Скидка 20% до 1 октября

Курс по LLM
для ML/DL-инженеров

Дообучение, RAG, агенты и деплой — освойте полный цикл работы с LLM
при поддержке опытных инженеров

Записаться на курс Смотреть программу

Старт — 4 ноябряПродолжительность — 4 месяца

LLM стали обязательным навыком

Доля ML/DL-вакансий, где упоминаются навыки работы с LLM

В 2026 году навыки работы с LLM встречаются в 42% вакансий

За год их доля выросла в 1,8 раза: с 23% до 42%

доля вакансий, %

Чаще всего встречаются RAG 23% Агенты и tool calling 21% Векторный поиск 15% LLM-инференс и ускорение 13% Fine-tuning 13% Alignment и post-training 5%

По данным Getmatch на сентябрь 2026

Курс для тех, кто планирует или уже работает с LLM, знает основы DL
и работает с Python
и PyTorch

Аналитики данных

Погрузитесь в домен
и сможете перейти
в новую область

ML/CV-инженеры без опыта в LLM

Расширите компетенции,
чтобы не отставать
от рынка

Python-разработчики

С нуля познакомитесь
с NLP и инструментами
для работы с LLM

Важно знать основы DL
и работать с Python и PyTorch

1. Математика для ML и основы DL

Необходимо знать, что такое производная, матричное умножение, скалярное произведение, градиентный спуск, дифференцируемость, как работают оптимизаторы SGD/Adam, что такое кроссэнтропийная функция потерь

2. Базовое знание Python

Будем писать функции и классы. Часть заданий будет в py-скриптах

3. Базовое владение Pytorch

В первой половине курса мы реализуем несколько архитектур и напишем свое обучение языковой модели, нужно знать такие классы как nn.Linear, nn.Dropout, torch.softmax, оптимизаторы из torch.optim, уметь написать training loop

В результате обучения

Освоите современный LLM-стек и сможете использовать его для карьерного роста

Будете успевать за рынком

Систематизируете знания об LLM, сможете понимать новые статьи и подходы, оценивать возможности моделей и выбирать решения для рабочих задач

«Курс полезный, помог наверстать упущенное в понимании современных LLM»

Елизавета НосоваВыпускница курса

Сможете решать
новые задачи

Научитесь не только использовать готовые модели, но и самостоятельно собирать LLM-системы, дообучать, ускорять и деплоить их

«Агенты и tool usage — это супер-релевантные подходы, которые я сразу же начал внедрять в рабочие проекты»

Михаил ФармаковскийВыпускник курса

Сделаете шаг в LLM‑направление

Получите системную базу и практический опыт, чтобы перейти к задачам NLP и LLM внутри своей команды или претендовать на новую роль

«В ходе курса прошла собеседование на позицию middle NLP engineer в компанию мечты»

Екатерина СиньковаВыпускница курса

Программа

4 месяца
10 лекций
10 заданий с фидбеком от преподавателей

Лекция каждую неделю. После каждой темы — домашнее задание с фидбеком от лектора. Раз в 4−5 недель — Q&A-сессия для разбора вопросов. В середине курса есть перерыв на каникулы.

01. Введение в NLP.
Классические
подходы и RNN В тарифе «С введением»
Темы лекции:
- Особенности домена
- Виды NLP-задач
- Модели на основе подсчетов
- Дистрибутивная гипотеза
- Эмбеддинги
- Рекуррентные сети
- Token classification
02. Введение
в NLP. Seq2Seq
и Трансформеры В тарифе «С введением»
Темы лекции:
- Seq-to-seq
- Attention
- Трансформер
- BERT
- Почему трансформеры победили
- T5
03. Основы LLM.
Архитектура
трансформера В тарифе «С введением»
Темы лекции:
- Полный разбор архитектуры Transformer
- Embeddings
- Attentions
- LayerNorm
- FFN
- Генерация текста
04. Основы LLM.
Модификации
трансформеров В тарифе «С введением»
Темы лекции:
- Обучение архитектур Encoder, Decoder, Encoder-Decoder
- Rotary Embeddings
- Grouped Query Attention
- Gated Activation
- RMSNorm
05. Tools and Agents
Темы лекции:
- Function call / Tools
- Structured output
- Примеры сценариев
- LLM Agents
- ReAct
06. Fine-tuning
Темы лекции:
- Оценка затрат памяти на обучении
- Схема работы Mixed Precision
- DDP
- Pipeline / Tensor Parallel
- ZeRO, FSDP
- Adapters
- Инструменты
07. Alignment
Темы лекции:
- Мотивация: safety, robustness, predictability
- Обзор подходов: RLHF, RLAIF, Reward Hacking (Overoptimization), DPO, KTO
- TRL библиотека для дообучения
- Less Is More for Allignment
- Источники данных: User feedback, Crowdsourcing, Synthetic
08. RAG
Темы лекции:
- Что такое RAG
- Векторный поиск
- Векторные БД
- Полнотекстовый поиск
- Проблемы поиска
- Оценка качества
- Практические советы
09. Деплой
Темы лекции:
- Схемы деплоя
- Фреймворки для инференса: torch.compile, onnx, trtllm, vllm, tgi, lmdeploy
- Разбор преимуществ фреймворков
- Техники ускорения инференса
- Мониторинги
10. Ускорение LLM
Темы лекции:
- Flash attention
- Квантизации bitsandbytes
- Различные методы квантования
- Speculative decoding
- Sparse Matrix multiplication (статьи SpQR и butterfly от Tri Dao)
- Инициатива LocalLlama (gguf)
- Архитектурные решения: MoE, medusa, и multitoken prediction

