Эффективные системы глубинного обучения 21/22 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(-1)
Строка 11: Строка 11:
 
=== Полезные ссылки ===
 
=== Полезные ссылки ===
  
[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)
+
[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайт <code>KZ3mOmY</code>)
  
 
Канал в Telegram для объявлений: https://t.me/efficientdl_22
 
Канал в Telegram для объявлений: https://t.me/efficientdl_22

Версия 22:42, 5 февраля 2022

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 четыре 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 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

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

  1. CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
  2. Full Stack Deep Learning. https://fullstackdeeplearning.com/
  3. Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
  4. CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/