اکنون در دسترس! پژوهش تلگرام ۲۰۲۵ — مهمترین بینشهای سال 
DeepSchool
رفتن به کانال در Telegram
Это канал школы deepschool.ru. Здесь мы будем: - напоминать вам теорию ML/DL в виде коротких постов, - задавать вопросы с собеседований, - рассказывать про полезные фреймворки - и делиться советами, которые помогут вам в работе. @deepschool_support
نمایش بیشتر📈 تحلیل کانال تلگرام DeepSchool
کانال DeepSchool (@deep_school) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 10 562 مشترک است و جایگاه 11 741 را در دسته فناوری و برنامهها و رتبه 62 168 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 10 562 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 05 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 14 و در ۲۴ ساعت گذشته برابر -2 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 28.40% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 12.32% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 3 000 بازدید دریافت میکند. در اولین روز معمولاً 1 301 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 32 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, ускорение, deepschool, lora, домен تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“Это канал школы deepschool.ru. Здесь мы будем:
- напоминать вам теорию ML/DL в виде коротких постов,
- задавать вопросы с собеседований,
- рассказывать про полезные фреймворки
- и делиться советами, которые помогут вам в работе.
@deepschool_support”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 06 ژوئن, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامهها تبدیل کردهاند.
10 562
مشترکین
-224 ساعت
-157 روز
+1430 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئن '26
ژوئن '26
+30
در 0 کانالها
مه '26
+232
در 0 کانالها
Get PRO
آوریل '26
+133
در 1 کانالها
Get PRO
مارس '26
+244
در 1 کانالها
Get PRO
فوریه '26
+277
در 1 کانالها
Get PRO
ژانویه '26
+235
در 1 کانالها
Get PRO
دسامبر '25
+283
در 1 کانالها
Get PRO
نوامبر '25
+320
در 4 کانالها
Get PRO
اکتبر '25
+443
در 2 کانالها
Get PRO
سپتامبر '25
+618
در 1 کانالها
Get PRO
اوت '25
+666
در 2 کانالها
Get PRO
ژوئیه '25
+226
در 4 کانالها
Get PRO
ژوئن '25
+168
در 3 کانالها
Get PRO
مه '25
+209
در 2 کانالها
Get PRO
آوریل '25
+267
در 3 کانالها
Get PRO
مارس '25
+224
در 2 کانالها
Get PRO
فوریه '25
+171
در 1 کانالها
Get PRO
ژانویه '25
+220
در 1 کانالها
Get PRO
دسامبر '24
+173
در 1 کانالها
Get PRO
نوامبر '24
+218
در 2 کانالها
Get PRO
اکتبر '24
+195
در 3 کانالها
Get PRO
سپتامبر '24
+328
در 8 کانالها
Get PRO
اوت '24
+545
در 4 کانالها
Get PRO
ژوئیه '24
+140
در 1 کانالها
Get PRO
ژوئن '24
+128
در 1 کانالها
Get PRO
مه '24
+114
در 0 کانالها
Get PRO
آوریل '24
+363
در 2 کانالها
Get PRO
مارس '24
+136
در 1 کانالها
Get PRO
فوریه '24
+207
در 2 کانالها
Get PRO
ژانویه '24
+379
در 1 کانالها
Get PRO
دسامبر '23
+173
در 0 کانالها
Get PRO
نوامبر '23
+83
در 0 کانالها
Get PRO
اکتبر '23
+273
در 2 کانالها
Get PRO
سپتامبر '23
+76
در 0 کانالها
Get PRO
اوت '23
+158
در 0 کانالها
Get PRO
ژوئیه '23
+438
در 0 کانالها
Get PRO
ژوئن '23
+117
در 0 کانالها
Get PRO
مه '23
+1 069
در 0 کانالها
Get PRO
آوریل '23
+377
در 0 کانالها
Get PRO
مارس '23
+264
در 0 کانالها
Get PRO
فوریه '23
+722
در 0 کانالها
Get PRO
ژانویه '23
+900
در 0 کانالها
Get PRO
دسامبر '22
+29
در 0 کانالها
Get PRO
نوامبر '22
+38
در 0 کانالها
Get PRO
اکتبر '22
+551
در 0 کانالها
Get PRO
سپتامبر '22
+9
در 0 کانالها
Get PRO
اوت '22
+16
در 0 کانالها
Get PRO
ژوئیه '22
+1 082
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 06 ژوئن | 0 | |||
| 05 ژوئن | +3 | |||
| 04 ژوئن | +9 | |||
| 03 ژوئن | +2 | |||
| 02 ژوئن | +5 | |||
| 01 ژوئن | +11 |
پستهای کانال
Как собрать хорошие траектории для обучения LLM-агента
LLM-агенту недостаточно просто отвечать текстом: важно научить его выбирать действия и работать с инструментами. Сегодня разбираем, какие данные здесь нужны, и почему одного SFT обычно мало.
