DeepSchool

Курс по LLM для разработчиков без опыта в Deep Learning Если вы не знакомы с Deep Learning и хотите создать своё первое LLM-приложение при поддержке опытных инженеров, то именно для вас мы запускаем новую программу «‎LLM Start»‎! Обычно мы создаём программы от DL-инженеров для DL-инженеров. Для этого мы ищем опытных специалистов по каждой теме, проводим собеседования, учим вести лекции и проводим ревью всех материалов, чтобы в итоге качественно передать многолетний опыт. А теперь мы решили создать новую программу, где не требуем знаний в Deep Learning, но также серьёзно подходим к подготовке лекций и подбору спикеров, чтобы научить вас создавать и деплоить собственные LLM-сервисы. На курсе «‎LLM Start» вы научитесь: — выбирать модель под задачу — дообучать модели под свои данные с помощью готовых инструментов и сервисов — собирать RAG-системы из готовых частей — создавать агентов — поднимать свой сервис c open-source LLM — и создавать свои LLM-приложения Коротко о формате курса: — вести лекции будут ведущие инженеры с опытом в DL от 5 лет — вы сможете задавать свои вопросы спикерам на лекциях, QA-сессиях и в чате — спикеры дадут обратную связь на ваши решения домашних заданий — а в конце вы сдадите проект, чтобы закрепить знания с курса и получить фидбек ⚠️ Для старта обучения вы должны быть знакомы с Python и linux. Старт в конце июля. Переходите на страницу программы и оставляйте заявку в форме предзаписи, чтобы получить максимальную скидку на обучение!

Как наконец-то закрыть все вопросы с LLM Приходите на летний поток нашего курса LLM! Вы разберётесь, как устроены современные LLM, как они обучаются, как с ними работать и сможете избежать типичных проблем при решении реальных задач. На программе вы научитесь: — выбирать LLM под задачу, а не по популярности — строить работающий RAG и снижать галлюцинации — создавать агентов — дообучать модели — деплоить LLM и оптимизировать под нагрузку и бюджет — и, главное — понимать, что и почему не работает из коробки Курс ведут опытные инженеры, которые проверят ваши домашние задания и ответят на вопросы прямо во время лекций и QA-сессий! Вас ждёт 4 месяца обучения, практики и общения с инженерами, которые работают с LLM в продуктовых командах и помогут вам избежать типичных ошибок 💪 На этот поток осталось 19 мест, они быстро закончатся, поэтому успевайте записаться! Начинаем 25 июня! А до 24 июня вы можете присоединиться со скидкой 5% 🔥 Изучайте подробности на сайте и записывайтесь на выгодных условиях! Если остались вопросы или вы сомневаетесь, подходит ли вам эта программа — пишите нам в поддержку @deepschool_support

Осталось 3 часа до лекции по LLM Сегодня Илья Димов на примере бизнес-кейсов разберёт подводные камни LLM! На лекции вы узнаете: - как устроена память у LLM, зачем она нужна и почему “погуляй с собакой в лесу” может звучать зловеще - как построить рабочую RAG-систему, где LLM действительно извлекает нужное из базы знаний, а не галлюцинирует - зачем разбивать задачу между несколькими LLM, что умеют агенты, и когда они начинают вредить - как выбирать модель, если завтра выйдет новая и все побегут её катить — по каким метрикам, с какими ограничениями и как протестировать В конце представим программу курса LLM и откроем запись со скидкой! 🕕Регистрируйтесь и приходите сегодня в 19:00 МСК

Данные важнее моделей? Подкаст «Под Капотом» c Дарьей Воронкиной Мы приглашаем в подкаст экспертов из различных областей, чтобы понять, как работают сложные системы изнутри. Гость этого выпуска Дарья Воронкина — тимлид в медицинском стартапе OneCell.ai и спикер курса «Computer Vision Rocket». В OneCell Дарья руководит построением и оптимизацией процесса разметки медицинских данных и аналитики вокруг них. В этом выпуске мы обсуждаем: - как создать масштабируемый процесс аннотации терабайтов гистологических данных для сотен задач - почему подготовка датасета часто сложнее и интереснее обучения моделей - как превратить хаотичную разметку в предсказуемый и воспроизводимый процесс Смотрите выпуск по ссылке: https://youtu.be/4ufQITw-cOI

4 проблемы при решении задач с LLM Мы подготовили лекцию, на которой расскажем: — как сделать чатбота, который уместно использует факты из диалога и ведёт себя как человек — как научить агента выполнять комплексные задачи — когда действительно стоит обновлять модель — и какие фреймворки выбрать, чтобы не тратить время зря Спикер — Илья Димов, Senior NLP Engineer в Яндексе расскажет, какие проблемы возникают при построении LLM приложений и как их исправить. Приходите, чтобы узнать решения своих проблем и задать вопросы! А ещё мы представим новый поток курса LLM, на котором вы разберётесь в том, как работают LLM, как дообучать их под свои сценарии и как с их помощью строить RAG и агентские системы! Всем участникам лекции мы подарим скидки на обучение 🎁 📅 Встречаемся в четверг, 19 июня в 19:00 МСК! Регистрируйтесь по ссылке и до встречи на лекции в четверг!

