MLinside NLP Участвовать
Об работ ка языка курс MLinside

Обработка
естественного
языка (NLP)

Научитесь работать с современными NLP- и LLM-системами: дообучать языковые модели под свои задачи, строить RAG-системы и LLM-агентов, разбираться в инференсе и проектировании LLM-систем.

15 недель обучения
13 основных тем
2 бонусных блока
Как проходит обучение
01
Живые
вебинары
с преподавателем
Обсуждайте материал напрямую с преподавателем, задавайте вопросы и разбирайтесь в сложных темах вместе.
02
Записи
вебинаров
в постоянном доступе
Возвращайтесь к разобранным материалам в любое время — записи вебинаров остаются доступны после окончания курса.
03
Практика
и обратная связь
Закрепляйте изученное на домашних заданиях и получайте обратную связь.
Дополнительные материалы помогут систематизировать знания и глубже разобраться в отдельных темах курса.

Для кого
этот курс

Для тех, кто уже знаком с Python и основами ML.

Data Scientist и ML-инженерам

Уже знают классический ML хотят перейти в современный NLP

Хотите выйти за рамки классического ML и разобраться, как устроены LLM, как их дообучать и строить RAG-системы и LLM-агентов.

Разработчикам

Уже используют LLM через API хотят понимать внутреннее устройство

Уже используете LLM через API, но хотите понимать, как они устроены, и научиться проектировать RAG-системы и LLM-агентов.

Студентам и начинающим ML-специалистам

Знают Python и классический ML хотят развиваться в NLP

Если уже знакомы с Python и классическим ML, сможете углубиться в NLP и разобраться в современных языковых моделях и подходах к работе с ними.

Курс подойдет, если
хотите углубиться в NLP и работу с LLM-системами

Ваши результаты
после обучения

Шесть результатов — от понимания моделей до проектирования LLM-систем.

01
Transformer
Разберётесь в современных NLP-моделях
Поймёте устройство трансформерных архитектур и принципы работы современных языковых моделей.
02
Fine-tuning
Научитесь дообучать LLM под конкретные задачи
Освоите подходы к fine-tuning и сможете адаптировать модели под конкретные задачи.
03
RAG
Сможете строить RAG-системы
Разберётесь в архитектуре RAG, векторных базах данных, чанкинге, поиске и reranking.
04
LLM Agents
Научитесь создавать LLM-агентов
Сможете подключать к модели собственные инструменты и функции и использовать подходы ReAct и Function Calling.
05
Inference
Разберётесь в эффективном инференсе LLM
Познакомитесь с инструментами и подходами для запуска и оптимизации языковых моделей.
06
System Design
Научитесь проектировать LLM-системы
Разберётесь, как проектировать системы на основе больших языковых моделей.
01
Понимание моделей
Как устроены современные языковые модели и как их адаптировать
Transformer

Разберётесь в современных NLP-моделях

Поймёте устройство трансформерных архитектур и принципы работы современных языковых моделей.

Fine-tuning

Научитесь дообучать LLM под конкретные задачи

Освоите подходы к fine-tuning и сможете адаптировать модели под конкретные задачи.

02
Системы на основе LLM
Как проектировать системы на основе LLM и запускать модели
RAG

Сможете строить RAG-системы

Разберётесь в архитектуре RAG, векторных базах данных, чанкинге, поиске и reranking.

LLM Agents

Научитесь создавать LLM-агентов

Сможете подключать к модели собственные инструменты и функции и использовать подходы ReAct и Function Calling.

Inference

Разберётесь в эффективном инференсе LLM

Познакомитесь с инструментами и подходами для запуска и оптимизации языковых моделей.

03
Проектирование систем
Архитектура LLM-систем под конкретные задачи
System Design

Научитесь проектировать LLM-системы

Разберётесь, как проектировать системы на основе больших языковых моделей.

Какой уровень
подготовки нужен

Для старта понадобятся базовые знания в трёх областях.

Python
умение писать и читать код
  • умеете писать функции и классы
  • можете разобраться в чужом коде
  • знакомы с NumPy и pandas
Machine Learning
базовые знания машинного обучения
  • понимаете, что такое градиентный спуск и функция потерь
  • знаете разницу между train / validation / test
  • понимаете, что такое переобучение
  • хотя бы раз самостоятельно обучали ML-модель
Math
базовая математическая подготовка
  • понимаете матричное умножение
  • имеете базовую интуицию о производных
  • готовы работать с математическими формулами
Если все три области вам знакомы — базы достаточно для старта

Программа курса

Вводный блок · 13 основных тем · 2 бонусных блока {{ toggleAllLabel }}
Вводный блок 1
повторение базы
Темы 1–4 4
нейросети и Transformer
Темы 5–7 3
дообучение моделей
Темы 8–13 6
RAG, агенты, инференс, system design
Бонусные блоки 2
за пределами Transformer
{{ t.num }}
{{ t.title }}

{{ t.desc }}
Участвовать От повторения базы — к проектированию LLM-систем

Преподаватели

Андрей Жогов MLINSIDE · NLP
Ведёт курс
Андрей Жогов
ML-инженер в Сбере
Преподаватель МФТИ
Ранее работал над задачами машинного обучения в МТС
  • Соучредитель направления Machine Learning в Летних Олимпиадных Школах МФТИ
  • Методист проекта «Код Будущего» в 2025 году
  • Преподавал на сборах по подготовке школьников к Международной олимпиаде по искусственному интеллекту на базе МФТИ
Виктор Кантор
Соавтор курса
Виктор Кантор
Основатель MLinside
  • Работает с машинным обучением и искусственным интеллектом с 2010 года
  • Построил службу машинного обучения в Яндекс.Такси
  • Руководил Big Data в МТС (600+ сотрудников)
  • Преподаёт машинное обучение в МФТИ и ВШЭ

Стоимость

Рассрочка
4 444 ₽ / мес.*

* При рассрочке на 18 месяцев

Полная стоимость: {{ price }}
Программа
15недель · 13основных тем · 2бонусных блока
Формат
Живые
вебинары
записи и практика
Что входит в обучение
Живые вебинары с преподавателем
Записи вебинаров в постоянном доступе
Практика и обратная связь

Остались
вопросы?

Напишите нам: ответим на вопросы и подробнее расскажем о формате.

Почта ask@mlinside.ru
Telegram @marinagartm