Wiki - Факультет компьютерных наук - Вклад [ru]

Автоматическая обработка текста 25/26

2026-04-16T19:57:42Z

Murrcha: = )

Автоматическая обработка текста 25/26

2026-04-16T19:53:56Z

Murrcha:

==О курсе==

Natural Language Processing (NLP) — это область искусственного интеллекта, направленная на решение задач, связанных с обработкой человеческого языка, таких как извлечение информации, машинный перевод, автоматическое суммирование и диалоговые системы. За последние годы мы увидели значительный прогресс благодаря статистическому и глубокому обучению. Демонстрация возможностей современных диалоговых систем по типу ChatGPT от OpenAI позволила нам переосмыслить перспективы NLP в повседневной жизни, что привлекло к области внимание как со стороны исследователей и инженеров, так и институциональных инвесторов, готовых финансировать бурный рост отрасли.

Данный курс ставит перед собой следующие цели:

- познакомить слушателя с ключевыми направлениями современного развития области, сформировать понимание запросов, с которыми сталкиваются инженеры и исследователи в повседневной работе.
- развить понимание фундаментальных концепций, необходимых для самостоятельного решения задач как прикладного, так и исследовательского характера.
- познакомить слушателя с инструментами, необходимыми для решения прикладных задач.

Курс основан на материалах [https://github.com/yandexdataschool/nlp_course/tree/2023 Школы Анализа Данных Яндекса (ШАД)], [https://web.stanford.edu/class/cs224n/ CS224n by Stanford], а также личном опыте автора. Курс приоритезирует понимание слушателями пространства существующих на сегодня в отрасли задач и умение их решать над полнотой освещения исторически важных, однако на текущий день устаревших концепций

==Контакты==

Преподаватель: Хажгериев Мурат Анзорович ([https://t.me/greedisneutral @greedisneutral])

==Материалы курса==
Ссылка на плейлист курса на YouTube: [https://www.youtube.com/playlist?list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4 YouTube-playlist]

Ссылка на плейлист в VK: [https://vk.com/video/playlist/-227011779_15 VK Видео]

Ссылка на GitHub с материалами курса: [https://github.com/greedisneutral/NLP-course GitHub repository]

{| class="wikitable"
|-
! Занятие !! Тема !! Дата !! Материалы для самоподготовки к семинарам !! Дополнительные материалы
|-
| style="background:#eaecf0;" | '''1''' [[https://www.youtube.com/watch?v=QSLSIiQ6Mcs&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=2&pp=iAQB Запись, YouTube]] || [[https://github.com/greedisneutral/NLP-course/blob/master/1.Embeddings/Word_Embeddings.pdf Слайды], [https://github.com/greedisneutral/NLP-course/blob/master/1.Embeddings/NLP_seminar_week_1.ipynb Тетрадка]] Карта задач и методов NLP, эмбеддинги слов (word embeddings) || 06.11.24 (Ср.) || ||
|-
| style="background:#eaecf0;" | '''2''' [[https://www.youtube.com/watch?v=QjmqbOe84vY&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=1&pp=iAQB Запись, YouTube]] || [[https://github.com/greedisneutral/NLP-course/blob/master/2.Classification/Classification.pdf Слайды], [https://github.com/greedisneutral/NLP-course/blob/master/2.Classification/NLP_seminar_week_2.ipynb Тетрадка]] Классификация текста || 14.11.24 (Чт.) || ||
|-
| style="background:#eaecf0;" | '''3''' [[https://www.youtube.com/watch?v=q9EUpCF97VI&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=3&pp=iAQB Запись]] || [[https://github.com/greedisneutral/NLP-course/blob/master/3.Seq2seq/seq2seq_attention.pdf Слайды], [https://github.com/greedisneutral/NLP-course/blob/master/3.Seq2seq/NLP_seminar_week_3.ipynb Тетрадка], [https://github.com/greedisneutral/NLP-course/blob/master/3.Seq2seq/seq2seq_attention_whiteboard.pdf Доска]] Seq2seq, Трансформер и механим внимания || 21.11.24 (Чт.) || || [https://colah.github.io/posts/2015-08-Understanding-LSTMs/ Ссылка] на качественное объяснение того, как работает LSTM (да и RNN вообще)
|-
| style="background:#eaecf0;" | '''4''' [[https://www.youtube.com/watch?v=RFdDgHDiKMs&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=4&pp=iAQB Запись]] || [[https://github.com/greedisneutral/NLP-course/blob/master/4.Transformers/Transformers.pdf Слайды], [https://github.com/greedisneutral/NLP-course/blob/master/4.Transformers/HSE_NLP_seminar_4.ipynb Ноутбук]] Transfer learning: BERT, ELMO, GPT || 28.11.24 (Чт.) ||
Замечательный [https://jalammar.github.io/illustrated-transformer/ разбор] архитектуры от Джея Аламмара

