Телеграм-канал DS
Набор до 8 сентября

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 ₽

Рассрочка

от 27 080 ₽ / мес

на 6 месяцев

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