В новой статье рассказываем:
- что такое траектория в агентских задачах
- чем SFT-данные отличаются от alignment-данных
- как работают пары chosen/rejected и зачем нужен DPO
- что такое hard negatives и каким образом собирать их полезные примеры
- и как выстроить конвейер проверки, покрытия и обновления датасета
Читайте статью по ссылке! 👈🏼
Если хотите не только собирать датасеты, но и понимать, как дообучать, оценивать и запускать LLM-агентов на практике, эта тема напрямую продолжается на курсе LLM. Курс стартует 4 июня, а до 3 июня включительно вы можете присоединиться со скидкой 5%!
| 2 | Как создавать и деплоить DL-сервисы
Напоминаем, что 4 июня стартует курс DLOps, на котором вы научитесь превращать модели в сервисы и доводить их до пользователей.
На курсе вы научитесь:
• писать код для обучения моделей «по фэншую»
• конвертировать модели в JIT и ONNX
• версионировать данные, эксперименты и модели
• автоматизировать рутину и быть уверенным в своём коде
• писать веб-сервисы на FastAPI
• собирать приложения с помощью Docker
• сервить модели с NVIDIA Triton
• тестировать веб-сервисы и подменять зависимости при помощи DI
• настраивать CI/CD и деплоить веб-сервисы на удалённые машины «по кнопке» при помощи ansible и k8s
• мониторить веб-приложения при помощи Prometheus и Grafana
После каждой лекции вас ждет домашнее задание, а в конце курса — проект, где можно применить все полученные навыки.
На протяжении всего обучения вас будут поддерживать опытные инженеры: ревьюить ваш код, отвечать на вопросы во время лекций, на Q&A-сессиях и в чате.
🚀 Курс стартует 4 июня, а до 3 июня включительно вы можете записаться со скидкой 5%!
Изучайте подробности о программе и спикерах и присоединяйтесь к обучению.
Если возникают вопросы, пишите нам в поддержку в Телеграм! | 1 659 |
| 3 | Data Version Control
DVC - инструмент для версионирования данных, моделей и ML-экспериментов, который помогает управлять данными так же, как Git управляет кодом.
Новая статья познакомит вас с концепцией версионирования данных в DVC, расскажет, как хранить большие объёмы файлов в удалённых хранилищах, поможет внедрить и использовать DVC в своей команде.
Читайте статью по ссылке! 👈🏼
А если хотите научиться превращать модели в сервисы и доводить их до пользователей, то приходите на курс DLOps. Оставьте заявку до 31 мая, чтобы получить скидки до 15% 🔥 | 2 578 |
| 4 | Спроси DeepSchool
Мы запускаем новую рубрику, в которой будем отвечать на вопросы не только наших студентов, но и всех подписчиков канала.
Начинаем с вопроса, который нам задали на QA-сессии курса DLOps.
❓«Сделали модель — как её задеплоить?»
💬 Отвечает Константин Носорев — Senior Backend-разработчик в Яндекс, спикер курса DLOps.
На самом деле в этом вопросе скрывается несколько разных вопросов. Разберём каждый.
1. Как запустить модель?
Есть два основных подхода:
а) FastAPI / Flask (и др.) обёртка. Файл модели загружается в HTTP / gRPC-сервис. Минимальные накладные расходы на старте, но проблемы с масштабированием / батчингом придётся решать самостоятельно.
б) Специализированные inference-серверы. Например,Triton Inference Server, TorchServe, vLLM. Поддерживают батчинг, управление памятью и обслуживание нескольких моделей одновременно. Оправданы при высоких требованиях к latency и throughput.
