесь, как устроен SORT и при чем тут фильтр Калмана
- Рассмотрите более продвинутые МОТ-трекеры: Deep SORT, FairMOT, ByteTrack, BoT-SORT
- Изучите архитектуру Transformer и её приложение в CV - Vision Transformer (ViT)
- Освоите zero-shot классификацию с CLIP моделями
- Узнаете, зачем нам нужен Self-Supervised Learning
- Познакомитесь с важнейшими методами SSL: BYOL, MAE, DINO
- Разберетесь, какие есть Grounded модели и как по текстовому запросу решать задачи детекции и сегментации
- Углубите свои знания по семантической сегментации и кроме UNet начнете применять и другие архитектуры
- Узнаете, как устроена модель Segment Anything (SAM) и как работать с промпт-сегментаций
- Поймете, какие составные части есть в задаче OCR
- Изучите известные модели для детекции и распознавания текста (CRAFT, CRNN)
- Познакомитесь с фреймворками для OCR
- Поймете, чем задача детекции отличается от остальных и как устроены метрики для оценки качества детекторов
- Познакомитесь с two-stage подходами R-CNN семейства, в том числе с Mask R-CNN, которая решает задачу instance сегментации
- Изучите генеративно-состязательные сети, их принципы работы и лучшие современные модели
- Познакомитесь с диффузионным подходом в генерации и его возможностями
Трек Audio Analysis: в разработке
Инфраструктуру для студентов во время обучения обеспечивает крупнейший независимый провайдер сервисов IT-инфраструктуры в России.
Ваше резюме после курса >
МАРИЯ ОСТРИКОВА
NLP-инженер
Обработка естественного языка (NLP) и машинное обучение (ML):
Понимаю основные концепции NLP и ML, включая техники обработки текста, классификации, извлечения информации, генерации текста и многое другое
Языки программирования:
Хорошо владею Python и библиотеками для NLP — PyTorch*, NumPy, Pandas, Matplotlib, sklearn + XGBoost / LightGBM / CatBoost, Transformers и т. п.
после трека NLP
Python
Pytorch*
Transformer
Pymorphy
инструменты:
Sklearn
Fasttext
Nltk
Gensim
Huggingface
от 100 000 ₽
Желаемая зарплата
Одна из библиотек Python, которую можно использовать в любом приложении для обработки естественного языка.
Библиотека с открытым исходным кодом на Python, предназначенная для тематического моделирования.
Одна из библиотек Python, предназначенная для морфологического анализа.
Высокоуровневый язык программирования — эффективный, простой, универсальный и потому широко используемый в разных сферах.
Коллекция готовых предварительно обученных Deep Learning моделей.
Модель машинного обучения, которая использует механизм внимания для повышения скорости обучения.
Нейросетевая модель, содержащая предобученные готовые векторные представления слов.
Один из наиболее распространенных инструментов Python, используемый для решения задач Data Science и Machine Learning.
Один из фреймворков языка программирования Python, предназначенный для машинного обучения.
Желаемая зарплата
от 100 000 ₽
W&B
ONNX
SAM
Torchivision
Ultralytics
инструменты:
CLIP
InsightFace
OpenCV
PyTorch
Знаю, как решать задачи классификации, сегментации, детекции и применять методы CV с учетом особенностей разных задач
Анализ и обработка изображений с помощью методов Computer Vision (CV):
Библиотека для обработки изображений, видео и выполнения задач компьютерного зрения.
Инструмент для настройки и развертывания YOLO-моделей детекции объектов.
Дополнение к PyTorch с наборами данных, моделями и утилитами для работы с изображениями.
Библиотека для распознавания лиц и анализа изображений.
Платформа для отслеживания экспериментов и визуализации метрик в машинном обучении.
Один из фреймворков языка программирования Python, предназначенный для машинного обучения.
Модель, связывающая текст и изображения для мультимодальных задач.
Открытый формат для переноса моделей между фреймворками.
Универсальная модель для сегментации любых объектов на изображениях.
