Эффективные системы глубинного обучения 21/22 — различия между версиями
(Новая страница: «== О курсе == Курс по выбору для студентов 4 курса, читается в 3 модуле. '''Лектор:''' [https://www.hse.…») |
|||
| (не показано 7 промежуточных версии этого же участника) | |||
| Строка 3: | Строка 3: | ||
Курс по выбору для студентов 4 курса, читается в 3 модуле. | Курс по выбору для студентов 4 курса, читается в 3 модуле. | ||
| − | '''Лектор:''' [https://www.hse.ru/ | + | '''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович] |
| − | '''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович] | + | '''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович] |
Занятия проходят по субботам в 13:00 – 16:00. | Занятия проходят по субботам в 13:00 – 16:00. | ||
| Строка 11: | Строка 11: | ||
=== Полезные ссылки === | === Полезные ссылки === | ||
| − | [https://anytask.org/course/892 Anytask] для сдачи заданий ( | + | [https://anytask.org/course/892 Anytask] для сдачи заданий (инвайт <code>KZ3mOmY</code>) |
| − | Канал в Telegram для объявлений: https://t.me/ | + | Канал в Telegram для объявлений: https://t.me/efficientdl_22 |
Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy | Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy | ||
| Строка 25: | Строка 25: | ||
=== Правила выставления оценок === | === Правила выставления оценок === | ||
| − | В курсе предусмотрено | + | В курсе предусмотрено три домашних задания: |
1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей) | 1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей) | ||
| Строка 31: | Строка 31: | ||
2. Профилирование DL-кода и эффективные пайплайны обучения | 2. Профилирование DL-кода и эффективные пайплайны обучения | ||
| − | 3. Вывод нейросетей в production и ускорение их работы (состоит из | + | 3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей) |
| − | + | ||
| − | + | ||
Итоговая оценка вычисляется по следующей формуле: | Итоговая оценка вычисляется по следующей формуле: | ||
| − | O<sub>итог</sub> = 0. | + | O<sub>итог</sub> = 0.375*O<sub>ДЗ1</sub>+0.125*O<sub>ДЗ2</sub>+0.5*O<sub>ДЗ3</sub> |
Округление оценки арифметическое. | Округление оценки арифметическое. | ||
Текущая версия на 15:49, 19 марта 2022
Содержание
[убрать]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/
