Менторство · GPU & ML Performance
Менторство по GPU-программированию и производительности ML
Пишешь и профилируешь собственные GPU-ядра и ускоряешь модели: от первого ядра сложения векторов до своего оператора PyTorch на C++/CUDA с autograd и тестами.
Кому подойдёт
- ML-инженерам, которые хотят понимать и убирать узкие места производительности.
- C++ и системным разработчикам, которые переходят в ML-инфраструктуру и инференс.
- Квант-разработчикам, которым нужен быстрый численный код на GPU.
Что построим
Трек GPU & ML Performance — 8 спринтов. Он открывается после Deep Learning в ML-траектории или после Quant Development.
- Первое GPU-ядро: сложение векторов.
- Слияние операций: ядро softmax.
- Softmax: occupancy и пропускная способность.
- Блочное умножение матриц.
- Порядок блоков и автоподбор matmul.
- Нормализация слоя: проход вперёд.
- Оператор PyTorch на C++ и CUDA.
- Проверка и autograd собственного оператора.
Как проходит менторство
- Бесплатный созвон: смотрим на базу по C++, Python и deep learning.
- Еженедельные созвоны 1:1 и ревью ядер, бенчмарков и профилей.
- Портфолио-проекты для собеседований в ML-инфраструктуру.
Вопросы
Нужна своя видеокарта?
Нет. Для трека достаточно бесплатных GPU в Colab и Kaggle.
CUDA или Triton?
Оба: Triton для быстрой разработки ядер, C++/CUDA для собственных операторов PyTorch.
Какая нужна база?
Python, базовый C++ и понимание того, как обучаются нейросети.
Читать дальше
GPU-программирование для машинного обучения: роадмапРоадмап GPU-программирования для ML: архитектура GPU, ядра на CUDA и Triton, fused softmax, блочный matmul, профилирование и свои операторы PyTorch.Как стать ML-инженером: роадмап от Python до продакшенаРоадмап ML-инженера: Python и данные, математика, классический ML, deep learning, специализация и MLOps, проекты для портфолио и реалистичные сроки.Как выбрать ментора по машинному обучениюКак выбрать ментора по машинному обучению или quant research: что входит в хорошее менторство, тревожные признаки, вопросы на первый созвон и модели оплаты.
Направления менторства
Quant ResearchМенторство по quant research от практикующего квант-исследователя: статистика, поиск альфы, бэктест, портфель и риск, подготовка к собеседованиям.ML-инженерМенторство по ML 1:1: Python, математика, классический ML на Kaggle, deep learning, специализация и ML system design с личным ревью кода.LLM / AI-инженерМенторство 1:1 для LLM и AI-инженеров: трансформеры, fine-tuning с LoRA, RAG, вызов функций, агенты, оценка качества и локальный сервинг на vLLM.Quant DeveloperМенторство 1:1 для квант-разработчиков на современном C++: производительность, конкурентность, сеть, FIX-шлюз, matching, replay рыночных данных и QuantLib.Подготовка к собеседованиямПодготовка к собеседованиям ML-инженера и quant researcher: mock-интервью, разбор резюме и тренажёр на 2 000 вопросов с интервальным повторением.