СТАРТ ПОТОКА
23 МАЯ
Старт потока ML-Engineering
Длительность курса ML-Engineering
длительность
4 МЕСЯЦа
Подойдет
для начинающих
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
> 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

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, Тинькофф 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.
> 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?

База DL: основы глубинного обучения нейросетей
Выделение закономерностей
Построение нейросетей
Оптимизация нейросетей
Основы NLP/CV/Audio Analysis
1
2
3
4
Natural Language Processing (NLP)
Обработка текста
Архитектура модели «Трансформер»
Дообучение нейросетей
Решение задач NLP
2
3
4
1
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
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
Computer Vision (CV)
В разработке
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

Трек NLP

автор:
Александр Шабалин
Продолжительность:
8 недель
Финальный проект:
Создание чат-бота с дообученной генеративной моделью

Трек Computer Vision: в разработке

Трек Audio Analysis: в разработке

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.
Читать далее >>>
Python
Pytorch*
Transformer
Pymorphy
Владею инструментами:
Sklearn
Fasttext
Nltk
Gensim
Huggingface
от 100 000 ₽
Желаемая зарплата
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.
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.
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.
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.

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

как искать работу после обучения //

Пройдите карьерный курс для подготовки к поиску работы
3 месяца
средний срок успешного трудоустройства при соблюдении всех рекомендаций карьерных консультантов
Узнайте, как собрать все необходимое для поиска работы и правильно презентовать свои навыки
Составьте индивидуальный план развития с карьерным консультантом
Задавайте любые вопросы в Telegram-чате — мы подробно на них ответим
1
2
3
4
89% студентов
нашли работу благодаря карьерному сопровождению
Рассчитано на основе данных о количестве выпускников, обратившихся за помощью в поиске работы и трудоустроенных за 3 месяца. Как мы это считали
Рассчитано на основе данных о количестве выпускников, обратившихся за помощью в поиске работы и трудоустроенных за 3 месяца. Как мы это считали

авторы курса //