ML4SE 1 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Содержание учебной дисциплины)
м
Строка 68: Строка 68:
 
|-
 
|-
 
| 1.03.2022 || Information Retrieval || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_9/retrieval.ipynb notebook] || ||  
 
| 1.03.2022 || Information Retrieval || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_9/retrieval.ipynb notebook] || ||  
 +
|-
 +
| 15.03.2022 || Paper Discussion || || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_10/assignment_5.ipynb assignment_5]|| 28.03.2022 10:00
 
|-
 
|-
 
|}
 
|}

Версия 02:38, 18 марта 2022

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 presentation assignment_3 20.12.2021 23:59
12.01.2022 Seq2Seq. Transformer presentation
25.01.2022 Paper Discussion
8.01.2022 Transfer Learning notebook assignment_4 01.03.2022 23:59
1.03.2022 Information Retrieval notebook
15.03.2022 Paper Discussion assignment_5 28.03.2022 10:00

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