Есть вопросы по курсу?

напишите нам в Telegram, ответим на все вопросы

Научим создавать и деплоить DL-сервисы за 4 месяца

Деплой DL-сервисов
Научитесь работать в команде
Разберётесь в лучших практиках
Наведёте порядок в репозиториях
Повысите свою ценность на рынке
LLM
Cтарт 9 ноября

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
Чтобы изучать эту программу, надо знать основные архитектуры нейросетей, функции потерь, функции активации, как работают forward pass и backpropagation и другую базовую теорию нейросетей

Как именно вы освоите каждый навык

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

Изучите теорию на zoom-лекции

1.

1/5
2/5
После каждой лекции — домашнее задание для закрепления материала

Сделаете практическое задание

2.

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

Получите разбор домашнего задания

3.

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

Если возникнут трудности, мы оперативно поможем в чате

4.

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

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

5.

Программа

Одна тема — одна лекция
После каждой темы — домашнее задание
В конце — проект
16
недель
11
лекций
8-12
часов в неделю
1
проект

1. Настройка репозитория с моделингом. Часть 1

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

2. Настройка репозитория с моделингом. Часть 2

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

3. Настройка репозитория с моделингом. Часть 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

4. 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

5. 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

6. 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

7. Docker. Часть 1

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

8. Docker. Часть 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

9. 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
  • Nvidia Triton:
- Компоненты
- API: HTTP/gRPC
- Как запустить и засервить модель
- Ансамблирование моделей
- Тюнинг производительности
- Метрики
- Поддерживаемые форматы
  • Как реализовать батчинг

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

Спикеры

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

Запишитесь в лист ожидания

Поддержка опытных инженеров
Проект в портфолио
Создание веб-сервисов
Автоматизация деплоя
Лучшие практики в моделинге
Запишитесь в лист ожидания, чтобы раньше всех занять место и получить самую большую скидку! Создатели курса расскажут про программу, ответят на вопросы и подарят скидки

старт 9 ноября

Полный цикл деплоя DL-проекта: от моделинга до мониторинга
11 лекций, 11 заданий, 1 проект и много фидбека

Что говорят наши выпускники

Истории глазами тех, кто успешно прошел обучение
Мария Старцева
«Воспользовалась на работе некоторыми идеями и мне очень пригодился код для построения рабочих пайплайнов»
«Хочу сказать, что это, пожалуй, лучший курс по ML, который я проходила (а у меня достаточно лет опыта в ML)»
Галина Альперович
«Курс оказался крайне полезным. Благодаря лекторам, тьюторам и создателям программы, я смог углубить свои знания»
Арсений Рылов
Ольга Чаганова
«После обучения стала ощущать себя намного увереннее, многие вещи стали понятнее, осталось только углублять знания»
(CV Rocket)
(3DCV)
(CV Rocket)
(CV Rocket)
«Курс максимально полезный лично для меня, систематизирует знания, не оставляет пробелов»
Дмитрий
(3DCV)
Александр
LinkedIn
«На собеседовании за счет того, что подчерпнул на курсе об устройстве OCR, вытянул»
(CV Rocket)

FAQs

Когда проходят лекции и семинары?

Лекции проходят по будням в 18:00 МСК и длятся от 90 до 120 минут. Онлайн-семинары проходят после каждой 5-й лекции

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

На сколько часов рассчитана программа?

На сколько
часов рассчитана программа?
20 астрономических часов на лекции и ~30 часов практики или примерно 8 часов в неделю, что позволяет комфортно встроить обучение в рабочий график

Что я должен знать, чтобы начать обучение?

Основы Deep Learning и Computer Vision. Мы предполагаем, что вы уже знаете теорию нейросетей и решали задачи из области компьютерного зрения. Если вы сомневаетесь, подходит ли курс именно вам, напишите нам в телеграм Спросить в ТГ

Телеграм-канал
DeepSchool

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