Майнор Интеллектуальный анализ данных/Современные методы машинного обучения — различия между версиями
Nbagiyan (обсуждение | вклад) (→О курсе) |
Esokolov (обсуждение | вклад) (→Правила выставления оценок) |
||
| (не показано 14 промежуточных версии 2 участников) | |||
| Строка 17: | Строка 17: | ||
Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning | Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning | ||
| − | Домашние задание сдаются в Anytask: https://anytask.org/course/ | + | Домашние задание сдаются в Anytask: https://anytask.org/course/570 |
Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019 | Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019 | ||
| Строка 33: | Строка 33: | ||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
| − | ! Группа !! Преподаватель !! Учебный ассистент | + | ! Группа !! Преподаватель !! Учебный ассистент || Инвайт в anytask |
|- | |- | ||
| − | | ИАД-1 || [https://t.me/nbagiyan Багиян Нерсес Карленович] || Мария Головина | + | | ИАД-1 || [https://t.me/nbagiyan Багиян Нерсес Карленович] || Мария Головина || LNG31El |
|- | |- | ||
| − | | ИАД-2 || Абакумова Ольга Витальевна || | + | | ИАД-2 || Абакумова Ольга Витальевна || Даниил Гонтарь || TYoAcIh |
|- | |- | ||
| − | | ИАД-3 || Анвардинов Шариф Ринатович || | + | | ИАД-3 || Анвардинов Шариф Ринатович || Глеб Бобровских || T6OD7dR |
|- | |- | ||
| − | | ИАД-4 || Хайдуров Руслан Александрович || Пётр Жижин | + | | ИАД-4 || Хайдуров Руслан Александрович || Пётр Жижин || xa50QxO |
|- | |- | ||
| − | | ИАД-5 || Фоменко Мария Михайловна || Эдуард Тульчинский | + | | ИАД-5 || Фоменко Мария Михайловна || Эдуард Тульчинский || PlogjcE |
|- | |- | ||
|} | |} | ||
| Строка 54: | Строка 54: | ||
* Контрольная где-то в середине курса | * Контрольная где-то в середине курса | ||
* Письменный экзамен | * Письменный экзамен | ||
| + | |||
| + | Также в рамках курса студенты могут изучить онлайн-курс How to Win a Data Science Competition. За его успешное прохождение будет выставлено 10 бонусных баллов, которые можно прибавить к оценке за любое из домашних заданий или за любую проверочную работу. Чтобы получить эти баллы, курс надо сдать до 18 декабря включительно. | ||
Итоговая оценка вычисляется по формуле: | Итоговая оценка вычисляется по формуле: | ||
| − | Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0. | + | Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э) |
ДЗ — средняя оценка за практические домашние задания | ДЗ — средняя оценка за практические домашние задания | ||
| Строка 64: | Строка 66: | ||
КР — оценка за контрольную работу | КР — оценка за контрольную работу | ||
| − | |||
| − | |||
Э — оценка за экзамен | Э — оценка за экзамен | ||
| Строка 84: | Строка 84: | ||
==Семинары== | ==Семинары== | ||
| + | |||
| + | '''Семинар 1''' (12 сентября). Градиентный спуск. SGD, Momentum, AdaGrad, RMSProp, Adam. [[https://github.com/hse-ds/iad-deep-learning/blob/master/01_gradient_descent.ipynb Ноутбук]] | ||
| + | |||
| + | '''Семинар 2''' (19 сентября). Знакомство с TensorFlow. Первая нейронная сеть. [[https://github.com/hse-ds/iad-deep-learning/blob/master/02%20tensorflow.ipynb Ноутбук]] | ||
| + | |||
| + | '''Семинар 3''' (26 сентября). Backpropagation. Part 1. [[https://github.com/hse-ds/iad-deep-learning/blob/master/sem3/3_backprop.ipynb Ноутбук]] | ||
| + | |||
| + | '''Семинар 4''' (3 октября). Backpropagation. Part 2. [[https://github.com/hse-ds/iad-deep-learning/blob/master/sem3/3_backprop.ipynb Ноутбук]] | ||
| + | |||
| + | '''Семинар 5''' (10 октября). Свёрточные нейросети. Part 1 -- Intro. [[https://github.com/hse-ds/iad-deep-learning/blob/master/4_cnn.ipynb Ноутбук]] | ||
| + | |||
| + | '''Семинар 6''' (17 октября). Свёрточные нейросети. Part 2 -- Model zoo. [[https://github.com/hse-ds/iad-deep-learning/blob/master/sem5/05_finetuning.ipynb Ноутбук]] | ||
| + | |||
| + | '''Семинар 7''' (31 октября). Свёрточные нейросети. Part 3 -- Training Tricks. [[TBA]] | ||
== Практические задания == | == Практические задания == | ||
| + | Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается один балл. После жёсткого дедлайна задания не принимаются. | ||
| + | |||
| + | '''Домашнее задание 1''' | ||
| + | |||
| + | [https://github.com/hse-ds/iad-deep-learning/blob/master/hw1/hw1.ipynb Ноутбук] | ||
| + | |||
| + | Мягкий дедлайн — 23 сентября, 03:59. Жёсткий дедлайн — 25 сентября, 23:59. | ||
| + | |||
| + | '''Домашнее задание 2''' | ||
| + | |||
| + | [https://github.com/hse-ds/iad-deep-learning/blob/master/hw2/hw2_tensorflow.ipynb Ноутбук] | ||
| + | |||
| + | Мягкий дедлайн — 7 октября 03:59. Жёсткий дедлайн — 10 октября, 23:59. | ||
| + | |||
| + | '''Домашнее задание 3''' | ||
| + | |||
| + | [https://github.com/hse-ds/iad-deep-learning/blob/master/hw3/hw3.ipynb Ноутбук] | ||
| + | |||
| + | Мягкий дедлайн — 3 ноября 03:59. Жёсткий дедлайн — 5 ноября, 23:59. | ||
== Контрольная работа == | == Контрольная работа == | ||
Текущая версия на 18:37, 4 ноября 2019
Содержание
О курсе
Курс читается для студентов 3-го курса майнора ИАД в 1-2 модулях.
