Годовой проект (ИИ25)
Содержание
О проекте
🫐Проект командный в группах 2-4 человека (не больше); при остром обоснованном желании можно делать индивидуально
🫐У каждой команды будет куратор, который будет сопровождать команду на протяжении всего года
🫐У проекта будет 7 промежуточных контрольных точек (чекпойнты) - за их полное выполнение к дедлайну ставится 0.5 баллов из 10 итоговых
🫐Проект программный - то есть во всех проектах (во всех!) должен быть реализован сервис/бот/программная часть по требованиям, которые мы опубликуем ближе к нужному чекпойнту
🫐Основной трек называется ML - на него вы идете (и выбираете проекты из этого трека), если у вас нет опыта работы с нейросетями и достаточных знаний по ним; если же вы имеете и знания, и опыт работы с нейросетями - под свою ответственность можете выбирать проекты из трека DL/research
🫐Про уровни сложности: нет опыта/знаний - берем base, есть опыт/знания - берем middle, вы круче наших преподов - берем pro
Документ с описанием практической подготовки (проект/ВКР) на странице программы: https://www.hse.ru/mirror/pubs/share/1080448458.pdf
Формула оценки
O = 0.5 * N + 0.325 * (O_predefense + O_defense), где N - число полностью сделанных в срок чекпойнтов (по шкале 1 - сделано полностью/0.5 - сделано частично/0 - не сделано к дедлайну), O_predefense = O_defense = 0.6 * индивидуальная оценка куратора за полугодие + 0.4 * командная оценка комиссии на защите
Чекпойнт 1
✔️Создать чат с командой и добавить куратора ✔️Созвониться с куратором и познакомиться ✔️Зафиксировать итоговую тему работы и план работы на год (с учетом чекпойнтов) ✔️Создать на github репозиторий проекта и в readme.md отразить итоговую тему, состав команды, куратора и план работы. Оформить readme красиво ✔️За выполнение чекпойнтов к дедлайну идет оценка (1/0.5/0), и если выполнить чекпойнт позже дедлайна - будет 0
Дедлайн: 6 октября 23:59
Ориентировочное описание чекпоинтов для треков ML/DL/research
Трек ML: 1. Знакомство с куратором, постановка и уточнение задачи, план на год 2. Сбор данных и EDA 3. Линейные модели ML 4. Нелинейные модели ML, feature-engineering и выбор лучшего ML-решения 5. Создание сервиса с имплементацией лучшего ML-решения 6. DL-модели 7. Доработка задачи: улучшение сервисной части по обратной связи от команды курса П.Р.; тюнинг DL-моделей и выбор лучшего решения overall
Трек DL: 1. Знакомство с куратором, постановка и уточнение задачи, план на год 2. Сбор данных и EDA 3. Изучение существующих подходов для решения поставленной задачи и близких по формулировке; реализация бейзлайна (что-то максимально простое - быть может, даже ML) 4. Любое улучшение бейзлайна - реализация более сложного подхода из списка существующих или осуществление собственных идей 5. Создание сервиса с имплементацией лучшего ML-решения 6. Эксперименты с DL-архитектурами, выбор и тюнинг лучшей/лучших архитектур 7. Доработка задачи: улучшение сервисной части по обратной связи от команды курса П.Р.
Трек Research: 1. Знакомство с куратором, постановка и уточнение задачи, план на год 2. Сбор данных и EDA 3. Изучение существующих подходов для решения поставленной задачи и близких по формулировке; реализация бейзлайна (что-то максимально простое - быть может, даже ML) 4. Эксперименты с DL-архитектурами, выбор и тюнинг лучшей/лучших архитектур 5. Создание сервиса с имплементацией лучшего ML-решения 6. Непосредственно research в данной задаче: тестирование различных гипотез, подбор архитектур, метрик и другие релевантные для задачи вещи 7. Доработка задачи: улучшение сервисной части по обратной связи от команды курса П.Р.; завершение research-части и подведение итогов по проведенным исследованиям