Навыки для вашего резюме

Архитектура LLM и современный NLP

Трансформеры, attention, устройство и обучение языковых моделей

Разработка RAG-систем

Векторный и полнотекстовый поиск, векторные базы данных и оценка качества

LLM-агенты и Tool Calling

Structured Output, ReAct, agentic workflows и подключение внешних инструментов

Fine-tuning и Alignment моделей

Adapters, распределённое обучение, RLHF, DPO и другие методы post-training

Оптимизация инференса и деплой LLM

vLLM, TensorRT-LLM, квантизация, Flash Attention, мониторинг и ускорение моделей

Как именно вы освоите каждый навык

Изучите теорию на zoom-лекции

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

1/5

Сделаете практическое задание

После каждой лекции — домашнее задание для закрепления материала

2/5

Получите разбор домашнего задания

Каждое домашнее задание проверит лектор и даст исчерпывающий фидбэк

3/5

Если возникнут трудности, мы оперативно поможем в чате

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

4/5

Приходите на онлайн-встречи с кураторами

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

5/5

Кто будет преподавать

Опытные инженеры. Каждый расскажет про задачу, с которой несколько лет работал
в коммерческих проектах

Дмитрий Курцев

СБЕР Девайсы, команда CV RnD

Занимается ресерчем в области VLM, на текущий момент делает ресерч UI агентов (GUI)

Артур Панюков

Intel / LinkedIn

Занимается добавлением NLP-фич и токенайзеров в инференс-фреймворк OpenVINO. На курсе расскажет про устройство трансформеров и BERT-подобные модели в частности

Дмитрий Калашников

Yandex, ex. VK / LinkedIn

Улучшает качество быстрых генеративных ответов в Нейро-Поиске

Роман Горб

Yandex / LinkedIn

Руководит командой ускорения инференса YandexGPT

Алексей Бухтияров

Ex-Human, ex Yandex / LinkedIn

Team Lead NLP-команды в Ex-Human, создаёт мультимодальных чатботов. До этого работал с LLM, RAG и эмбеддингами в Яндексе. На курсе расскажет про alignment

Екатерина Трофимова

НИУ ВШЭ, Сколтех / LinkedIn

Занимается применением LLM к синтезу кода машинного обучения. Разрабатывает программы ДПО в Сколтехе

После обучения

Чат выпускников

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

Сертификат о прохождении обучения

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 ↗

Что говорят наши выпускники

Истории глазами тех, кто успешно прошёл обучение

Роман Рютин

(LLM)

«Курчатовский институт»

«Крутой курс! Многое узнал и прокачал навыки. Постоянное общение
с авторами курса мотивировало в учёбе»

Курс по LLMдля ML/DL-инженеров

Курс для тех, кто планирует или уже работает с LLM, знает основы DL и работает с Python и PyTorch

Аналитики данных

ML/CV-инженеры без опыта в LLM

Python-разработчики

1. Математика для ML и основы DL

2. Базовое знание Python

3. Базовое владение Pytorch

Будете успевать за рынком

Сможете решатьновые задачи

Сделаете шаг в LLM‑направление

Программа

Архитектура LLM и современный NLP

Разработка RAG-систем

LLM-агенты и Tool Calling

Fine-tuning и Alignment моделей

Оптимизация инференса и деплой LLM

Как именно вы освоите каждый навык

Изучите теорию на zoom-лекции

Сделаете практическое задание

Получите разбор домашнего задания

Если возникнут трудности, мы оперативно поможем в чате

Приходите на онлайн-встречи с кураторами

Кто будет преподавать

Дмитрий Курцев

Артур Панюков

Дмитрий Калашников

Роман Горб

Алексей Бухтияров

Екатерина Трофимова

После обучения

Чат выпускников

Сертификат о прохождении обучения

Доступ к материалам курса на один год

Комфортные условия для вашей учёбы

Что говорят наши выпускники

Роман Рютин

Александр Логинов

Александр Петров

Евгений Макаров

Виталий Проценко

Михаил Пузицкий

Максим Гольцов

Петр Матюков

Елизавета Носова

Алексей Глотов

Павел Думин

Никита Довидченко

Дмитрий Махортов

Иван Зыков

Михаил Фармаковский

Екатерина Синькова

Евгений Антонов

Сергей Афанасьев

Екатерина Шахова

Петр Прокофьев

Булат Бадамшин

Запишитесь в лист ожидания

FAQs

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

Наши программы

Телеграм-канал DeepSchool

Курс по LLM
для ML/DL-инженеров

Курс для тех, кто планирует или уже работает с LLM, знает основы DL
и работает с Python
и PyTorch

Сможете решать
новые задачи

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