Глубинное обучение для текстовых данных 23/24 — различия между версиями
| Строка 63: | Строка 63: | ||
'''Домашнее задание 1''': Задание посвящено обучению векторных представлений слов. | '''Домашнее задание 1''': Задание посвящено обучению векторных представлений слов. | ||
| − | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw1/hw1.ipynb | + | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw1/hw1.ipynb ноутбук] с заданием. |
'''Домашнее задание 2''': Задание посвящено обучению сверточных и рекуррентных нейронных сетей для задачи бинарной классификации. | '''Домашнее задание 2''': Задание посвящено обучению сверточных и рекуррентных нейронных сетей для задачи бинарной классификации. | ||
| − | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw2/hw2.ipynb | + | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw2/hw2.ipynb ноутбук] с заданием. |
'''Домашнее задание 3''': Задание посвящено обучению моделей на основе архитектуры Трансформер для задачи генерации текста, а так же методам семплирования токенов. | '''Домашнее задание 3''': Задание посвящено обучению моделей на основе архитектуры Трансформер для задачи генерации текста, а так же методам семплирования токенов. | ||
| − | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw3/hw3.ipynb | + | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw3/hw3.ipynb ноутбук] с заданием. |
'''Домашнее задание 4''': Задание посвящено уменьшению размеров предобученной модели при дообучении на downstream задачу. | '''Домашнее задание 4''': Задание посвящено уменьшению размеров предобученной модели при дообучении на downstream задачу. | ||
| − | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw4/hw4.ipynb | + | Ссылка на [https://github.com/ashaba1in/hse-nlp/blob/main/homeworks/hw4/hw4.ipynb ноутбук] с заданием. |
== Контрольная работа == | == Контрольная работа == | ||
Текущая версия на 00:55, 7 декабря 2023
Содержание
О курсе
NLP (Natural Language Processing) — это область машинного обучения, которая пытается научить компьютер понимать и обрабатывать текстовые данные. NLP лежит в основе множества технологий, таких как системы перевода и генерации текстов, голосовые помощники, суммаризаторы текстов, спам детекторы и так далее. В настоящее время такие технологии не только облегчают жизнь людям, решая несложные задачи быстрее них. Часто модели машинного обучения позволяют достигать более высокого качества и оказываются “умнее” многих людей. Примером такой модели может стать нашумевшая ChatGPT, способная корректно отвечать на вопросы по самым различным темам.
В курсе мы постараемся дать вам понять и прочувствовать, что происходит в мире естественной обработки языка. Какие задачи бывают, какие проблемы встречаются в ходе их решения. Мы покажем, что NLP — это не набор пар (задача, решение), а общие идеи, которые применимы для решения множества задач и отражают некоторую общую концепцию.
Расписание
Лекции: каждый четверг в 13:00. Ссылка на зум.
Семинары: каждый четверг в 14:40. Сашин зум, Славин зум.
Полезные ссылки
Общий чат курса в telegram: https://t.me/+Nc5s_kMhUE44MWM6
Репозиторий курса на github: https://github.com/ashaba1in/hse-nlp
Плейлист с записями лекций: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB
Ссылка на anytask: https://anytask.org/course/1053
Инвайты: Сашина группа - Vai3xuK, Славина группа - Kutq97v
Табличка с оценками.
Преподаватели и ассистенты
| Преподаватели | Ассистенты |
|---|---|
| Александр Шабалин | Алексей Панков |
| Вячеслав Мещанинов |
Темы курса
1. Методы получения эмбеддингов слов: Счетные методы, Word2vec, GLOVE. Записи: лекция, семинар
2. Классификация текста. Записи: лекция, семинар
3. Токенизация, языковые модели. Записи: лекция, семинар
4. Рекуррентные нейронные сети. Записи: лекция, семинар
5. Seq2seq задача, механизм внимания, трансформер. Записи: лекция, семинар
6. Трансформерные модели: GPT, BERT. Записи: лекция, семинар
7. Как дообучать предобученные модели? Почему дообучать модель целиком не всегда хорошо? Parameter-Efficient Fine-Tunning (PEFT). Записи: лекция, семинар
8. Ускорение и сжатие модели. Дистилляция знаний, Квантизация. Записи: лекция, семинар
9. Трюки для обучения трансформеров, работа с длинным контекстом. Записи: лекция, семинар
10. Text style transfer. Записи: лекция (будет), семинар не проводился.
Домашние задания
Домашнее задание 1: Задание посвящено обучению векторных представлений слов.
Ссылка на ноутбук с заданием.
Домашнее задание 2: Задание посвящено обучению сверточных и рекуррентных нейронных сетей для задачи бинарной классификации.
Ссылка на ноутбук с заданием.
Домашнее задание 3: Задание посвящено обучению моделей на основе архитектуры Трансформер для задачи генерации текста, а так же методам семплирования токенов.
Ссылка на ноутбук с заданием.
Домашнее задание 4: Задание посвящено уменьшению размеров предобученной модели при дообучении на downstream задачу.
Ссылка на ноутбук с заданием.
Контрольная работа
Контрольная работа пройдет 02.11.2023 на лекции в формате письменной работы на 80 минут. Вопросы для подготовки.
Формула оценок
Определим накопленную оценку как Накоп = (0.4 * ДЗ + 0.3 * КР) / 0.7.
Итог = Округление(0.7 * Накоп + 0.3 * Э). Округление арифметическое.
- ДЗ — средняя оценка за домашние задания
- КР — оценка за контрольную работу
- Э — оценка за экзамен
Если Накоп >= 8, то студент может получить Округление(Накоп) в качестве итоговой оценки, не приходя на экзамен.
Формат экзамена: устный.