2. Как обеспечить доступность?
Если у вас большие требования к доступности — нужно несколько реплик на разных серверах (а лучше — ДЦ). Иначе сбой на одном сервере — и к вашей модели «не достучаться». В случае с несколькими репликами важно, чтобы при падении одной из них трафик перераспределялся между остальными. Здесь тоже есть несколько вариантов, например:
а) Kubernetes. Автоматически поддерживает заданное число реплик, проверяет доступность / работоспособность и перераспределяет трафик.
б) Bare Metal. Прямой запуск на серверах. Максимальный контроль над ресурсами, логику перезапуска и балансировки нужно делать самостоятельно. Например, через systemd и nginx / HAProxy.
3. Как выстроить архитектуру сервиса?
Есть несколько подходов:
а) Бизнес-логика и модель в одном сервисе. Минимальная сложность при запуске, но при росте нагрузки возникают проблемы. Бизнес-логика и инференс потребляют ресурсы совместно и разделить их невозможно: если модель перегружена, масштабируется весь сервис целиком, включая логику, которая в этом не нуждается. Обратная ситуация аналогична. Это приводит к избыточному расходу памяти и GPU, а также к сложностям при горизонтальном масштабировании.
б) Отдельно микросервис с моделью и отдельно сервис с бизнес-логикой. Например, Triton или vLLM обслуживают модель, а «основной» сервис обращается к ним по HTTP/gRPC. Компоненты обновляются и масштабируются независимо: можно добавить реплики только на сторону модели или логики.
✍️ Будем продолжать этот формат — на ваши вопросы будут отвечать такие же опытные практикующие инженеры, как Константин: наши спикеры, авторы статей и друзья школы.
Задавайте вопросы на ask.deepschool.ru, а мы ответим на них в канале! | 3 087 |
| 5 | От ML-инженеров хотят всё больше. Раньше можно было просто обучить модель и перекинуть ноутбук бэкендеру «через стенку». Сейчас где-то нужно завернуть модель в Docker/сделать минимальное демо и довести его до пользователя. Где-то самому встроить модель в сложную систему. А где-то эту систему ещё и спроектировать.
Код-агенты, конечно, сильно упростили жизнь: собрать демку или MVP теперь проще некуда. Но они не сняли с нас главного: ответственности за полученное решение. По шапке будет получать не Claude:)
А отвечать за систему, в которой не знаешь, как устроены «кубики» — сомнительное удовольствие. Ты вроде что-то собрал и оно работает. Но почему именно так? — 🤷♂️. Что делать, когда сломается? — 🤷♂️. Остаётся верить сетке на слово, что «так правильно». Спойлер: очень часто нет.
Чтобы «кубики» были не чёрными ящиками, а понятным набором инструментов, мы запускаем курс DLOps. За 4 месяца проходим всю цепочку: от сериализации модели и небольшого сервиса на FastAPI до Nvidia Triton, k8s и мониторинга. Учим создавать полноценные сервисы и доводить их до пользователя.
В этом потоке добавили лекцию про LLM observability. Наш DLOps построен вокруг «обычных» DL-моделей. Но чем дальше, тем меньше сервисов не ходит в LLM хотя бы просто по API. А за ними нужен глаз да глаз 😉
Обучение начинается 4 июня, а до 24 мая действует скидка 20% 🔥
Переходите на сайт, изучайте подробности и оставляйте заявку на курс!
Если возникают вопросы, пишите нам в поддержку в Телеграм! | 3 075 |
| 6 | Разбираемся с тестированием
Подготовили карточки с вопросами по тестированию:
- пишем smoke-тесты на обучение модели
- разбираемся, зачем изобрели столько разных скоупов у фикстур
- боремся с долгой установкой в CI
- пишем регрессионный тест на метрики
и много других.
Формат тот же: вопрос на лицевой стороне, развёрнутый ответ с примерами — на обратной. Готовьтесь к собеседованию здесь!
А если хотите подготовиться не только к вопросам по тестированию, но и разобраться во всём цикле разработки DL-сервисов, то приходите на курс DLOps, который стартует 4 июня! | 3 323 |
| 7 | HNSW: строим маленькие миры для быстрого поиска
Поиск схожих объектов базовая задач в машинном обучении. Рекомендательные системы, семантический поиск, дедупликация, retrieval в RAG — везде нужно уметь быстро находить ближайшие векторы.