How to: детектор лиц на Android Детекция лиц на смартфоне — популярная задача, для которой существует много решений «в пару кнопок». Но мы решили пойти по хардкору и показать, как запустить детектор лиц на Android, используя только C++ , OpenCV и NCNN. Это видео поможет: 1. Узнать нюансы при деплое своих моделей на Android-устройстве. 2. Понять, как работают под капотом готовые решения. 3. Запустить свои кастомные модели на платформе Android. Смотрите новый выпуск по ссылке! А больше о том, как ускорять инференс моделей под различные устройства рассказываем на курсе «Ускорение нейросетей».

DeepSchool Digest⚡ Собрали материалы за май в одном посте: ✔️Как обучить текстовый эмбеддер на домен — разобрали последовательность действий для обучения текстового эмбеддера на домен, рассказали, как обернуть специфику задачи вам на пользу и всё-таки нарастить конечное качество. ✔️Современные подходы к NER — разобрали постановку задачи NER, существующие коробочные решения и их ограничения, рецепты, когда и как стоит обучать свой NER, применимость LLM для решения задачи. ✔️Как построить RAG с нуля — вместе с Ильей Димовым показали, как собрать простейшую RAG-систему. ✔️Большой обзор LLM-бенчмарков — сравнили популярные бенчмарки в одной статье.

Большой обзор LLM-бенчмарков Чтобы выбрать подходящую под задачу LLM, надо сравнить разные модели ➡️ чтобы сравнить модели, надо выбрать бенчмарки ➡️ чтобы выбрать бенчмарки, надо в них разобраться. Но их так много, что непонятно с чего начать. Мы решили вам в этом помочь и сравнили популярные бенчмарки в одной новой статье. Читайте по ссылке!

Как построить RAG? Знания LLM ограничены данными, которые она видела в процессе обучения. Поэтому ответы на вопросы по актуальным новостям могут быть неполными или неточными. Чтобы решить эту проблему без частого и дорогого дообучения на новых данных, придумали RAG — технику, добавляющую в контекст LLM внешнюю информацию. В новом ролике Илья Димов показал, как собрать простейшую RAG-систему. Смотрите новый выпуск по ссылке! А больше о том, как строить реальные RAG-системы, типовых проблемах и их решении рассказываем на наших курсах: LLM и LLM Pro. 🪔DeepSchool

Скоро стартует летний поток курса LLM Если вы только знакомитесь с LLM или уже работаете с ними и хотите разобраться, как устроены современные LLM, как их обучать, запускать и оптимизировать — приходите на ближайший поток курса LLM, который начинается в июне. На курсе вы научитесь: — использовать доступные LLM под свои задачи — работать с RAG, агентами и tool calls — эффективно тюнить свои модели — деплоить и ускорять инференс LLM А если до этого не работали с доменом NLP, то разберетёсь в нём и его особенностях. 📅 Старт — 25 июня, а сейчас вы можете записаться в лист ожидания, чтобы первыми занять место на курсе и получить самые выгодные условия на обучение. Изучайте подробности о программе и спикерах и записывайтесь на новый поток! Напоминаем, что места ограничены, часть уже занята! Поэтому если планировали обучение летом, то рекомендуем не откладывать ✍️ Если возникают вопросы — пишите нам в @deepschool_support

Как превратить текст в структурированные данные? Распознавание именованных сущностей (Named Entity Recognition, NER) — ключ к превращению сырого текста в структурированные данные. Но как выбрать подходящий инструмент, когда вокруг десятки библиотек? Когда стоит брать готовое решение, а когда — учить свою модель? Правда ли, что LLM уже умеют всё сами? В нашей новой статье разберём: ✔️ Постановку задачи NER ✔️ Существующие коробочные решения и их ограничения ✔️ Рецепты, когда и как стоит обучать свой NER ✔️ Применимость LLM для решения задачи А также конкретные примеры и лайфхаки для тех, кто хочет выжать максимум из своих данных. Читайте по ссылке и узнайте о современных подходах к решению задачи NER! 🙂

Начался курс Computer Vision Rocket🚀 Вчера на курсе прошла вводная встреча, а через неделю будет первая лекция — про подготовку данных. На ней мы разберём основные источники открытых данных: научимся находить и курировать датасеты. Обсудим инструменты для inhouse-разметки и формирование ТЗ, а также внедрение авторазметки. CV Rocket— это продвинутый курс для CV-инженеров, на котором вы разберёте большинство задач компьютерного зрения, погрузитесь в сложные случаи, возможные проблемы с данными и интересные корнер-кейсы, узнаете лучшие практики и получите ответы на накопившиеся вопросы. Вы ещё успеваете присоединиться! Для этого переходите на сайт, изучайте подробности и присоединяйтесь к обучению 🎓 Если у вас есть вопросы, то будем рады помочь в нашей поддержке @deepschool_support