Прекрасный [https://lena-voita.github.io/nlp_course/seq2seq_and_attention.html разбор] от Лены Войты в рамках NLP Course | For You

Уже ставшая бородатой [https://arxiv.org/abs/1706.03762 оригинальная статья] Attention is all you need
||
|-
| style="background:#eaecf0;" | '''5''' [[https://www.youtube.com/watch?v=Mi21czVUyCo&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=5&pp=iAQB Запись]] || [[https://github.com/greedisneutral/NLP-course/blob/master/5.Pretrain_finetune/Pretrain_finetune_slides.pdf Слайды], [https://github.com/greedisneutral/NLP-course/blob/master/5.Pretrain_finetune/Pretrain_finetune_whiteboard.pdf Доска]] Обучение Больших языковых моделей (Large Language Models): Обучение с нуля vs Тонкая настройка (finetuning) || 12.12.24 (Чт.) || ||
|-
| style="background:#eaecf0;" | '''6''' [[https://www.youtube.com/watch?v=C5HRjlQLMBM&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=6&pp=iAQB Запись]] || [[https://github.com/greedisneutral/NLP-course/blob/master/6.RLHF/RLHF_slides.pdf Слайды], [https://github.com/greedisneutral/NLP-course/blob/master/6.RLHF/RLHF_whiteboard.pdf Доска]] Reinforcement Learning From Human Feedback (RLHF), Direct Preference Optimization (DPO) || 14.12.24 (Сб.) || ||
|-
| style="background:#eaecf0;" | '''7''' [[https://www.youtube.com/watch?v=LT_pJ56tVso&list=PLmA-1xX7IuzBARI5ES_l6WOduw0CZs3t4&index=7&pp=iAQB Запись]] || [[https://github.com/greedisneutral/NLP-course/blob/master/7.Efficiency/Efficiency_slides.pdf Слайды]] Практические подходы для эффективного обучения и развертывания LLM || 16.12.24 (Пн.) || [https://github.com/mryab/efficient-dl-systems Хороший курс] по взрослой работе с моделями ||
|-
| style="background:#eaecf0;" | '''8''' [[https://github.com/greedisneutral/NLP-course/blob/master/8.RAG_Tools/NLP%20system%20showcase_whiteboard.pdf Запись]] || [[https://github.com/greedisneutral/NLP-course/blob/master/8.RAG_Tools/RAG_Tools_slides.pdf Доска], [https://github.com/greedisneutral/NLP-course/blob/master/8.RAG_Tools/NLP%20system%20showcase_whiteboard.pdf Ноутбук]] Retrieval-Augmented Generation (RAG), Tools, LLM-based System Overview || 19.12.24 (Чт.) ||
RAG and Tooling Frameworks: https://www.llamaindex.ai/framework, https://www.langchain.com/, https://huggingface.co/docs/transformers/en/agents

Graph RAG-specific Repos: https://github.com/HKUDS/LightRAG, https://github.com/microsoft/graphrag
||
Faiss (vectorDB): https://github.com/facebookresearch/faiss, https://github.com/facebookresearch/faiss/wiki/Guidelines-to-choose-an-index

GraphDB (turn-on your VPN): https://neo4j.com/docs/getting-started/graph-database/
|}

=== Записи консультаций ===

==Формула оценивания==

=== При участии в устном экзамене ===

Оценка = 0.3*О<sub>Устный экзамен</sub> + 0.7*О<sub>ДЗ</sub>

=== При отказе от устного экзамене ===

Автоматическая обработка текста 25/26

2026-04-16T19:52:59Z

Murrcha:

Обучение с подкреплением (ИИ24, 7 модуль)

2026-04-13T12:17:05Z

Murrcha:

==О курсе==

Занятия проводятся в [https://us06web.zoom.us/j/82360571226?pwd=QcdTZQvEba8tBWx2FrfK7v4P4k2Jra.1 Zoom] '''по субботам с 13:00 МСК'''

==Контакты==

Чат курса в TG: [https://t.me/+cl-7RP37Ulw4YTE6 link]