Но делать это «в лоб» — почти всегда довольно длительное занятие, поэтому зачастую используются приближенные методы.
В этой статье мы разберём один из таких методов — HNSW, и узнаем:
- как он работает
- почему гарантирует высокую скорость без сильной потери качества
- за счёт каких особенностей он настолько эффективен
- и как его параметры влияют на качество и скорость поиска
Читайте новую статью по ссылке: https://clck.ru/3TdhnE 🤩 | 3 493 |
| 8 | Что под капотом у видеокодеков, генеративных моделей и тимлидов? | Подкаст с Ильдаром Идрисовым
В этом выпуске мы с Ильдаром Идрисовым, Head of ML Vinteo.ai, разбираемся, как устроены видеокодеки, почему лучшие модели не могут сгенерировать нам план квартиры и почему, став тимлидом, нужно ещё научиться им быть.
Смотрите по ссылке: https://youtu.be/stCi1eQSEYY 👈🏼 | 4 466 |
| 9 | GENets: Neural Architecture Design For GPU-Efficienet Networks
Для многих GPU — основной девайс для инференса. А значит, получать высокие метрики при низком latency на нём — критически важно. Исследователи из Alibaba утверждают, что текущие быстрые решения не используют весь потенциал GPU.
В работе «Neural Architecture Design for GPU-Efficient Networks» они показывают, как проектировать сети для быстрого инференса на GPU и презентуют семейство backbones GENet.
О принципах построения свёрточных сетей для эффективного инференса на GPU и результатах авторов мы рассказали в новой статье!
Читайте материал по ссылке! 👈🏼
🪔 DeepSchool
Приходите на курс «Ускорение нейросетей», чтобы разобраться в эффективных архитектурах и подходах к ускорению | 4 451 |
| 10 | YOLO history. Part 9
А мы возвращаемся с разбором моделей семейства YOLO! 😎
В прошлой статье обсудили YOLOv8 и YOLOv11 — а значит, подобрались уже к самым передовым моделям. Сегодня рассмотрим все оставшиеся модели в одном посте 🤓
Итак, в новой статье:
- узнаем, как избавиться от NMS на примере YOLOv10
- поговорим об оптимизации attention для ускорения детекции из YOLOv12
- познакомимся с концепцией гиперграфа с помощью YOLOv13
Скорее читайте по ссылке! 👈🏼 | 0 |
| 11 |  Встречаемся через 3 часа на воркшопе по 3D CV
Сегодня разберём, из каких этапов состоит пайплайн обработки 3D-данных и какие применения он находит в частных задачах. А потом вы самостоятельно построите ключевые элементы пайплайна 3D-зрения для ориентации робота в комнате.
Вы узнаете:
• как и откуда получать 3D-данные
• как их правильно выравнивать и предобрабатывать
• как работать с библиотекой Open3D
• какие 3D DL-модели существуют и для каких представлений данных они подходят
• как оценивать полученный результат
• в каких практических задачах применяется 3D и как именно
Во второй части воркшопа мы разделим вас на группы, и вы реализуете агрегацию и фильтрацию 3D-данных для построения модели комнаты, обработку данных нейросетью и извлечение информации для навигации робота. У вас будет эмулятор робота в пространстве, к которому вы допишете фрагменты обработки 3D-сцены.
Чтобы не терять времени на воркшопе, заранее установите Conda и настройте среду, используя этот environment.yml, с помощью команды: conda env create -f environment.yml
📅 9 апреля, четверг, в 19:00 МСК
Регистрируйтесь по ссылке и приходите сегодня вечером! | 0 |
| 12 | Love, 3DCV & Robots
В этот четверг мы проведём воркшоп по использованию трёхмерных данных в CV-системах. На нём вы узнаете, как гуманоидные роботы собирают и обрабатывают 3D-информацию и что роднит их с аппаратом МРТ. Мы разберём, из каких этапов состоит пайплайн обработки 3D-данных и какие применения он находит в частных задачах.
