Эффективные системы глубинного обучения 21/22
Содержание
О курсе
Курс по выбору для студентов 4 курса, читается в 3 модуле.
Лектор: Рябинин Максим Константинович
Семинаристы: Космачев Алексей Дмитриевич, Маркович Александр, Семенкин Антон Александрович
Занятия проходят по субботам в 13:00 – 16:00.
Полезные ссылки
Anytask для сдачи заданий (инвайт KZ3mOmY)
Канал в Telegram для объявлений: https://t.me/efficientdl_22
Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy
Репозиторий с материалами курса
Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.
Форма для анонимной обратной связи или вопросов по материалам занятий
Правила выставления оценок
В курсе предусмотрено три домашних задания:
1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)
2. Профилирование DL-кода и эффективные пайплайны обучения
3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)
Итоговая оценка вычисляется по следующей формуле:
Oитог = 0.375*OДЗ1+0.125*OДЗ2+0.5*OДЗ3
Округление оценки арифметическое.
Правила сдачи заданий
Дедлайны заданий объявляются в момент их выдачи.
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.
Полезные материалы
Курсы
- CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
- Full Stack Deep Learning. https://fullstackdeeplearning.com/
- Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
- CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/
