Просмотр исходного текста страницы Эффективные системы глубинного обучения 24/25

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Александр Маркович], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1163 Anytask] для сдачи заданий

[ Канал] в Telegram для объявлений.

[ Чат] в Telegram для обсуждения курса.

[https://github.com/mryab/efficient-dl-systems 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 несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы. 

Итоговая оценка вычисляется по следующей формуле:

O<sub>итог</sub> = 0.2*O<sub>ДЗ1</sub>+0.4*O<sub>ДЗ2</sub>+0.4*O<sub>ДЗ3</sub>

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются. 

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [ форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в учебный офис. 
Следует помнить, что при повторном списывании студента могут отчислить.

== 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/