Преподаватели: Сергей Лактионов, Вячеслав Бучков

==Материалы курса==
Ссылка на плейлист курса на YouTube: [[https://www.youtube.com/playlist?list=PLmA-1xX7IuzDe8CEWijYwsgmdHXyaEQsg YouTube-playlist]]

Ссылка на плейлист курса в VKVideo: [[https://vkvideo.ru/playlist/-227011779_68 VKVideo-playlist]]

Ссылка на GitHub с материалами курса: [[https://github.com/laktionov/RL-course/tree/2026 GitHub repository]]

{| class="wikitable"
|-
! Занятие !! Тема !! Дата !! Дополнительные материалы
|-
| style="background:#eaecf0;" | '''1''' [[https://www.youtube.com/watch?v=KLEcPmdR87U YouTube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239732?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week1_intro_dynamic_programming Материалы]] Intro to RL, Dynamic Programming || 10/01/2026 ||
|-
| style="background:#eaecf0;" | '''2''' [[https://www.youtube.com/watch?v=Uf-KHdRh3zs YouTube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239762?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week2_model_free_rl Материалы]] Model-Free Tabular RL: Q-Learning, SARSA || 17/01/2026 ||
|-
| style="background:#eaecf0;" | '''3''' [[https://www.youtube.com/watch?v=1wqbiJEB5ok YouTube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239789?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week3_dqn Материалы]] Intro to Deep RL: DQN, RAINBOW and beyond || 24/01/2026 ||[[https://arxiv.org/pdf/1507.06527.pdf#:~:text=The%20resulting%20Deep%20Recurrent%20Q,equivalents%20featuring%20flickering%20game%20screens. DQN]], [[https://arxiv.org/abs/1507.06527 DRQN]], [[https://arxiv.org/abs/1710.02298 RAINBOW]], [[https://arxiv.org/abs/1803.00933 APE-X]]
|-
| style="background:#eaecf0;" | '''4''' [[https://www.youtube.com/watch?v=Je_20lKuBSM YouTube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239808?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week4_policy_based Материалы]] Policy-Based Methods: Policy Gradient, REINFORCE, A2C || 31/01/2026 || [[https://papers.nips.cc/paper_files/paper/1999/hash/464d828b85b0bed98e80ade0a5c43b0f-Abstract.html Policy Gradient]], [[https://arxiv.org/abs/1602.01783 Actor-Critic]], [[https://arxiv.org/abs/2402.14740 REINFORCE in 2024]]
|-
| style="background:#eaecf0;" | '''5''' [[https://www.youtube.com/watch?v=8KU9nnp1PMo YouTube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239827?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week5_advanced_policy_based Материалы]] Advanced Policy-Based: TRPO, PPO and beyond || 07/02/2026 || [[https://arxiv.org/pdf/1502.05477.pdf TRPO]], [[https://arxiv.org/pdf/1707.06347.pdf PPO]], [[https://vitalab.github.io/article/2020/01/14/Implementation_Matters.html TRPO vs PPO]]

[[https://iclr-blog-track.github.io/2022/03/25/ppo-implementation-details/ 37 implementation details of PPO]]

[[https://arxiv.org/abs/2010.05380 Wasserstein distance вместо KL]]

[[https://openreview.net/forum?id=Mlwe37htstv Sinkhorn distance вместо KL]]

[[https://arxiv.org/pdf/1705.10528 Improvement Lower Bound в TRPO]]

[[https://arxiv.org/abs/2401.16025 TV Distance]]

[[https://arxiv.org/abs/2205.10047 Sigmoid Soft-Clipping]]

[[https://arxiv.org/abs/2511.20347 Soft-Clipping in LLM]]
|-
| style="background:#eaecf0;" | '''6''' [[https://www.youtube.com/watch?v=ujESxbK1uI0 YouTube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239845?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week6_continuous_control Материалы]] Continuous Control: DDPG, SAC and beyond || 14/02/2026 || [[https://arxiv.org/abs/1509.02971 DDPG]], [[https://arxiv.org/abs/1802.09477 TD3]], [[https://arxiv.org/abs/1801.01290 SAC]], [[https://arxiv.org/abs/2005.04269 TQC]]

[[https://gymnasium.farama.org/environments/mujoco/ MuJoCo]]
|-
| style="background:#eaecf0;" | '''7''' [[https://www.youtube.com/watch?v=z705MwrjrEU Youtube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239857?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week7_offline_rl Материалы]] Offline RL || 21/02/2026 || [[https://arxiv.org/abs/2005.01643 Offline RL Tutorial], [[https://arxiv.org/abs/2203.01387 A Survey on Offline RL]]