Проводится с 2015 года.
Курс проводится в blended-формате без очных лекций.
Организационные вопросы можно задавать Соколову Евгению Андреевичу
Занятия проходят по четвергам на Покровском бульваре, 11.
Полезные ссылки
Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning
Домашние задание сдаются в Anytask: https://anytask.org/course/570
Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019
Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/joinchat/A5rlQBSn7ROATFOWGlzRwg
Оставить отзыв на курс: форма
Вопросы по курсу можно задавать в телеграм куратору курса (esokolov@), семинаристу, в чатах групп или в issues на гитхабе.
Семинары
| Группа | Преподаватель | Учебный ассистент | Инвайт в anytask |
|---|---|---|---|
| ИАД-1 | Багиян Нерсес Карленович | Мария Головина | LNG31El |
| ИАД-2 | Абакумова Ольга Витальевна | Даниил Гонтарь | TYoAcIh |
| ИАД-3 | Анвардинов Шариф Ринатович | Глеб Бобровских | T6OD7dR |
| ИАД-4 | Хайдуров Руслан Александрович | Пётр Жижин | xa50QxO |
| ИАД-5 | Фоменко Мария Михайловна | Эдуард Тульчинский | PlogjcE |
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- Самостоятельные работы на семинарах, проверяющие знание основных фактов с онлайн-курсов и семинаров
- Практические домашние работы на Python
- Контрольная где-то в середине курса
- Письменный экзамен
Также в рамках курса студенты могут изучить онлайн-курс How to Win a Data Science Competition. За его успешное прохождение будет выставлено 10 бонусных баллов, которые можно прибавить к оценке за любое из домашних заданий или за любую проверочную работу. Чтобы получить эти баллы, курс надо сдать до 18 декабря включительно.
Итоговая оценка вычисляется по формуле:
Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)
ДЗ — средняя оценка за практические домашние задания
ПР — средняя оценка за проверочные работы на семинарах
КР — оценка за контрольную работу
Э — оценка за экзамен
Правила сдачи заданий
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.
При наличии уважительной причины дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
Онлайн-курсы
Дисциплина сопровождается двумя онлайн-курсами: Introduction to Deep learning и How to Win a Data Science Competition.
Курс Introduction to Deep learning не нужно проходить полностью — требуется лишь смотреть видео из него. Мы будем сообщать, к какому моменту что надо посмотреть.
Курс How to Win a Data Science Competition нужно полностью сдать на Coursera. Оценка за него войдёт в итоговую оценку.
Семинары
Семинар 1 (12 сентября). Градиентный спуск. SGD, Momentum, AdaGrad, RMSProp, Adam. [Ноутбук]
Семинар 2 (19 сентября). Знакомство с TensorFlow. Первая нейронная сеть. [Ноутбук]
Семинар 3 (26 сентября). Backpropagation. Part 1. [Ноутбук]
Семинар 4 (3 октября). Backpropagation. Part 2. [Ноутбук]
Семинар 5 (10 октября). Свёрточные нейросети. Part 1 -- Intro. [Ноутбук]
Семинар 6 (17 октября). Свёрточные нейросети. Part 2 -- Model zoo. [Ноутбук]
Семинар 7 (31 октября). Свёрточные нейросети. Part 3 -- Training Tricks. TBA
Практические задания
Домашние задания выкладываются в репозиторий курса. За каждый день просрочки мягкого дедлайна снимается один балл. После жёсткого дедлайна задания не принимаются.
Домашнее задание 1
Мягкий дедлайн — 23 сентября, 03:59. Жёсткий дедлайн — 25 сентября, 23:59.
Домашнее задание 2
Мягкий дедлайн — 7 октября 03:59. Жёсткий дедлайн — 10 октября, 23:59.
Домашнее задание 3
Мягкий дедлайн — 3 ноября 03:59. Жёсткий дедлайн — 5 ноября, 23:59.
