Телеграм-канал DS
Скидка 5% до 17 августа

Курс LLM Pro

Соберёте полноценные LLM-системы с учётом требований к качеству и нагрузке, разберёте сложные кейсы и дизайны NLP-решений

Записаться на курс Смотреть программу
Старт — 18 августаПродолжительность — 3 месяца

Этот курс для тех, кто:

Работает с текстами

вы NLP-инженер, дата-сайентист или разработчик

Хочет расти

решать более сложные задачи, уверенно проходить интервью

Умеет обучать модели

но не собирал из них полноценные системы

Понимает: prompt-инженерии и API уже недостаточно

пора строить своё

Делает продукт или стартап

и хочет быстро запустить надёжное NLP-решение

Важны базовые знания по NLP и опыт работы с LLM

1. Математика для ML и понимание устройства DL

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

2. Базовое знание Python и PyTorch

Будем писать функции и классы на Python. Нужно уметь использовать базовые pytorch-классы, такие как nn.Linear, nn.Dropout, torch.softmax, оптимизаторы из torch.optim, уметь написать training loop

3. Знание основ NLP

4. Знание архитектуры LLM

5. Понимание базовых NLP-задач

Токенизация, классификация, генерация текста, оценка близости текстов через вектора

6. Знание архитектуры трансформеров

Self-attention, positional encoding, механизмы кодирования/декодирования, на какие задачи учится BERT и GPT

7. Базовое знание того, как обучаются LLM

Предобучение, supervised fine-tuning, алайнмент (включая метод DPO)

8. Базовое представление об устройстве AI-агентов

Что вы получите от курса:

Научитесь проектировать и запускать NLP-системы под реальные продуктовые задачи
Освоите адаптацию LLM и эмбеддингов под специфичный домен и «живые» данные
Разберётесь, как решать задачи классификации, поиска, кластеризации и NER — с ограничениями продакшн-среды
Сможете собрать свою RAG-систему: от ретривера и реранкера до генератора и оценки качества
Построите AI-агентов с нуля — на основе сценариев, функций и взаимодействия с внешней средой
Поймёте, как собирать и размечать датасеты, даже если данных почти нет
Разберёте реальные кейсы и научитесь применять похожие подходы в своих проектах
Получите фундамент для уверенного прохождения NLP system design интервью и перехода на следующий грейд

Программа

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.

  1. 01. Архитектура систем текстовой классификации

    Темы лекции:

    • BERT и альтернативы
    • Дообучаемые головы
    • Дистилляция LLM в компактную модель
    • Генеративный классификатор с reasoning
    • Работа с данными при их дефиците
    • Эвристики и итеративное улучшение
  2. 02. Построение доменных текстовых эмбеддингов

    Темы лекции:

    • BERT и альтернативы
    • Triplet loss, contrastive learning
    • Профили и последовательности
    • Matching задач через эмбеддинги
    • Доменная адаптация эмбеддеров
    • Существующие открытые эмбеддеры
  3. 03. Кластеризация текстов: в офлайне и в реальном времени

    Темы лекции:

    • UMAP, T-SNE, LSH
    • Онлайн кластеризация
    • Бинарные автоэнкодеры
    • Архитектура и инфраструктура онлайн-кластеризации
  4. 04. Сбор данных и разметка: от формулировки задачи до крауда

    Темы лекции:

    • Постановка задач и требования к данным
    • Критичность и массовость ошибок
    • Разметка через LLM и кластеризацию
    • Active learning
    • Selfinstruct, LIMA
    • Крауд: Toloka, MTurk
    • Инструкции, ханипоты, проверка качества
  5. 05. Named Entity Recognition: от BERT до генеративных моделей

    Темы лекции:

    • Постановка задачи и проблемы NER
    • BERT vs генеративные подходы
    • Дообучение и адаптация под домен
    • LLM в разметке и дообучении
    • Метрики качества
    • Разбор кейсов
  6. 06. Адаптация LLM под домен

    Темы лекции:

    • Посттрейнинг на домен
    • Токенизаторы и continious pretrain
    • Supervised Fine-tuning (SFT)
    • Alignment через данные
    • Чистка и генерация датасетов
    • Работа с галлюцинациями
    • Разбор кейсов
  7. 07. Проектирование систем текстового поиска

    Темы лекции:

    • TF-IDF, BM25
    • Sentence-BERT, DPR
    • Elasticsearch, FAISS
    • Персонализация, расширение запросов
    • Фактчекинг
    • Мультимодальный поиск
  8. 08. Advanced RAG: создание и тюнинг продакшн-систем

    Темы лекции:

    • RAG: структура и этапы
    • Подстройка эмбеддера и реранкера
    • Генерация ответов, SFT, posttraining
    • Достоверность, краткость, ссылки
    • Оптимизация под железо
    • Предсказание качества до генерации
    • Кэш, дистилляция, стриминг
    • Память и сложные базы знаний
  9. 09. AI-агенты: как построить рабочего ассистента с нуля

    Темы лекции:

    • Function calls
    • Text2SQL
    • Сценарии взаимодействия
    • Генерация траекторий через среду
    • Критерии успешности
    • Alignment для агентов
    • Кейсы и подходы к обучению
Записаться

Как именно вы освоите каждый навык

1.