[[https://arxiv.org/abs/2110.06169 IQL]], [[https://arxiv.org/abs/2006.04779 CQL]], [[https://arxiv.org/abs/2305.09836 ReBRAC]]

[[https://arxiv.org/pdf/2106.01345.pdf Decision Transformers]], [[https://arxiv.org/abs/2106.02039 Trajectory Transformers]]

[[https://github.com/tinkoff-ai/CORL CORL Library]]
|-
| style="background:#eaecf0;" | '''8''' [[https://www.youtube.com/watch?v=roVyJyAGCtM Youtube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239873?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week8_bandits Материалы]] Multi-Armed Bandits || 28/02/2026 || [[https://arxiv.org/abs/1911.04462 Neural UCB]] [[https://arxiv.org/abs/2010.00827 Neural Thompson Sampling]]
|-
| style="background:#eaecf0;" | '''9''' [[https://www.youtube.com/watch?v=bE_rLccqGXI Youtube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239891?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week9_model_based_rl Материалы]] Model-based RL: AlphaZero and friends || 07/03/2026 || [[https://arxiv.org/abs/1712.01815 AlphaZero]], [[https://deepmind.google/discover/blog/muzero-mastering-go-chess-shogi-and-atari-without-rules/ MuZero]], [[https://arxiv.org/abs/2111.00210 EfficientZero]]

[[https://worldmodels.github.io/ World Models]], [[https://blog.research.google/2020/03/introducing-dreamer-scalable.html Dreamer-V1]]
|-
| style="background:#eaecf0;" | '''10''' [[https://www.youtube.com/watch?v=QBkqOB65WPg Youtube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239912?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week10_rl_for_llm Материалы]] RL in a context of LLMs || 14/03/2026 ||
|-
| style="background:#eaecf0;" | '''11''' [[https://www.youtube.com/watch?v=tn9C5VbqsY0 Youtube]] [[https://vkvideo.ru/playlist/-227011779_68/video-227011779_456239939?linked=1 VKVideo]] || [[https://github.com/laktionov/RL-course/tree/2026/week11_practical_rl Материалы]] Practical RL || 21/03/2026 ||
|-
|}

==Формула оценивания==

Оценка = МИН(10, 10*(0.65*HW + 0.10*TA + 0.25*RC)), где

* HW - сумма баллов за (как минимум) 5 ДЗ;
* RC - оценка за презентацию статьи, посвященной новым алгоритмам или неожиданным применениям RL-парадигмы в индустрии;
* TA - сумма баллов за еженедельные квизы (суммарно 10 квизов).

Для каждого домашнего задания есть мягкий дедлайн, сдача после которого в течение недели до жёсткого дедлайна оценивается со штрафом 5% от оценки за ДЗ за каждый день просрочки.

== Домашние задания ==
# HW-1 "Value- and policy-iteration algorithms" (''2 балла'') | '''Мягкий дедлайн - 23/01/26 23:59''', Жёсткий - 30/01/26 23:59 | [[https://github.com/laktionov/RL-course/tree/2026/hw1 Ноутбук]]
# HW-2 "SARSA(\lambda) and EV-SARSA(\lambda)" (''3 балла'') | '''Мягкий дедлайн''' - <strike>31/01/26 23:59</strike> '''04.02.2026 23:59''', Жёсткий - <strike>07/02/26 23:59</strike> '''11.02.2026 23:59''' | [[https://github.com/laktionov/RL-course/tree/2026/hw2 Ноутбук]]
# HW-3 "DQN Implementation" (''6 баллов'') | '''Мягкий дедлайн - 20/02/26 23:59''', Жёсткий - <strike>27/02/26 23:59</strike> '''01.03.2026 23:59''' | [[https://github.com/laktionov/RL-course/tree/2026/hw3 Ноутбук]]
# HW-4 "PPO Implementation" (''5 баллов'') | '''Мягкий дедлайн - 08/03/26 23:59''', Жёсткий - 15/03/26 23:59 | [[https://github.com/laktionov/RL-course/blob/main/hw4/ppo.ipynb Ноутбук]]
# HW-5 "SAC Implementation" (''5 баллов'') | '''Мягкий дедлайн - 15/03/26 23:59''', Жёсткий - 22/03/26 23:59 | [[https://github.com/laktionov/RL-course/blob/2026/hw5/sac.ipynb Ноутбук]]

Дедлайн по согласованию статьи - '''15/03/26 23:59'''

