Wiki - Факультет компьютерных наук - Вклад [ru]

Основы матричных вычислений 2023/24

2024-01-19T10:07:50Z

Ivan.peshekhonov:

== О курсе ==

Курс для студентов 2 курса в 3-4 модулях.

'''Первые лекция и семинары состоятся 19.01'''

'''Лектор:''' Рахуба Максим Владимирович

'''Семинаристы:'''
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты || Чат в телеграм
|-
| 1 || Рахуба Максим Владимирович || ? || [https://t.me/+iOX1w7ZasIMwZThi tg]
|-
| 2 || Самсонов Сергей Владимирович || ? || [https://t.me/+RbUyveDdcVwwMjQy tg]
|-
| 3 || Ваня Пешехонов || ? || [https://t.me/+BSjXz1Vu6WA4ZDRi tg]
|-
| 4 || Кухарчук Иван Андреевич || ? || ?
|-
| 5 || Сендерович Александра Леонидовна || ? || [https://t.me/+5P_wclH9XFU5MDQy tg]
|-
| 6 || Медведь Никита Юрьевич || ? || [https://t.me/+zNPLF5jE13JlZjI6 tg]
|-
| 7 || Левин Илья Валерьевич || ? || ?
|}

=== Полезные ссылки ===
[https://docs.google.com/spreadsheets/d/1Z_FU0eMxx0sw7DcRbJ5UqDsNBxQ6arqyvO5kbVkFWKg/edit#gid=1240942164 Разбиение по группам]

[https://t.me/+yA9jnmI6bq5hMzMy Телеграм-канал курса]

[https://t.me/+l-V9fCJoPWJlNGEy Телеграм-чат курса]

[https://yadi.sk/i/9yxtvKpGnAhC0g Неофициальный конспект лекций 2021-2022 от студента (могут быть ошибки)]

[https://www.overleaf.com/read/rnbdttwsnjvb Подготовленные билеты к коллоквиуму 2022-2023 от студентов (могут быть ошибки)]

== План курса ==
Если какие-то лекции не выложены или найдены ошибки на вики-странице - пишите @strange_guest

=== Проверочные работы на семинарах ===

На семинарах будут проходить короткие тесты (проверочные работы) по теме лекции и семинара с предыдущей недели.

=== Домашние задания ===

На курсе предусмотрены теоретические домашние задания и практические домашние задания на языке Python. Выдаются каждые 2-3 недели.

Каждый студент 2 раза за семестр может просрочить дедлайн ДЗ на 1 сутки. Чтобы использовать эту возможность, достаточно просто загрузить работу после дедлайна.

=== Итоговая оценка за курс ===

Итог = Округление(min(10, 0.2 * ТДЗ + 0.15 * ПДЗ + 0.1 * БДЗ + 0.1 * ПР + 0.25 * К + 0.3 * Э))

Обратите внимание, что в 4-м модуле ТДЗ, ПДЗ, ПР являются средними оценками ''за оба модуля''.

* ТДЗ – средняя оценка за теоретические домашние задания.
* ПДЗ – средняя оценка за практические домашние задания в Python.
* БДЗ – средняя оценка за бонусные задачи.
* ПР – средняя оценка за проверочные работы на семинарах.
* К – оценка за коллоквиум.
* Э – оценка за письменный экзамен, проводимый в конце 4-го модуля.

Округление арифметическое.

'''Автоматов не предусмотрено'''.

== Литература ==

1) Golub, G. H., & Van Loan, C. F. (2013). Matrix Computations 4th Edition. The Johns Hopkins University Press. Baltimore.

2) Тыртышников, Е. Е. (2007). Методы численного анализа. Академия, Москва.

3) Trefethen, L. N., & Bau III, D. (1997). Numerical linear algebra. (Vol. 50). Siam. Philadelphia.

4) Demmel, James W. Applied numerical linear algebra. Society for Industrial and Applied Mathematics, 1997.

Эффективные системы глубинного обучения 23/24

2024-01-17T14:43:02Z

Ivan.peshekhonov:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Маркович Александр], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1083 Anytask] для сдачи заданий (инвайт mRW59Bv)

[https://t.me/+ACzaD432fShkM2Iy Канал] в Telegram для объявлений.

[https://t.me/+mYjHAoEMLYkzOGYy Чат] в Telegram для обсуждения курса.

[https://github.com/mryab/efficient-dl-systems 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.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в учебный офис.
Следует помнить, что при повторном списывании студента могут отчислить.

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

Эффективные системы глубинного обучения 23/24

2024-01-17T14:28:54Z

Ivan.peshekhonov:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Маркович Александр], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1083 Anytask] для сдачи заданий (инвайт mRW59Bv)

[https://t.me/+ACzaD432fShkM2Iy Канал] в Telegram для объявлений

Чат в Telegram для обсуждения курса: TBD

[https://github.com/mryab/efficient-dl-systems 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.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в учебный офис.
Следует помнить, что при повторном списывании студента могут отчислить.

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

Эффективные системы глубинного обучения 23/24

2024-01-17T13:23:14Z

Ivan.peshekhonov: Новая страница: «== О курсе == Курс по выбору для студентов 4 курса, читается в 3 модуле. '''Лектор:''' [https://www.hse.…»

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Маркович Александр], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1083 Anytask] для сдачи заданий (инвайт mRW59Bv)

Канал в Telegram для объявлений: TBD

Чат в Telegram для обсуждения курса: TBD

[https://github.com/mryab/efficient-dl-systems 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.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в учебный офис.
Следует помнить, что при повторном списывании студента могут отчислить.

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