Глубинное обучение для текстовых данных 23/24 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
 
(не показаны 3 промежуточные версии этого же участника)
Строка 22: Строка 22:
  
 
Инвайты: Сашина группа - '''Vai3xuK''', Славина группа - '''Kutq97v'''
 
Инвайты: Сашина группа - '''Vai3xuK''', Славина группа - '''Kutq97v'''
 +
 +
[https://docs.google.com/spreadsheets/d/1J7zVSrdglNnnVgoTmrgC1YlPBlY1M8LViqjRlLdC0MY/edit?usp=sharing Табличка] с оценками.
  
 
== Преподаватели и ассистенты ==
 
== Преподаватели и ассистенты ==
Строка 47: Строка 49:
 
5. Seq2seq задача, механизм внимания, трансформер. Записи: [https://www.youtube.com/watch?v=0_t0-uvihJ0&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=10 лекция], [https://www.youtube.com/watch?v=E1btQgjPt2o&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=9 семинар]
 
5. Seq2seq задача, механизм внимания, трансформер. Записи: [https://www.youtube.com/watch?v=0_t0-uvihJ0&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=10 лекция], [https://www.youtube.com/watch?v=E1btQgjPt2o&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=9 семинар]
  
 +
6. Трансформерные модели: GPT, BERT. Записи: [https://www.youtube.com/watch?v=rZFu1UoOejo&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=11 лекция], [https://www.youtube.com/watch?v=iMuqGlDyxLQ&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=12 семинар]
 +
 +
7. Как дообучать предобученные модели? Почему дообучать модель целиком не всегда хорошо? Parameter-Efficient Fine-Tunning (PEFT). Записи: [https://www.youtube.com/watch?v=Ylj9M_Ufy64&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=14 лекция], [https://www.youtube.com/watch?v=qlyTrdLMrKs&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=15 семинар]
 +
 +
8. Ускорение и сжатие модели. Дистилляция знаний, Квантизация. Записи: [https://www.youtube.com/watch?v=dUMZvLLtKPI&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=17 лекция], [https://www.youtube.com/watch?v=32IrfjUlp3U&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=17 семинар]
 +
 +
9. Трюки для обучения трансформеров, работа с длинным контекстом. Записи: [https://www.youtube.com/watch?v=gIya8SHsX2s&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=18 лекция], [https://www.youtube.com/watch?v=C8Rw99tdqqc&list=PLEwK9wdS5g0pc4NeOQqGLPcxmBHGUjnWB&index=19 семинар]
 +
 +
10. Text style transfer. Записи: лекция (будет), семинар не проводился.
  
 
== Домашние задания ==
 
== Домашние задания ==
Строка 52: 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%20 ноутбук] с заданием.
+
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.
 +
 
 +
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.
 +
 
 +
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.
 +
 
 +
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

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.