после трека CV
Имею представление обо всех основных задачах в CV, понимаю, как устроены и работают архитектуры нейронных сетей и как получать с их помощью наилучшее решение качество решения задачи
Кругозор и экспертность:
CV-инженер
даниил кузнецов
NLP-инженер
Мария Острикова
Инструменты:
Python, Pytorch*, Fasttext, Sklearn, Huggingface, Transformer, Pymorphy, Nltk, Gensim
Обработка естественного языка (NLP) и машинное обучение (ML):
Понимаю основные концепции NLP и ML, включая техники обработки текста, классификации, извлечения информации, генерации текста и многое другое
Языки программирования:
Хорошо владею Python и библиотеками для NLP — PyTorch*, NumPy, Pandas, Matplotlib, sklearn + XGBoost / LightGBM / CatBoost, Transformers и т. п.
Статистика и математика:
Понимаю основы статистики и вероятности, линейной алгебры и матричных операций, которые часто используются в ML
Обработка текста и предобработка данных:
Умею очищать, токенизировать, лемматизировать и векторизовывать текстовые данные для подготовки их к анализу и моделированию
Глубокое понимание архитектур моделей:
Хорошо знаю, как устроены рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN), трансформеры и т. п.
Оптимизация моделей и тюнинг:
Умею оптимизировать параметры моделей, выбирать подходящие функции потерь и оптимизаторы для обучения моделей NLP
Оценка моделей и интерпретация результатов:
Умею оценивать производительность моделей NLP с использованием метрик (точность, полнота, F1-мера), а также анализировать и интерпретировать результаты
Работа с данными и базами данных:
Знаю, как работать с большими объемами данных, а также с базами данных для извлечения, хранения и обработки текстовой информации
Обновление знаний и обучение:
Держу руку на пульсе, всегда в курсе последних тенденций, алгоритмов и технологий в сфере NLP
Python, Pytorch*, Fasttext, Sklearn, Huggingface, Transformer, Pymorphy, Nltk, Gensim
Обработка естественного языка (NLP) и машинное обучение (ML):
Понимаю основные концепции NLP и ML, включая техники обработки текста, классификации, извлечения информации, генерации текста и многое другое
Языки программирования:
Хорошо владею Python и библиотеками для NLP — PyTorch*, NumPy, Pandas, Matplotlib, sklearn + XGBoost / LightGBM / CatBoost, Transformers и т. п.
Статистика и математика:
Понимаю основы статистики и вероятности, линейной алгебры и матричных операций, которые часто используются в ML
Обработка текста и предобработка данных:
Умею очищать, токенизировать, лемматизировать и векторизовывать текстовые данные для подготовки их к анализу и моделированию
Глубокое понимание архитектур моделей:
Хорошо знаю, как устроены рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN), трансформеры и т. п.
Оптимизация моделей и тюнинг:
Умею оптимизировать параметры моделей, выбирать подходящие функции потерь и оптимизаторы для обучения моделей NLP
Оценка моделей и интерпретация результатов:
Умею оценивать производительность моделей NLP с использованием метрик (точность, полнота, F1-мера), а также анализировать и интерпретировать результаты
Работа с данными и базами данных:
Знаю, как работать с большими объемами данных, а также с базами данных для извлечения, хранения и обработки текстовой информации
Обновление знаний и обучение:
Держу руку на пульсе, всегда в курсе последних тенденций, алгоритмов и технологий в сфере NLP
CV-инженер
Мария Острикова
Инструменты:
PyTorch, OpenCV, Torchivision, Ultralytics, W&B, InsightFace, CLIP, SAM, ONNX
Анализ и обработка изображений с помощью методов Computer Vision (CV):
