ML4SE 1 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
м
м
(не показано 20 промежуточных версии этого же участника)
Строка 6: Строка 6:
  
 
Литвинов Денис Владимирович ([https://t.me/denaas Telegram])
 
Литвинов Денис Владимирович ([https://t.me/denaas Telegram])
 +
 +
== Правила оценивания домашнего задания ==
 +
 +
# Студент заводит приватный репозиторий на github и добавляет туда преподавателя.   
 +
# Все домашние задания сдаются в виде jupyter notebook.   
 +
# При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание.   
 +
# При обнаружении списывания работе ставится 0 баллов. 
 +
 +
Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ
 +
 +
== Правила презентации статьи ==
 +
 +
# Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками
 +
# Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)
 +
# Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи
 +
# Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории
 +
# Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации
 +
 +
== Oценки ==
 +
 +
[https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]
 +
  
 
== Содержание учебной дисциплины ==
 
== Содержание учебной дисциплины ==
Строка 20: Строка 42:
  
 
<big>'''Материалы курса:'''</big>  
 
<big>'''Материалы курса:'''</big>  
 +
 +
[https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]
  
 
{| class="wikitable"
 
{| class="wikitable"
 
|-
 
|-
! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн
+
! дата !! тема !! материалы !! ДЗ !! дедлайн  
 +
|-
 +
| 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59
 +
|-
 +
| 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation]  || ||
 +
|-
 +
| 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59
 +
|-
 +
| 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || ||
 +
|-
 +
| 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || ||
 
|-
 
|-
| 7.09.2021 || Линейные модели, основы машинного обучения I || || ||  ||  
+
| 22.10.2021 || Language Modeling || || ||  
 
|-
 
|-
 
|}
 
|}

Версия 22:32, 18 ноября 2021

О курсе

В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода.

Преподаватели:

Литвинов Денис Владимирович (Telegram)

Правила оценивания домашнего задания

  1. Студент заводит приватный репозиторий на github и добавляет туда преподавателя.
  2. Все домашние задания сдаются в виде jupyter notebook.
  3. При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание.
  4. При обнаружении списывания работе ставится 0 баллов.

Просьба заполнить гугл форму перед сдачей ДЗ

Правила презентации статьи

  1. Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками
  2. Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)
  3. Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи
  4. Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории
  5. Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации

Oценки

ml4se_grades


Содержание учебной дисциплины

  1. Linear models, ML fundamentals
  2. Distributed representations
  3. Feed Forward Neural Networks
  4. CNN, RNN
  5. Language Modeling
  6. Transformers
  7. Transfer learning
  8. Information Retrieval
  9. Modern Transformer architectures

Материалы курса:

videos

дата тема материалы ДЗ дедлайн
7.09.2021 Linear models, ML fundamentals I presentation assignment_1 28.09.2021 23:59
21.09.2021 Linear models, ML fundamentals II presentation
5.10.2021 Feed Forward Neural Networks presentation assignment_2 8.11.2021 23:59
26.10.2021 Distributed Representations presentation
9.10.2021 CNN, RNN presentation
22.10.2021 Language Modeling

Формула оценки

Результирующая оценка вычисляется по формуле:

О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)

Формула округления: Стандартное арифметическое округление

Рекомендованная литература

  1. Goodfellow I. Deep Learning. MIT Press, 2016
  2. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006

Рекомендуемая дополнительная литература

  1. Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017
  2. Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/
  3. Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019
  4. Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012