Есть вопросы по курсу?

напишите нам в Telegram, ответим на все вопросы

Научитесь создавать и деплоить DL-сервисы за 4 месяца

Деплой DL-сервисов
Cтарт — 19 марта 2025
Наведите порядок в репозиториях, внедрите лучшие практики и повысьте свою ценность на рынке

Почему DL-инженерам важно перенимать практики разработчиков

В видео за 5 минут пройдем по чек-листу актуальных инструментов и практик, которые помогают довести модель до пользователей, и расскажем, как учим этому на курсе «Деплой DL-сервисов»

От Jupyter
к продакшн-решениям

До курса Деплой DL-сервисов

На работе занимаетесь лишь обучением сетей, а для деплоя передаёте их разработчикам
Переживаете, что на интервью спросят что-то про тесты, Docker, CI/CD
Путаетесь в тетрадках и их версиях, не получаете code-review
Долго ищете, какая модель на чём училась, и какие были результаты
Работа напоминает рутину, становится скучно

После курса Деплой DL-сервисов

Можете сами обернуть сеть в сервис и задеплоить веб-приложение
Знаете лучшие практики от опытных инженеров и можете им научить коллег
Пишите понятный код в скриптах и версионируете проекты в git
Храните версии датасетов и экспериментов, видите результаты в удобном UI
Автоматизируете рутину в CI, решаете больше любимых и сложных задач

Для DL-инженеров всех грейдов

CV-инженерам

NLP-инженерам

ML-инженерам

Главное — знать базовую теорию нейросетей
с уклоном в CV-фреймворки
с уклоном в NLP-фреймворки
кто хочет перейти в DL и поднять скиллы
Нужно иметь опыт в DL на уровне написания собственного train loop на PyTorch для любой из «классических» задач, например, классификации или сегментации в CV. А также базовое знание Python — будем писать много модулей, функций и классов

Программа

Лекция каждую неделю. После каждой темы — домашнее задание с фидбеком от лектора. Большой проект в конце программы. Раз в 4−5 недель — Q&A-сессия для разбора вопросов. В середине курса есть перерыв на каникулы.
16 недель
11 лекций
11 заданий с фидбеком
1 проект

01. Настройка репозитория с моделингом, 1/3

Сделаем репозиторий обучения модели «по фэншую»: сделаем Makefile и подключим линтеры и пре-коммит, разберёмся, как конфигурировать эксперименты. Тренировать модель будем при помощи Pytorch Lightning, а логировать эксперименты — в ClearML
Зависимости в python • Лнтеры/форматтеры, pre-commit хуки • PyTorch Lightning. Основные компоненты • ClearML • Конфигурация. Omegaconf, Pydantic

02. Настройка репозитория с моделингом, 2/3

Продолжим работу с репозиторием из первой лекции. Научимся версионировать данные при помощи clearml-data (и, как альтернатива, dvc). Покажем, как можно дебажить на разных уровнях: в IDE, в Ligtning’е, в ClearML. Напишем тесты на код обучения и сделаем, чтобы они прогонялись на каждом коммите при помощи Gitlab CI
Работа с данными: dvc, clearml-data • Дебаггинг: в IDE, в PyTorch Ligtning, в ClearML • Тестирование кода обучения, pytest • Автоматизируем проверки в CI

03. Настройка репозитория с моделингом, 3/3

В первых лекциях мы пользовались Lightning, а в этой сделаем бо́льший фокус на NLP и расскажем, как обучать модели с transformers. Также разберёмся, как учить, логгировать, дебажить и тестировать
transformers: основные компоненты • как «подружить» со всем, что мы изучили до этого

04. Сериализация моделей

Разберёмся, как устроены чекпоинты в PyTorch. Поймём, чем нас не устраивают чекпоинты «из коробки» и покажем типичные ошибки при работе с ними. Рассмотрим torch jit: script/trace и поймём, в каком случае какой подход нужно использовать. Перейдём к ONNX, научимся в него конвертировать, анализировать и упрощать граф. Затем расскажем про onnx-runtime
Как устроены чекпоинты в torch и какие с этим есть проблемы • Torch jit: script/trace • ONNX. Конвертация, анализ и упрощение графа • onnx-runtime

05. Сервис

Расскажем, что такое веб-сервисы, обсудим REST. Научимся писать свои веб-сервисы на FastAPI и конфигурировать их при помощи OmegaConf. Расскажем про внедрение зависимостей и научим применять DI-контейнеры
Веб-сервисы, http, REST • FastAPI • DI-контейнеры

06. Тесты и линтеры

Научимся проверять наш код: писать юнит и интеграционные тесты при помощи pytest, а также пропускать его через линтеры. Расскажем про хорошие практики и типичные ошибки при написании тестов
Линтеры, pre-commit • Pytest • Виды тестов • Фикстуры • Хорошие практики и типичные ошибки в тестах