Знаю, как решать задачи классификации, сегментации, детекции и применять методы CV с учетом особенностей разных задач
Кругозор и экспертность:
Имею представление обо всех основных задачах в CV, понимаю, как устроены и работают архитектуры нейронных сетей и как получать с их помощью наилучшее решение качество решения задачи
Решение real-world проблем:
Знаю, как выстроить решение для задач трекинга объектов, распознавания лиц и документов, а также понимаю, как декомпозировать сложные задачи на более мелкие
Аналитические и исследовательские навыки:
Умею адаптировать и внедрять методы, предложенные в публикациях по DL, а также системно проводить и анализировать эксперименты по обучению моделей. Владею инструментами для логирования и управления экспериментами (W&B)
Уверенное владение фреймворками и готовыми решениями:
Владею навыками работы с классическими методами CV, с нейросетевыми подходами, реализованными на PyTorch, а также умею работать с фундаментальными моделями типа CLIP, SAM, Grounding DINO
PyTorch, OpenCV, Torchivision, Ultralytics, W&B, InsightFace, CLIP, SAM, ONNX
Анализ и обработка изображений с помощью методов Computer Vision (CV):
Знаю, как решать задачи классификации, сегментации, детекции и применять методы CV с учетом особенностей разных задач
Кругозор и экспертность:
Имею представление обо всех основных задачах в CV, понимаю, как устроены и работают архитектуры нейронных сетей и как получать с их помощью наилучшее решение качество решения задачи
Решение real-world проблем:
Знаю, как выстроить решение для задач трекинга объектов, распознавания лиц и документов, а также понимаю, как декомпозировать сложные задачи на более мелкие
Аналитические и исследовательские навыки:
Умею адаптировать и внедрять методы, предложенные в публикациях по DL, а также системно проводить и анализировать эксперименты по обучению моделей. Владею инструментами для логирования и управления экспериментами (W&B)
Уверенное владение фреймворками и готовыми решениями:
Владею навыками работы с классическими методами CV, с нейросетевыми подходами, реализованными на PyTorch, а также умею работать с фундаментальными моделями типа CLIP, SAM, Grounding DINO
кто будет помогать в обучении //
Всегда готовы поддержать, приободрить и помочь в решении организационных вопросов
Кураторы
Виртуальный помощник на базе ChatGPT ответит на любые вопросы из области анализа данных и программирования
Чат-бот Ева
Проверяют код, справедливо оценивают проекты и дают развёрнутую обратную связь
Ревьюеры
Помогают справиться с задачами, делятся опытом и подталкивают к правильному решению
Эксперты
karpov.courses помогает подготовиться к поиску работы
Первое место работы после обучения — первый шаг к блестящей карьере, и важно сделать этот шаг правильно.
3 месяца
средний срок успешного трудоустройства при соблюдении рекомендаций карьерных консультантов
74,5 % студентов
нашли работу благодаря карьерному сопровождению
На карьерном курсе расскажем все о поиске работы.
➝
Дадим индивидуальные подробные рекомендации для улучшения резюме, сопроводительного письма, портфолио на GitHub и видео-визитки — опытом поделятся действующие HR-специалисты IT-компаний.
➝
Будем поддерживать и отвечать на вопросы о рынке труда 5/2 в Карьерном чате в Telegram.
➝
Будем делиться в чате актуальными каналами для поиска работы и вакансиями от компаний-партнеров.
➝
Пригласим на все мероприятия и разборы резюме в Карьерном чате.
➝
Доступ к Карьерному чату и Карьерному курсу остается у вас навсегда — вы в любой момент сможете обратиться за поддержкой.