Дедлайн по сдаче статьи - <strike>21/03/26 23:59</strike> <strike>24/03/26 23:59</strike> '''25/03/26 8:59'''

== Литература ==
# [http://incompleteideas.net/book/the-book-2nd.html Reinforcement Learning: An Introduction by R.Sutton and A.Barto]
# [https://github.com/yandexdataschool/Practical_RL Practical RL course by YSDA]
# [https://www.davidsilver.uk/teaching/ David Silver's course]
# [https://rail.eecs.berkeley.edu/deeprlcourse/ Sergey Levine's course]
# [https://arxiv.org/abs/2201.09746 Reinforcement Learning Textbook (in Russian)]

DL для звука (ИИ24, 6-7 модуль)

2026-04-13T11:50:26Z

Murrcha:

==О курсе==

Занятия проводятся в Zoom.

==Контакты==

Преподаватели: [https://t.me/Einstein_30 Карагодин Никита], [https://t.me/Blinorot Пётр Гринберг]

{| class="wikitable"
|-
!Ассистенты
|-
| [https://t.me/Einstein_30 Карагодин Никита] || [https://t.me/kalxon Демиденко Никита] || [https://t.me/lKhoroshenina Хорошенина Лилия] || [https://t.me/zuikovaov Зуйкова Ольга]
|
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/NickKar30/DLA-HSE-AI-masters-course GitHub repository]

{| class="wikitable"
|-
! Занятие !! Тема !! Материалы Github !! Запись YouTube !! Запись VK
|-
| style="background:#eaecf0;" | '''1''' || Цифровая обработка сигналов: физика звука, цифровые сигналы, 4 вида преобразований Фурье, теорема Котельникова, спектрограммы и мел-спектрограммы || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec1_dsp.pdf Лекция] [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/seminars/sem1_dsp.ipynb Семинар]|| [https://www.youtube.com/watch?v=WReb8lmN-zY&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=5 Лекция] [https://www.youtube.com/watch?v=yrqsbUM-oTg&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=4 Семинар]||
|-
| style="background:#eaecf0;" | '''2''' || Цифровая обработка сигналов: формирование речи и артикуляция, модели речевого аппарата, кепстр и MFCC коэффициенты, основная частота f0, психоакустика и восприятие речи || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec2_speech.pdf Лекция] || [https://www.youtube.com/watch?v=E-JA-kBnhKU&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=2 Лекция] ||
|-
| style="background:#eaecf0;" | '''3'''|| Распознавание речи: виды ASR моделей, основные метрики, CTC Loss, модели DeepSpeech2 и Conformer, Language Models для ASR|| [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec3_asr.pdf Лекция] [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/seminars/sem3_asr.ipynb Семинар]|| [https://www.youtube.com/watch?v=LE1-u9jTJ-w&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=3 Лекция и семинар] ||
|-
| style="background:#eaecf0;" | '''4''' || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''5''' || Voice Activity Detection: идея, основные подходы, метрики и модели Silero VAD, MarbleNet, Pyannote VAD. Speaker Diarization: идея, метрики и процесс обработки. Source Separation: идея и основные метрики, семейсто моделей Demucs, Band-Split RNN, Band-Split RoFormer || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec5_vad_separation.pdf Лекция] || [https://www.youtube.com/watch?v=ua0BW5DptFU&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=2 Лекция] ||
|-
| style="background:#eaecf0;" | '''6''' || Синтез речи I: задачи TTS, метрики качества, данные, виды синтеза речи. Предобработка текста в TTS, акустические модели || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec6_acoustic_models.pdf Лекция] || [https://www.youtube.com/watch?v=TMH0R0fqkDs&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=1 Лекция] ||
|-
| Конец первого модуля |
|-
| style="background:#eaecf0;" | '''7''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''8''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''9''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''10''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''11''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''12''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
|}

==Формула оценивания==

Оценка = <code>𝟎.2×МДЗ1 + 𝟎.3×БДЗ1 + 𝟎.3×БДЗ2 + 𝟎.2×МДЗ2</code>b>,

где МДЗ и БДЗ - большие и малые домашние задания.

== Домашние задания ==
# [https://github.com/NickKar30/DLA-HSE-AI-masters-course/tree/main/hw/hw1 МДЗ1]
# [https://github.com/NickKar30/DLA-HSE-AI-masters-course/tree/main/hw/hw2 БДЗ1]
# [https://github.com/NickKar30/DLA-HSE-AI-masters-course/tree/main/hw/hw3 БДЗ2]
#

== Литература ==
#
#
#
#

DL для звука (ИИ24, 6-7 модуль)

2026-04-13T11:50:17Z

Murrcha:

==О курсе==

Занятия проводятся в Zoom.

