Курс на Stepik
Обложка курса «Deep Learning (семестр 2, весна 2026)» на Stepik
Бесплатно

Deep Learning (семестр 2, весна 2026) ★ 4.750

Открыть на
STEPIK.ORG

Курс посвящен использованию нейросетевых моделей для обработки естественного языка (NLP) . Курс рассчитан на студентов, прошедших курс первого семестра нашей школы Deep Learning School. Курс состоит из лекций, семинаров и домашних заданий. В течение курса вам предстоит много практики, а в конце — самостоятельный итоговый проект. Практика проходит на PyTorch. Преподаватели школы — ведущие специалисты российских и зарубежных IT-компаний и научные сотрудники исследовательских компаний.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Deep Learning (семестр 2, весна 2026)»Учеников на курсе 2 857
Сертификаты, выданные на курсе «Deep Learning (семестр 2, весна 2026)»Сертификатов выдано 0
Отзывы о курсе «Deep Learning (семестр 2, весна 2026)»Отзывов получено 4
Рейтинг курса «Deep Learning (семестр 2, весна 2026)»Рейтинг курса 4.750
Уроки в курсе «Deep Learning (семестр 2, весна 2026)»Количество уроков 38
Тесты в курсе «Deep Learning (семестр 2, весна 2026)»Количество квизов 1
Задачи с кодом в курсе «Deep Learning (семестр 2, весна 2026)»Количество задач с кодом 13
Время прохождения курса «Deep Learning (семестр 2, весна 2026)»Время прохождения курса —
Обновления курса «Deep Learning (семестр 2, весна 2026)»Обновления курса — —
Дата публикации курса «Deep Learning (семестр 2, весна 2026)»Дата публикации курса — ———
Последнее обновление курса «Deep Learning (семестр 2, весна 2026)»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Deep Learning (семестр 2, весна 2026)» 21 раздел Уроки в курсе «Deep Learning (семестр 2, весна 2026)» 38 уроков Тесты в курсе «Deep Learning (семестр 2, весна 2026)» 1 тест Задачи в курсе «Deep Learning (семестр 2, весна 2026)» 13 задач Время прохождения курса «Deep Learning (семестр 2, весна 2026)» 2 ч. Последнее обновление курса «Deep Learning (семестр 2, весна 2026)» обн. 19 июля 2026

Организационная информация

1 урок
1. Организационная информация ↗

Введение в NLP. Эмбеддинги слов.

2 урока
1. Лекция. Эмбеддинги слов. ↗
2. Семинар. Обработка и классификация текстов ↗

Домашнее задание. Ранжирование текстов на основе эмбеддингов

1 урок
1. Ранжирование текстов на основе эмбеддингов ↗

Рекуррентные нейронные сети (RNN)

2 урока
1. Лекция. Рекуррентные нейронные сети. Татьяна Гайнцева ↗
2. Семинар. Классификация текста с помощью RNN. Антон Земеров ↗

Домашнее задание. Классификация текста с помощью RNN

1 урок
1. Домашнее задание. Классификация текста с помощью RNN ↗

Языковое моделирование

2 урока
1. Лекция. Языковое моделирование. Антон Земеров ↗
2. Семинар. Языковое моделирование. Антон Земеров ↗

Домашнее задание. Языковое моделирование

1 урок
1. Домашнее задание. Языковое моделирование ↗

Машинный перевод и механизм Attention

3 урока
1. Лекция. Машинный перевод и механизм Attention ↗
2. Семинар. Машинный перевод ↗
3. Дополнительные материалы ↗

Архитектура Transformer

3 урока
1. Лекция. Attention и трансформер. Татьяна Гайнцева ↗
2. Семинар. Attention и трансформеры. Игорь Щукин ↗
3. Дополнительные материалы ↗

Предобучение и дообучение языковых моделей

2 урока
1. Лекция. Предобучение и файнтьюнинг LM. Антон Земеров ↗
2. Семинар. Файнтьюнинг BART для суммаризации. Антон Земеров ↗

Домашнее задание. Предобучение и дообучение языковых моделей

1 урок
1. Домашнее задание. Трансформеры ↗

От GPT до GPT-3. Zero-shot Learning.

1 урок
1. Лекция. GPT-модели ↗

GPT-2, GPT-3, RAG

2 урока
1. Лекция. GPT2 и далее ↗
2. Семинар. RAG ↗

Домашнее задание. RAG

1 урок
1. Домашнее задание. RAG ↗

Интерпретируемость трансформеров

2 урока
1. Лекция. Интерпретируемость трансформеров. ↗
2. Семинар. Интерпретируемость трансформеров. ↗

Детекция сгенерированных текстов

2 урока
1. Лекция. Детекция сгенерированных текстов. ↗
2. Семинар. Детекция сгенерированных текстов. ↗

Домашнее задание. Детекция сгенерированных текстов.

1 урок
1. Домашнее задание. Детекция сгенерированных текстов. ↗

Дополнительный модуль. Работа с Yandex Cloud

7 уроков
1. Введение. Что такое Yandex Datasphere ↗
2. Домашнее задание. Ранжирование на основе Yandex Embeddings ↗
3. Домашнее задание. Машинный перевод в Yandex Translate ↗
4. Лонгрид. Особенности эксплуатации GPT-моделей в облаке. ↗
5. Лонгрид. До-обучение Yandex GPT и LLaMA ↗
6. Домашнее задание. Извлечение именованных сущностей с помощью LLM ↗
7. Лонгрид. RAG на основе YandexGPT ↗

Дополнительный модуль. LLM-Агенты

1 урок
1. Открытая лекция. LLM-агенты ↗

Итоговый проект

1 урок
1. Итоговый проект. Описание и форма сдачи ↗

Модуль для дополнительных баллов

1 урок
1. Урок для дополнительных баллов ↗