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
spaCy
Hugging Face
NLTK
Scikit-learn
Attention
OpenCV
Pillow
TorchVision
Albumentations
Transformers
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
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 практическая работа・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
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.
Практикум ИИ помогает учиться
Когда в теории что‑то непонятно, нейросеть ответит на вопросы или объяснит материал другими словами. А в конце каждого урока 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

Или позвоните нам сами:
+7 (775) 020-45-15
А если не любите голосом — напишите:
Политика конфиденциальности
 
  •                                        
Отвечаем на вопросы
Каким требованиям нужно соответствовать?
Курс рассчитан на специалистов, у которых уже есть опыт работы с нейросетями.

Для успешного обучения на курсе 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 меня учить?
Все наставники — специалисты в области машинного обучения из крупных компаний, с большим опытом в обработке естественного языка, компьютерном зрении или аудиоанализе.
Что делать, если я не справлюсь с нагрузкой?
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?
Если курс ещё не начался, вернём всю сумму. Если ваша когорта уже стартовала, можно сделать частичный возврат — подробности в 7 пункте оферты.
Получу ли я какой-то документ после курса?
Да, для этого нужно закончить курс и успешно выполнить итоговый проект. Тогда выдадим вам сертификат о повышении квалификации в электронном виде.

А если не получится, по запросу выдадим электронную справку об обучении — с перечнем модулей, которые вы освоили.
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. Обучение будет стоить меньше, если оплатить весь курс сразу.

Через компанию: юридические лица также могут оплатить обучение в Практикуме. Чтобы заказать счёт для оплаты, оставьте заявку на странице для корпоративных клиентов.
На каком языке проходит обучение?
Всё будет на русском: теория, практические задания и вебинары, а ещё чаты с куратором, наставником и другими студентами.

Давайте поможем

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

Или позвоните нам сами:
+7 (775) 020-45-15
А если не любите голосом — напишите:
Политика конфиденциальности