==Контакты==

Преподаватели: [https://t.me/Einstein_30 Карагодин Никита], [https://t.me/Blinorot Пётр Гринберг]

{| class="wikitable"
|-
!Ассистенты
|-
| [https://t.me/Einstein_30 Карагодин Никита] || [https://t.me/kalxon Демиденко Никита] || [https://t.me/lKhoroshenina Хорошенина Лилия] || [https://t.me/zuikovaov Зуйкова Ольга]
|
|}

==Материалы курса==
Ссылка на плейлист курса на YouTube: [[ YouTube-playlist]]

Ссылка на GitHub с материалами курса: [https://github.com/NickKar30/DLA-HSE-AI-masters-course GitHub repository]

{| class="wikitable"
|-
! Занятие !! Тема !! Материалы Github !! Запись YouTube !! Запись VK
|-
| style="background:#eaecf0;" | '''1''' || Цифровая обработка сигналов: физика звука, цифровые сигналы, 4 вида преобразований Фурье, теорема Котельникова, спектрограммы и мел-спектрограммы || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec1_dsp.pdf Лекция] [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/seminars/sem1_dsp.ipynb Семинар]|| [https://www.youtube.com/watch?v=WReb8lmN-zY&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=5 Лекция] [https://www.youtube.com/watch?v=yrqsbUM-oTg&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=4 Семинар]||
|-
| style="background:#eaecf0;" | '''2''' || Цифровая обработка сигналов: формирование речи и артикуляция, модели речевого аппарата, кепстр и MFCC коэффициенты, основная частота f0, психоакустика и восприятие речи || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec2_speech.pdf Лекция] || [https://www.youtube.com/watch?v=E-JA-kBnhKU&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=2 Лекция] ||
|-
| style="background:#eaecf0;" | '''3'''|| Распознавание речи: виды ASR моделей, основные метрики, CTC Loss, модели DeepSpeech2 и Conformer, Language Models для ASR|| [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec3_asr.pdf Лекция] [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/seminars/sem3_asr.ipynb Семинар]|| [https://www.youtube.com/watch?v=LE1-u9jTJ-w&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=3 Лекция и семинар] ||
|-
| style="background:#eaecf0;" | '''4''' || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''5''' || Voice Activity Detection: идея, основные подходы, метрики и модели Silero VAD, MarbleNet, Pyannote VAD. Speaker Diarization: идея, метрики и процесс обработки. Source Separation: идея и основные метрики, семейсто моделей Demucs, Band-Split RNN, Band-Split RoFormer || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec5_vad_separation.pdf Лекция] || [https://www.youtube.com/watch?v=ua0BW5DptFU&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=2 Лекция] ||
|-
| style="background:#eaecf0;" | '''6''' || Синтез речи I: задачи TTS, метрики качества, данные, виды синтеза речи. Предобработка текста в TTS, акустические модели || [https://github.com/NickKar30/DLA-HSE-AI-masters-course/blob/main/lectures/lec6_acoustic_models.pdf Лекция] || [https://www.youtube.com/watch?v=TMH0R0fqkDs&list=PLmA-1xX7IuzCqCHapSJUVwZQ0xq-13mcW&index=1 Лекция] ||
|-
| Конец первого модуля |
|-
| style="background:#eaecf0;" | '''7''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''8''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''9''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''10''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''11''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
| style="background:#eaecf0;" | '''12''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
|-
|}

==Формула оценивания==

Оценка = <code>𝟎.2×МДЗ1 + 𝟎.3×БДЗ1 + 𝟎.3×БДЗ2 + 𝟎.2×МДЗ2</code>b>,

где МДЗ и БДЗ - большие и малые домашние задания.

== Домашние задания ==
# [https://github.com/NickKar30/DLA-HSE-AI-masters-course/tree/main/hw/hw1 МДЗ1]
# [https://github.com/NickKar30/DLA-HSE-AI-masters-course/tree/main/hw/hw2 БДЗ1]
# [https://github.com/NickKar30/DLA-HSE-AI-masters-course/tree/main/hw/hw3 БДЗ2]
#

== Литература ==
#
#
#
#

Машинное обучение (ИИ25, 2-3 модули)

2026-04-13T11:46:27Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент лектора !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh

|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI25 repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask.