Вы узнаете:
• как и откуда получать 3D-данные
• как их правильно выравнивать и предобрабатывать
• как работать с библиотекой Open3D
• какие 3D DL-модели существуют и для каких представлений данных они подходят
• как оценивать полученный результат
• в каких практических задачах применяется 3D и как именно
Во второй части воркшопа вы самостоятельно построите ключевые элементы пайплайна 3D-зрения для ориентации робота в комнате. Мы разделим вас на группы по 2-3 человека, и вы реализуете агрегацию и фильтрацию 3D-данных для построения модели комнаты, обработку данных нейросетью и извлечение информации для навигации робота. У вас будет эмулятор робота в пространстве, к которому вы допишете фрагменты обработки 3D-сцены.
Чтобы не терять времени на воркшопе, заранее установите Conda и настройте среду, используя этот environment.yml, с помощью команды: conda env create -f environment.yml
🙋♂️Спикер воркшопа — Давид Свитов, к.т.н., IIT, ex Researcher Samsung AI Center. Давид расскажет про обработку 3D-данных и поможет вам с выполнением задания.
📅 9 апреля, четверг, в 19:00 МСК
Регистрируйтесь по ссылке и приходите в четверг! | 0 |
| 13 | Flash Attention-2
FlashAttention-2 — реализация алгоритма attention, которая значительно ускоряет вычисления в сравнении с первой версией и работает заметно быстрее стандартной реализации в PyTorch. В статье простыми словами разбираем, за счёт чего это происходит 👨🏼💻
Из нового материала вы узнаете:
- какие проблемы были у FlashAttention-1
- как удалось лучше загрузить GPU
- что изменилось в распределении вычислений
- и какую роль играет параллельный softmax
Читайте статью по ссылке! 👇
Про ускорение LLM, дообучение и их деплой рассказываем на курсе LLM. Запишитесь в лист ожидания, чтобы первыми занять место и получить скидки до 20% 🔥
Автор: Антон Наумов
🪔 DeepSchool | 0 |
| 14 | Продолжаем разбираться с LLM!
Подготовили 20 новых карточек с вопросами:
- зачем нужен GQA
- как scaling laws влияют на выбор модели
- FSDP vs DDP
- как изображения попадают в LLM
и много других. Готовьтесь к собеседованию здесь!
Теперь можно предложить вопрос со своего собеседования и мы его опубликуем. Для этого нажимайте «предложить вопрос» у коллекции «от сообщества 💚» | 0 |
| 15 | Как собирать NLP-системы, которые работают под нагрузкой
Обучить модель, построить эмбеддер или воспользоваться API — не значит запустить рабочую систему. RAG галлюцинирует, агент ломается на реальных сценариях, эмбеддинги не работают на специфичном домене. С этими и другими проблемами мы разберёмся на курсе LLM Pro, который стартует 26 марта!
На курсе вы научитесь:
• проектировать и запускать NLP-системы под реальные продуктовые задачи
• адаптировать LLM и эмбеддинги под специфичный домен и «живые» данные
• собирать и размечать датасеты — даже если данных изначально почти нет
• решать задачи классификации, поиска, кластеризации и NER — с ограничениями продакшн-среды
• собирать свою RAG-систему: от ретривера и реранкера до генератора и оценки качества
• строить AI-агентов с нуля — на основе сценариев, функций и взаимодействия с внешней средой
Приходите, чтобы узнать про best practices от опытных инженеров из продуктовых команд и применять похожие подходы в своих проектах
🤖 До 25 марта вы можете присоединиться к обучению со скидкой 5%!
Изучайте программу и отзывы на сайте и записывайтесь на ближайший поток 🎓 | 0 |
| 16 | Встречаемся через 3 часа на лекции по RAG
Сегодня Дмитрий Калашников расскажет, как правильно выстроить пайплайн и превратить RAG из хаотичного набора компонентов в надёжный инструмент.
На лекции вы узнаете:
- почему ванильная схема «ретривер + генератор» почти никогда не даёт нужного качества
- с чего начинать улучшения: эмбеддер, поиск, реранкер, генератор, данные или что-то ещё
- какие задачи приходится решать, чтобы RAG действительно работал
- как из разрозненных компонент собрать надежный RAG-продукт
🔥 А также всем участникам подарим скидку 15% на курс LLM Pro — продвинутую программу, на которой вы научитесь строить системы, которые работают в реальном мире!
