Рендзю (семинар) — различия между версиями

Версия 16:20, 30 января 2017

Описание проекта, последний семинар.

Правила игры

• Ментор: Симагин Денис.
• Место: офис Яндекса (место встречи)
• Время: c 19:00, каждую среду.

Общение с ментором вне занятий приветствуется. Можно задавать вопросы, в том числе философские. Но перед тем, как написать, попробуйте спросить это у Яндекса. Также не обижайтесь, если в ответ вам пришла ссылка на документацию или какую-то статью.

Ключевые точки

Сверху нам спущены ключевые точки выполнения проекта. Для нас они скорее явлются формальными, тем не менее мы должны их соблюдать.

1. 12-17 декабря - все включились в работу
2. 20-25 марта - реализован объем работ, необходимый для зачета
3. 30 мая - 3 июня - окончание проектной работы, вы готовы, как пионеры.
4. начало июня - конкурс проектов.

Правило 2Х

У вас есть право на одну ошибку. Следующая - я отказываюсь с вами работать.

Репозитории

Студенты хранят свой код в следующих репозиториях

Разбор статьи

В рамках проекта студент должен разобрать интересную для него статью и доложить ее на общем семинаре.

Лабораторные

Лабораторные проводятся для практического закрепления материала. Их выполнение учитывается в итоговой оценке.

1. Результатом работы является jupyter notebook, где сохранен вывод вашего кода, графики и т.п. А так же его импорт в формат .py. Для автоматизации процесса можно настроить jupyter.
2. Когда сроки выполнения лабораторной завершены, вы выкладываете ее на ревью, создавая соответствующее задание и запрос на объединение ветки с мастером (не забудьте добавить проверяющего).
3. Ваш коллега проводит ревью кода и может оставлять замечания, как в виде комментариев к заданию, так и в файле .py. Оно предполагает проверку стиля и правильность кода, а также конструктивные замечания по производительности. Однако не стремитесь сразу оптимизировать код. Добейтесь лучше того, чтобы все работало правильно.
4. Когда ревью завершено, влейтесь в мастер и закройте задание.

Результаты

Текущие результаты можно найти здесь. Оценка складывается из нескольких частей:

1. Работа на семинаре
2. Доклад статьи
3. Итоговое качество игры

Семинары

S01.02, S08.02, 15.02, 22.02, 01.03

Разбор статьи

S25.01

1. Поговорили на тему многоруких бандитов.
2. Начали осваивать reinforcment learning.

Полезная книга может быть найдена здесь.

L4

Появилась очередная лабораторная работа L4.

Cроки:

• Начало ревью: 11 февраля, 00:00.
• Окончание: 12 февраля, 23:59.

S18.01

В связи с болезнью ментора занятие отменено.

H11.01

Произвели разбор L3. Описание модели победителя можно найти [здесь], а baseline доступен здесь.

Доклады мне не очень понравились. Постараюсь написать общие замечания.

1. Прежде всего у докладчика должна быть хорошая речь.
2. Нужно выделить то, что действительно важно и интересно для слушателя.
3. Делать на доске четкие и простые рисунки и записи, убедиться, что аудитория тебя понимает.
4. Не прыгать с темы на тему, а идти в соответсвии с логическим планом.

S14.12

Начали разбирать нашу статью. Есть пара источников на русском:

• Статья на wikipedia
• Статья на хабре

H11.12

Занятие было посвящено выполнению второй лабораторной. Интересный ноутбук скоро появится [здесь].

S08.12

1. Известные архитектуры сверточных сетей

• Alexnet
• VGG net
• GoogLeNet
• ResNet

2. Поговорили:

• На что активируются нейроны в зависимости от слоя
• Генерация 'похожих картинок'
• Послойное обучение сети
• Переобучение или дообучение уже готовой сети

3. Изучили примеры для библиотеки Keras

• Полносвязанная сеть
• Сверточная сеть
• Переобучение сверточной сети

L3

Победить в конкурсе классификации, срок 3 января, 23:59.

Для этого вам понадобится

• Установить Tensorflow
• Установить Keras
• Запастись терпением

S01.12

1. Полносвязанные сети:

• Подсчитаны производные для Backpropagation, обсуждены тонкости реализации.
• Различные виды нелинейности: ReLu, PReLu, Sigmoid.
• Обучение сетей при помощи Autoencoder.

2. Сверточные сети:

• Cтруктура CNN.
• Затронуты: Convolution, Pooling.
• Влияние различных ядер свертки на структуру сети.
• Feature maps.
• Разобрана архитектура Alexnet.
• Сочетание из Convolutional и Dense слоев.

S24.11

1. Регуляризация:

• Разобрали L1 и L2 регуляризаторы, можно найти здесь.
• Используйте простые классификаторы
• Раняя остановка (смотрим качество на отложенном множестве)
• Добавление шума
• Комбинирование классификаторов

2. Полносвязанные сети:

• Множественная классификация и softmax.
• Метод обратного распространения ошибки, проблема при обучении.
• Инициализация весов: и xavier и другие вариации.
• Кратко о dropout.

L2

Задание можно найти здесь, срок 23:59 11 декабря.

S02.11

1. Признаки и какие они бывают. Об отборе признаков, кратко тут. Может помочь на конкурсе.
2. Задача бинарной классификации.
3. Градиентный спуск.
4. Стохастический градиентный спуск. На английской вике больше интересной информации.

Для дополнительного чтения:

1. Что полезно знать о машинном обучении.
2. Английская вика про признаки
3. Отбор признаков.
4. Мощная теоретическая работа про стохастический градиентный спуск.

L1

Для первой лабораторной работы вам потребуется:

1. Настроить себе pip для Python3
2. Освоить Jupyter notebook
3. Установить пакеты scipy: numpy, scipy, matplotlib