Условия домашних заданий находятся на github курса.

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2026-04-13T11:46:05Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент лектора !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh

|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI25 repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: ...

Условия домашних заданий находятся [... здесь].

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2026-04-13T11:45:24Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент лектора !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh

|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [... repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: ...

Условия домашних заданий находятся [... здесь].

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2026-04-13T11:45:12Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh

|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [... repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: ...

Условия домашних заданий находятся [... здесь].

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение и высоконагруженные системы

2026-03-07T17:52:09Z

Murrcha:

= Учебные курсы онлайн-магистратуры «Искусственный интеллект» (ранее «Машинное обучение и высоконагруженные системы») =

== Общая информация ==

Страница программы на сайте ВШЭ: https://www.hse.ru/ma/mlds/

=== Контакты ===
Академический руководитель: [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]

Менеджеры программы: [https://www.hse.ru/org/persons/797775404 Милана Мустафаева] ([http://mailto:mmustafaeva@hse.ru mmustafaeva@hse.ru] - справки, оплаты, ИУП после согласования с академруком), [https://www.hse.ru/org/persons/855940003 Дарья Костюшко]

Куратор первого курса: [https://t.me/sabrina_sadiekh Сабрина Садиех]

Куратор второго курса: [https://t.me/Savely_Prokhorov Савелий Прохоров]

Куратор обоих курсов: [https://t.me/WhiteShape Гордей Зуев]

Электронная почта: [http://mailto:aionline@hse.ru aionline@hse.ru]

== 2025/2026 учебный год ==

=== Расписание и оценки ===
ИИ25: [таблица с расписанием и оценками] | [Google-календарь]

ИИ24: [таблица с расписанием и оценками] | [Google-календарь]

=== Учебные дисциплины ===

==== ИИ25 ====

[[Image:AI1.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/Годовой_проект_(ИИ25) Годовой проект]
| Обязательный || -
| 1-4 || - || - || -
|-
| [http://wiki.cs.hse.ru/Python_для_анализа_данных_(ИИ25,_1_модуль) Python для анализа данных]
| rowspan="2" | По выбору
|| Боревский Андрей || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/SQL_(ИИ25,_1_модуль) SQL]
|| Бояр Владислав || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Инструменты_разработки_(ИИ25,_1-2_модули) Инструменты промышленной разработки]
| Обязательный || Ахтямов Павел Ибрагимович
| 1-2 || [YouTube] || [[ Репозиторий]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Математика_для_анализа_данных_(ИИ25,_1-2_модули) Математика для анализа данных] || Обязательный ||
Ульянкин Филипп Валерьевич
| 1-2 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Анализ_временных_рядов_(ИИ25,_2-3_модули) Анализ временных рядов]
|rowspan="2"| По выбору || Костромина Алина
|2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Прикладной_Python_(ИИ25,_2-3_модули) Прикладной Python] || Горшков Сергей Сергеевич || 2-3 || [YouTube] || [[Репозиторий]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Машинное_обучение_(ИИ25,_2-3_модули) Машинное обучение]
|Обязательный || Кантонистова Елена Олеговна || 2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Глубинное_обучение_(ИИ25,_3_модуль) Глубинное обучение] || Обязательный || Блуменау Марк
| 3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Прикладная_статистика_для_АД_(ИИ25,_3-4_модули) Прикладная статистика] || Обязательный || Ульянкин Филипп Валерьевич
| 3-4 || [[YouTube]] || [[ Репозиторий]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Промышленная_разработка_(ИИ25,_3-4_модули) Промышленная разработка]
|rowspan="2"| По выбору || Ахтямов Павел Ибрагимович || 3-4 || [[ YouTube]] || [[Папка на GDrive]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Рекомендательные_системы_(ИИ25,_3-4_модули) Рекомендательные системы] || Гончаренко Владислав || 3-4 || [[ YouTube]] || [[Папка на GDrive]], [[ Репозиторий]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Алгоритмы_и_структуры_данных_(ИИ25,_4_модуль) Алгоритмы и структуры данных] || Обязательный || Горденко Мария Константиновна || 4 || [[ YouTube]] || [[GDrive]] || [Anytask]
|-
|}