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
2.

Сделаете практическое задание

После каждой лекции — домашнее задание для закрепления материала

2/5
3.

Получите разбор домашнего задания

Каждое домашнее задание проверит лектор и даст исчерпывающий фидбэк

3/5
4.

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
5.

Или приходите на онлайн-встречи со спикерами, чтобы обсудить вопрос голосом

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

5/5

Кто будет преподавать

Опытные инженеры будут вести Zoom-лекции и семинары, отвечать на ваши вопросы и ревьюить код

Сергей Трубецкой

Сергей Трубецкой

Ensec

Адаптирует мультимодальные LLM под задачи пользователей. Разрабатывает платформу на базе RAG и LLM-агентов

Егор Смирнов

Егор Смирнов

VK / LinkedIn

Занимался разработкой поисковой системы в AliExpress, а сейчас улучшает алгоритмы рекомендаций в команде Core ML в VK

Дмитрий Калашников

Дмитрий Калашников

Yandex, ex. VK / LinkedIn

Улучшает качество быстрых генеративных ответов в Нейро-Поиске

Алексей Яндутов

Алексей Яндутов

Yandex, ex. VK / LinkedIn

Работает над генеративными моделями и RAG — отвечает за систему, когда и какие модели должны отвечать на запросы пользователей

Сергей Воробьёв

Сергей Воробьёв

Together AI / LinkedIn

Масштабирует обучение LLM. Ускоряет эксперименты и улучшает инфраструктуру в задачах NLP

Егор Чимбулатов

Егор Чимбулатов

BayesGroup

Исследует диффузионные языковые модели

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 ↗

старт 18 августа

Стоимость курса

  • 9 лекций и практических заданий
  • Проверка заданий от опытных инженеров
  • Поддержка в чате и на семинарах

Полная оплата

145 000 ₽

137 000 ₽

Рассрочка

от 27 080 ₽ / мес

от 25 585 ₽ / мес

на 6 месяцев

* Скидки действуют только для физ. лиц

Что говорят наши выпускники

Истории глазами тех, кто успешно прошёл обучение

Денис Успенский

Денис Успенский

(LLM Pro)

LinkedIn
«Курс произвёл очень хорошее впечатление. Ребята реальные эксперты-практики, которые делятся реальным прикладным опытом»
Читать отзыв полностью ↗
Максим Морозов

Максим Морозов

(LLM Pro)

LinkedIn
«Кейсы — это одна из главных ценностей llm pro, сильно выделяет от доступной в интернете информации или аналогов»
Читать отзыв полностью ↗
Егор Ведерников

Егор Ведерников

(LLM Pro)

LinkedIn
«Курс помог перейти с мидла на синьора и пройти собес.
Сложно сказать, что было полезнее всего. В каждой теме, что-то новое узнал»
Читать отзыв полностью ↗
Михаил Тетерин

Михаил Тетерин

(LLM Pro)

LinkedIn
«Очень много полезного узнал про агентов и RAG. Активно использую полученные знания на работе Все было хорошо! Спасибо что вы есть!»
Читать отзыв полностью ↗
Дмитрий Ярцев

Дмитрий Ярцев

(LLM Pro)

LinkedIn
«Захватывает множество тем помимо LLM. Очень понравилось, что в каждой лекции был отдельный раздел с бизнес-кейсами. Очень ценный и редкий материал»
Читать отзыв полностью ↗
Мария Старцева

Мария Старцева

(LLM Pro)

LinkedIn
«Общее впечатление о курсе и программе хорошее. Самым полезным были Best practices других специалистов. Спасибо!»
Читать отзыв полностью ↗
Сергей Пересыпкин

Сергей Пересыпкин

(LLM Pro)

LinkedIn
«Все понравилось. Главный плюс — максимальный фокус на практике, рассмотрение кейсов, структура ДЗ»
Читать отзыв полностью ↗

FAQs

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

Написать в Telegram

Наши программы

Поможем освоить востребованные на рынке знания, передав секреты и опыт практикующих инженеров и исследователей

Телеграм-канал DeepSchool

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

Открыть Телеграм