07. Docker, 1/2

Поговорим про важность изоляции, скорости развёртывания и масштабирования. Расскажем про отличие виртуализации и контейнеризации. Рассмотрим основные компоненты и команды docker
Виртуализация, контейнеризация • Docker: основные компоненты • Docker{file, image, container, hub} • Основные команды • Docker volumes

08. Docker, 2/2

Продолжим изучать docker. Научимся ускорять сборку образа и уменьшать его вес. Поговорим про multistage-сборки. Научимся работать с docker compose и использовать docker для локальной разработки и тестирования.
Ускорение сборки образов и уменьшение веса образа • Multistage • Docker Compose • Docker для разработки и тестирования локально

09. Serving

Научимся сервить модели при помощи Nvidia Triton. Научимся им пользоваться и разберём основные компоненты. Интегрируем модель из Triton в наше приложение.
Конкурентная обработка, latency vs throughput • Как реализовать батчинг • Nvidia Triton: компоненты, API: HTTP/gRPC, как запустить и засервить модель, ансамблирование моделей, тюнинг производительности, метрики, поддерживаемые форматы

10. CI/CD

Научимся использовать Gitlab CI в своих проектах. Будем тестировать и прогонять через линтеры каждый коммит. Научимся деплоить наше приложение из Gitlab при помощи Ansible.
CI/CD: что это и зачем нужно • Основные концепты Gitlab CI: pipeline, stage, job, etc.. • Сборка образа в CI •anchors, include, triggers, artifacts • Ansible

11. Мониторинг

Покажем, как мониторить задеплоенное приложение. Научимся узнавать об ошибках при помощи Sentry, а собирать и отслеживать метрики нам помогут Prometheus и Grafana
Sentry • Prometheus • Grafana

Как именно вы освоите каждый навык

Онлайн-лекции, где можно задавать вопросы, обсуждать сложные кейсы и дискутировать. В конце — анонимный тест для закрепления материала

01. Изучите теорию на zoom-лекции

1/5
2/5
После каждой темы — домашнее задание. По окончании обучения вы сделаете проект, который можно с гордостью показать коллегам

02. Сделаете практическое задание

3/5
Каждое домашнее задание проверит лектор и даст исчерпывающий фидбэк

03. Получите разбор домашнего задания

4/5
Обсуждайте домашние задания, рабочие задачи или просто общайтесь. Кураторы курса всегда помогут решить проблемы и поделятся советом

04. Если возникнут трудности, мы оперативно поможем в чате

5/5
Раз в 4−5 недель спикеры и кураторы собираются в zoom, чтобы ответить на ваши вопросы, помочь с практикой, обсудить задачи

05. Или приходите на онлайн-встречи с кураторами, чтобы обсудить вопрос голосом

Кто будет преподавать

Опытные инженеры будут вести Zoom-лекции и семинары, отвечать на ваши вопросы и ревьюить код
Денис Солдатов
Backend-разработчик. Расскажет как создавать, деплоить и поддерживать сервисы
НИИАС
Дмитрий Раков
Руководит командой ML, которая занимается разработкой беспилотных поездов в AO НИИАС
TheWatch
Егор Осинкин
Руководит CV командой в EPAM. Выстраивает инженерные практики в ML-командах
EPAM
Константин Носорев
Senior backend developer. Научит работать с Docker.
EPAM
Катерина Антонова
Senior NLP инженер, ML lead. Работает с поисковыми системами, advanced RAG и тд.
TheWatch
Денис Солдатов
Backend-разработчик. Расскажет как создавать, деплоить и поддерживать сервисы
EPAM
Егор Осинкин
Руководит CV командой в EPAM. Выстраивает инженерные практики в ML-командах
НИИАС
Дмитрий Раков
Руководит командой ML, которая занимается разработкой беспилотных поездов в AO НИИАС
Константин Носорев
Senior backend developer. Научит работать с Docker.
EPAM
Катерина Антонова
Senior NLP инженер, ML lead. Работает с поисковыми системами, advanced RAG и т. д.

После обучения

Чат выпускников

Сертификат о прохождении обучения

Вы попадаете в чат выпускников — чат с опытными инженерами, где мы проводим литклубы, random coffee и обсуждаем вопросы с работы

Доступ к материалам курса на один год

Комфортные условия для вашей учёбы

Полный возврат стоимости в первые 14 дней,
если поймёте, что программа вам не подходит. Если примете решение позже, вернём деньги за вычетом уже пройденных занятий
Налоговый вычет
получите 13% от стоимости курса после обучения
Оплата из-за рубежа
картой иностранного банка или другими удобными способами
Может оплатить компания. мы принимаем оплату от юрлиц, если хотите, чтобы работодатель оплатил ваше обучение, пусть ваши представители напишут нам на b2b@deepschool.ru для оформления документов и оплаты
Мы обучаем по лицензии Л035-01199-54/00734237 ↗

Стоимость курса

105 000 ₽
Поддержка опытных инженеров
Проект в портфолио
Создание веб-сервисов
Автоматизация деплоя
Лучшие практики в моделинге

