1. DL
1.1. Transformer
1.1.1. Основы
1.1.2. ViTv
1.2. Нейросети
1.2.1. RNN
1.2.2. Архитектуры
1.2.3. CNN
1.2.4. GAN
1.2.5. LLM
1.2.6. GPT
1.2.7. BERT
1.2.8. ResNet
1.3. Обучение
2. ML
2.1. Paradigms
2.1.1. Reinforcement learning (RL)
2.1.2. supervised learning (SL)
2.1.3. unsupervised learning
2.2. RecSys
2.3. Классические алгоритмы и модели
2.3.1. State-of-the-art библиотеки
2.3.2. Метрики измерения эффективности алгоритмов
2.3.3. Разработка новых моделей (больше для AI Researcher, AI Scientist)
2.3.4. NLP
2.3.5. img2txt и img2img
2.3.6. MLLM
2.3.7. VLM
2.3.8. Разработка моделей глубокого обучения для распознавания с камер, лидаров и радаров
2.4. АB-тестирование
2.5. Обучение
2.6. Boosting
2.7. CV
2.7.1. постпроцессинг
2.7.2. Оптимизация
2.7.2.1. прунинг
2.7.2.2. квантование
2.7.3. Подготовка
2.7.3.1. эмбеддинг
2.7.3.1.1. мультимодальные
2.7.3.1.2. изображений
2.7.3.2. подбирать данные/заказывать разметку
2.7.4. Задачи
2.7.4.1. классификации
2.7.4.1.1. пайплайнами по подготовке классификаторов
2.7.4.2. детекции
2.7.4.2.1. SSD
2.7.4.2.2. YOLO
2.7.4.2.3. CenterNet
2.7.4.3. сегментации
2.7.4.3.1. instance
2.7.4.3.2. semantic
2.7.4.3.3. panoptic
2.7.4.4. всего, что можно сделать с изображением или с видео
2.7.5. Прикладные знания
2.7.5.1. опыт применения CV в высоко нагруженных системах
2.7.5.2. кейсы применения CV
2.7.5.3. Работа с моделями для edge-устройств
2.7.5.4. Антифрод
2.8. production pipeline обработки
2.8.1. Деплой
2.9. ускорение inference модели в production
2.10. pretrained
2.11. Приложение
2.11.1. SFT
2.11.2. PEFT