→ как искать работу на текущем рынке
→ чем отличаются разные роли в сфере Data Science
→ на что делать акценты в резюме и сопроводительном письме
→ какие вопросы могут задать техническом собеседовании
→ как подготовиться к HR-скринингу
→ чем отличаются разные роли в сфере Data Science
→ на что делать акценты в резюме и сопроводительном письме
→ какие вопросы могут задать техническом собеседовании
→ как подготовиться к HR-скринингу
→ как искать работу на текущем рынке
→ чем отличаются разные роли в сфере Data Science
→ на что делать акценты в резюме и сопроводительном письме
→ какие вопросы могут задать техническом собеседовании
→ как подготовиться к HR-скринингу
→ чем отличаются разные роли в сфере Data Science
→ на что делать акценты в резюме и сопроводительном письме
→ какие вопросы могут задать техническом собеседовании
→ как подготовиться к HR-скринингу
авторы курса //
Head of Data Science Raiffeisen CIB, хедлайнер курса
- руководит data-трансформацией в Райффайзен CIB
- хедлайнер курсов StartML, Hard аналитика и Deep Learning Engineer
- специализируется на машинном обучении и продвинутой аналитике данных
- студент аспирантской школы по экономике НИУ ВШЭ
Нерсес Багиян
Head of Data Science Raiffeisen CIB, хедлайнер курса
Senior Machine Learning Engineer, TechLead в Raiffeisen CIB, хедлайнер курса
- хедлайнер курса Deep Learning Engineer и преподаватель курса Start ML
- специализируется на глубинном обучении: обработке естественного языка и работе с изображениями
- преподаватель машинного и глубинного обучения на ПМИ ФКН НИУ ВШЭ
Алексей Биршерт
Senior Machine Learning Engineer, TechLead в Raiffeisen CIB, хедлайнер курса
Исследователь в Bayes Group
- лектор курса по NLP на ПМИ ФКН НИУ ВШЭ
- занимается исследованием применения диффузионных моделей для текста в Bayes Group
- студент аспирантской школы по компьютерным наукам, специализация «Искусственный интеллект и машинное обучение»
Александр Шабалин
Исследователь в Bayes Group
Backend-разработчик в Яндекс. Диске
- старший ML-инженер в Predicto
- преподаватель курса Start ML
- работал в R&D отделе Беспилотных Автомобилей Яндекса
- выпускник ШАД 2024
Алексей Кожарин
Backend-разработчик в Яндекс. Диске
Head of Research Projects в VisionLabs
- выпускница ФУПМ МФТИ & Skoltech
- 6 лет опыта в Computer Vision
- работала в Samsung R&D, Huawei Research
- вела семинары по DL в Ozon Masters
- читала курс по CV на ФКН ВШЭ (МОВС)
- академ. лид курса по CV в Центральном Университете
анастасия белозерова
Head of Research Projects в VisionLabs
Head of Data Science Raiffeisen CIB, хедлайнер курса
- руководит data-трансформацией в Райффайзен CIB
- хедлайнер курсов StartML, Hard аналитика и Deep Learning Engineer
- специализируется на машинном обучении и продвинутой аналитике данных
- студент аспирантской школы по экономике НИУ ВШЭ
Нерсес Багиян
Head of Data Science Raiffeisen CIB, хедлайнер курса
Senior Machine Learning Engineer, TechLead в Raiffeisen CIB, хедлайнер курса
- хедлайнер курса Deep Learning Engineer и преподаватель курса Start ML
- специализируется на глубинном обучении: обработке естественного языка и работе с изображениями
- преподаватель машинного и глубинного обучения на ПМИ ФКН НИУ ВШЭ
Алексей Биршерт
Senior Machine Learning Engineer, TechLead в Raiffeisen CIB, хедлайнер курса
Исследователь в Bayes Group
- лектор курса по NLP на ПМИ ФКН НИУ ВШЭ
- занимается исследованием применения диффузионных моделей для текста в Bayes Group
- студент аспирантской школы по компьютерным наукам, специализация «Искусственный интеллект и машинное обучение»
Александр Шабалин
Исследователь в Bayes Group
Backend-разработчик в Яндекс. Диске
- старший ML-инженер в Predicto
- преподаватель курса Start ML
- работал в R&D отделе Беспилотных Автомобилей Яндекса
- выпускник ШАД 2024
Алексей Кожарин
Backend-разработчик в Яндекс. Диске
Head of Research Projects в VisionLabs
- выпускница ФУПМ МФТИ & Skoltech
- 6 лет опыта в Computer Vision
- работала в Samsung R&D, Huawei Research
- вела семинары по DL в Ozon Masters
- читала курс по CV на ФКН ВШЭ (МОВС)
- академ. лид курса по CV в Центральном Университете
анастасия белозерова
Head of Research Projects в VisionLabs
Вернем деньги, если обучение не подойдет
Получите 13% от стоимости обучения, оформив налоговый вычет
Если в течение двух недель решите, что курс вам не подходит, мы вернем полную стоимость обучения. Если примете решение позже — вернем сумму за вычетом стоимости пройденных уроков.