Полная оплата

от 19 610 ₽ / мес
При рассрочке на 6 месяцев
До 18 марта

Рассрочка

105 000 ₽
19 610 ₽ / мес

старт 19 марта

Полный цикл деплоя DL-проекта: от моделинга до мониторинга
11 лекций, 11 заданий, 1 проект и много фидбека
Скидки только для физ. лиц

Что говорят наши выпускники

Истории глазами тех, кто успешно прошел обучение
Иван Малютин
«Курс как будто разложил все по полочкам. Материал структурированный, преподаватели всегда на связи, интересные…»
«Благодаря курсу я понял, как организовать разработку проектов так, чтобы код был понятным для коллег и удобным для меня
Александр Федоров
«Освоенный материал сделал мои резюме и навыки более востребованными — за время курса я успешно прошел…»
Алексей Андреев
Ольга Чаганова
«После обучения стала ощущать себя намного увереннее, многие вещи стали понятнее, осталось только углублять знания»
(Деплой DL-сервисов)
(Деплой DL-сервисов)
(Деплой DL-сервисов)
(CV Rocket)
«В анонсе организаторы утверждают, что вы «научитесь создавать и деплоить DL-сервисы за 4 месяца...»
Андрей Полуянов
(Деплой DL-сервисов)
Александр
LinkedIn
«На собеседовании за счет того, что подчерпнул на курсе об устройстве OCR, вытянул»
(CV Rocket)

FAQs

Когда проходят лекции и Q&A-сессии?

Лекции проходят по будням в 19:00 по московскому времени и длятся 1,5−2 часа. Q&A-сессии проходят после каждой 5-й лекции, время определяется индивидуально для каждого потока.

Смогу ли я оформить налоговый вычет?

Да, вы сможете оформить налоговый вычет за обучение, если вы являетесь налоговым резидентом России и оплачиваете подоходный налог. Подать документы на вычет можно в году, следующем за годом оплаты обучения. Подробнее о налоговом вычете за обучение можно прочитать на сайте ФНС

Может ли моя компания оплатить курс?

Моя компания может оплатить курс?
Да, мы подготовим счёт на полную или частичную оплату для юридического лица. Напишите на hello@deepschool.ru
Скидки не распространяются на оплату курса юр. лицами, поэтому при заполнении заявки указывайте полную стоимость.

На сколько часов рассчитана программа?

На сколько
часов рассчитана программа?
Курс включает 25 астрономических часов лекций и Q&A-сессий. С учетом времени на домашние задания, учеба будет занимать примерно 8 часов в неделю. В курсе есть перерыв на каникулы.

Что я должен знать, чтобы начать обучение?

Нужно иметь опыт в DL на уровне написания собственного train loop на PyTorch для любой из «классических» задач, например, классификации или сегментации в CV. А также базовое знание Python — будем писать много модулей, функций и классов. Если вы сомневаетесь, подходит ли курс именно вам, напишите нам в телеграм Спросить в ТГ

Если у вас остались вопросы по курсу, напишите нам в Telegram

Наши программы

Поможем освоить востребованные на рынке знания, передав секреты и опыт практикующих инженеров и исследователей
Наведите порядок в репозиториях, научитесь создавать и деплоить DL-сервисы

Деплой DL-сервисов

Март 2025 • 4 месяца
Научитесь ускорять модели и адаптировать инференс под CPU, GPU и NPU

Ускорение нейросетей

Февраль 2025 • 3 месяца
Узнайте, как решают задачи в VR/AR, беспилотниках и цифровых двойниках

3D Computer Vision

Апрель 2025 • 3 месяца
Подробнее
Подробнее
Подробнее
/
Освойте теорию генеративных моделей и их обучение на практике

Generative Computer Vision

Лист ожидания • 3 месяца
Теория, инференс, ускорение и актуальные подходы в LLM

LLM

Подробнее
/
Подробнее
Февраль 2025 • 4 месяца
Повысьте квалификацию, решая сложные кейсы в CV-задачах

CV Rocket 2.0

Апрель 2025
Лист ожидания
coming soon
Наведите порядок в репозиториях, научитесь создавать и деплоить DL-сервисы

Деплой DL-сервисов

Март 2025 • 4 месяца
Научитесь ускорять модели и адаптировать инференс под CPU, GPU и NPU

Ускорение нейросетей

Февраль 2025 • 3 месяца
Узнайте, как решают задачи в VR/AR, беспилотниках и цифровых двойниках

3D Computer Vision

Апрель 2025 • 3 месяца
Освойте теорию генеративных моделей и их обучение на практике

Generative Computer Vision

Лист ожидания • 3 месяца
Теория, инференс, ускорение и актуальные подходы в LLM

LLM

Подробнее
Подробнее
Подробнее
Подробнее
Подробнее
Февраль 2025 • 4 месяца
Повысьте квалификацию, решая сложные кейсы в CV-задачах

CV Rocket 2.0

Март 2025
Лист ожидания
coming soon

Телеграм-канал
DeepSchool

Короткие посты по теории ML/DL, полезные библиотеки и фреймворки, вопросы с собеседований и советы, которые помогут в работе