⏰ Начинаем сегодня, 19 марта, в 19:00 МСК
Регистрируйтесь по ссылке и приходите сегодня вечером! | 0 |
| 17 | Токенизация и эмбеддинги в NLP: что спрашивают на собеседованиях
Ранее мы разобрали популярные вопросы про attention и трансформеры с NLP-собеседований, а сегодня расскажем, что происходит с текстом до модели — обсудим токенизацию и построение эмбеддингов.
Формат новой статьи тот же: вопросы с собеседований разбиты на модули, а ответы спрятаны под спойлерами. Cначала попробуйте ответить сами, а потом загляните в разбор и примеры 😉
Читайте новую статью по ссылке!
🪔 DeepSchool
Уже профессионально работаете с LLM? Соберите полноценные LLM-системы с учётом требований к качеству и нагрузке, разберите сложные кейсы и дизайны NLP-решений у нас на курсе LLM Pro.
Старт — 26 марта.
Читайте подробнее на сайте и присоединяйтесь к обучению ⚡️ | 0 |
| 18 | Ванильный RAG не работает. Как исправить?
RAG — один из самых популярных сценариев для интеграции LLM в продукты. При этом большинство RAG-систем в реальных условиях ломаются уже на старте: галлюцинации, нерелевантные ответы, потерянный контекст.
Проблема не в идее, а в деталях. Ванильная схема «ретривер + генератор» — это только скелет. Без правильно настроенного эмбеддера, качественных данных, реранкера и дообученного генератора она не работает. А когда что-то идёт не так, то непонятно, за что взяться.
В этот четверг Дмитрий Калашников, NLP team lead в Яндексе, проведёт открытую лекцию и разложит систему по частям: где обычно ломается, как диагностировать проблему и что конкретно делать на каждом уровне пайплайна.
Мы разберём:
• типичные точки отказа: эмбеддер, поиск, реранкер, генератор, данные
• как локализовать проблему, прежде чем что-то чинить
• какие техники реально улучшают качество на каждом этапе
• как собрать из компонентов систему, которая держит нагрузку
На лекции также представим курс LLM Pro — для тех, кто хочет научиться строить полноценные NLP-системы с учётом требований к качеству и нагрузке.
Участникам лекции подарим скидку в 15% на обучение! 🎁
📅 Лекция пройдёт 19 марта в 19:00 МСК
Регистрируйтесь по ссылке и до встречи в четверг! | 0 |
| 19 | Как повысить квалификацию в Computer Vision
Приходите на ближайший поток CV Rocket, который стартует 17 марта!
Это курс для практикующих CV-инженеров, которые хотят закрыть пробелы в знаниях и узнать про подходы и лучшие практики от senior-инженеров.
Вы научитесь:
- готовить данные: собирать, устранять ошибки в разметке, мониторить качество
- отлаживать обучение, находить аномалии и интерпретировать результаты модели
- работать с metric learning и векторным поиском
- работать с видео: трекинг и action-recognition
- предобучать без разметки: от pretext-задач до современных SSL-алгоритмов
- адаптировать модели детекции, сегментации и OCR под сложные кейсы
Обучение длится 4 месяца и состоит из 13 лекций и 13 заданий.
Лекции проходят онлайн в Zoom, поэтому вы сможете задавать вопросы по ходу занятия.
🔥 До 16 марта вы можете записаться со скидкой 5%!
Переходите на сайт, изучайте подробности, читайте отзывы выпускников и записывайтесь на обучение!
До встречи на курсе! 🎓 | 0 |
| 20 | Осталось 3 часа до воркшопа по BentoML
Сегодня с Анастасией Старобыховской разберёмся как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ.
На воркшопе вы узнаете:
— как передать готовую модель без погружения в репозитории backend-команды
— как упаковать модель с помощью BentoML и поднять инференс-сервер
— как обращаться к модели из внешнего кода
— когда BentoML не подходит и что использовать вместо него
У вас будет возможность упаковать модель самостоятельно в режиме реального времени!
А также всем участникам подарим скидки на курс CV Rocket! 🎁
🕕 Регистрируйтесь и приходите сегодня в 19:00 МСК | 0 |