Начните учиться сейчас, оформите налоговый вычет и верните до 13% стоимости обучения.
стоимость обучения >>
Беспроцентная рассрочка от наших партнёров
85 000 ₽ *
ПОЛНАЯ ОПЛАТА ИЛИ В РАССРОЧКУ НА 6 МЕСЯЦЕВ:
8 146 ₽ / мес. *
рассрочка от партнёра:
Срок рассрочки можно выбрать на этапе оплаты. Доступны опции от 4 до 12 мес.
* При рассрочке на 12 месяцев
База Deep Learning
+ comPuter vision-инженер
+ comPuter vision-инженер
Скидка при единовременной оплате
или в рассрочку на 6 месяцев от Т-Банка
или в рассрочку на 6 месяцев от Т-Банка
85 000 ₽ *
ПОЛНАЯ ОПЛАТА ИЛИ В РАССРОЧКУ НА 6 МЕСЯЦЕВ:
8 146 ₽ / мес. *
рассрочка от партнёра:
Срок рассрочки можно выбрать на этапе оплаты. Доступны опции от 4 до 12 мес.
* При рассрочке на 12 месяцев
База Deep Learning
+ NLP-инженер
+ NLP-инженер
Скидка при единовременной оплате
или в рассрочку на 6 месяцев от Т-Банка
или в рассрочку на 6 месяцев от Т-Банка
Deep Learning Engineer
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
УДОБНЫЙ ЕЖЕМЕСЯЧНЫЙ ПЛАТЕЖ С БЕСПРОЦЕНТНОЙ РАССРОЧКОЙ ИЛИ ОПЛАТА ЧАСТЯМИ ОТ НАШИХ ПАРТНЁРОВ
Учитесь за счет работодателя
Обучение на курсе поможет стать уверенным специалистом со всеми необходимыми навыками — а значит, еще более ценным кадром для компании.
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
FAQ >>
Освоить профессию Deep learning инженера с нуля может быть сложно, но если вы уже знакомы с машинным обучением, то эти знания станут хорошей отправной точкой для более глубокого погружения в тему.
Оптимальным будет иметь базу математики и линейной алгебры, а также знать основы Python и Машинного обучения. Идеальный вариант — если вы уже работаете на должности ML-инженера и хотите развиваться дальше.
Лекции можно смотреть с любого устройства, но для написания кода вам потребуется компьютер или ноутбук. Требований к конфигурации и мощности нет — мы предоставим всю необходимую инфраструктуру для работы на удаленном сервере. На старте обучения специальные программы устанавливать не обязательно — будут нужны только браузер и стандартные приложения для общения: Telegram, Discord и Zoom.
В среднем наши студенты занимаются от 15 часов в неделю. Этого времени хватает, чтобы успевать смотреть лекции и вовремя выполнять домашние задания. Однако нагрузка у всех модулей разная. Поэтому рекомендуем выделить больше времени на хороший старт — когда вы войдете в ритм учебного процесса, станет значительно проще.
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учебой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе — все лекции записаны заранее и разбиты на короткие видео (в среднем 15−30 минут), а для домашних заданий установлены мягкие двухнедельные дедлайны.
Каждую неделю будет проходить по три урока, доступ к которым будет открываться постепенно. Уроки состоят из видеолекций, конспектов и практических заданий, на выполнение которых отводится две недели. Если во время обучения возникнут сложности, вы сможете обратиться за помощью к команде поддержки.
* Pytorch финансируется компанией Meta. Компания Meta Platforms Inc. по решению Тверского районного суда города Москвы от 21.03.2022 признана экстремистской организацией, ее деятельность на территории России запрещена.