==== ИИ24 ====

[[Image:AI2.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%98%D0%A1%D0%9E%D0%91%D0%9E%D0%94-2025 Обработка и анализ больших массивов данных] || Обязательный
|| Ивченко Олег Николаевич || 5-6 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Генеративные_модели_в_машинном_обучении_(ИИ_2025) Генеративные модели] || Обязательный
|| Тихонова Мария Ивановна, Карагодин Никита Сергеевич, Кантонистова Елена Олеговна || 5-6
|| [YouTube] || [github]|| [Anytask]
|-
| [http://wiki.cs.hse.ru/Автоматическая_обработка_текста_25/26 Обработка естественного языка - 1] || Обязательный
|| Хажгериев Мурат Анзорович || 5 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/МОВС_Дополнительные_главы_ML_и_DL_(ИИ24,_5_модуль)#.D0.9A.D0.BE.D0.BD.D1.82.D1.80.D0.BE.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D1.80.D0.B0.D0.B1.D0.BE.D1.82.D0.B0 Дополнительные главы ML и DL] || По выбору
|| Елена Кантонистова || 5
|| [YouTube] || || [Anytask]
|-
| [http://wiki.cs.hse.ru/Введение_в_MLOPS_(ИИ24,_5_модуль) Введение в MLOps] || По выбору || Елизавета Гаврилова || 5 || [YouTube] || [Репозиторий] || [Stepik]
|-
| [http://wiki.cs.hse.ru/ML_System_Design_(ИИ25,_5_модуль) ML System Design]
|| По выбору || Элен Теванян
|| 5 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Автоматическая_обработка_текста_2_25/26 Обработка естественного языка - 2]
|| По выбору || Мурат Хажгериев || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Прикладной_MLOPS_(ИИ24,_6_модуль) Прикладной MLOps] || По выбору || Владислав Гончаренко || 6 || [YouTube] || || [Anytask]
|-
| [http://wiki.cs.hse.ru/Data_Engineering_(ИИ24,_6_модуль) Data Engineering] || По выбору || Анатолий Бардуков || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Мультимодальные_нейронные_сети_(ИИ24,_6_модуль) Мультимодальные нейронные сети]
|| По выбору || Борис Жестков, Бурлова Альбина Сергеевна
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Векторный_поиск_(ИИ24,_6_модуль) Векторный поиск]
|| По выбору || Панчук Георгий
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/DL_для_звука_(ИИ24,_6-7_модуль) DL для звука] || По выбору || Карагодин Никита Сергеевич
|| 6-7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Распределенные_системы_(ИИ24,_7_модуль) Распределенные системы] || По выбору || Ахтямов Павел Ибрагимович
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Графовые_нейронные_сети_(ИИ24,_7_модуль) Графовые нейронные сети] || По выбору
|| Эльдар Валитов || 7 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Компьютерное_зрение_(ИИ24,_7_модуль) Компьютерное зрение] || По выбору || Блуменау Марк Ильич || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/НИС_Современный_ML_(ИИ24,_7_модуль) НИС «Современный ML»]
|| Обязательный || Петр Гринберг || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Обучение_с_подкреплением_(ИИ24,_7_модуль) Обучение с подкреплением]
|| По выбору || Сергей Лактионов || 7 || [YouTube]|| [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Подготовка_к_собеседованиям_(ИИ24,_7_модуль) Подготовка к собеседованиям]
|| По выбору || Валерий Терновский
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Валидация_LLM_(ИИ24,_7_модуль) Валидация LLM]
|| По выбору || Артем Костенко
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Компьютерное_зрение_3D_(ИИ24,_7_модуль) Компьютерное зрение 3D]
|| По выбору || Кирилл Струминский, Мишан Алиев
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
|}

= Архив за 2021-2024 учебные года =

Wiki-страничка: [http://wiki.cs.hse.ru/МОВС_Архив#2023.2F2024_.D1.83.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.B3.D0.BE.D0.B4 wiki-страничка]

Генеративные модели в машинном обучении (ИИ 2025)

2025-11-11T15:52:20Z

Murrcha:

==О курсе ==
Курс читается в первом семестре студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

{| class="wikitable"
|-
! Группа !! Преподаватели
|-
| Базовая || [https://t.me/mashkka_t Тихонова Мария], [https://t.me/murr4a Кантонистова Елена]
|-
| Продвинутая || [https://t.me/mashkka_t Тихонова Мария], [https://t.me/Einstein_30 Карагодин Никита]
|}

{| class="wikitable"
|-
! colspan="4" | Ассистенты
|-
| [https://t.me/htutb Уваров Николай] || [https://t.me/sodeniZz Матвеев Денис] || [https://t.me/perkyfever Тихонов Даниил]
|-
| [https://t.me/eiky0u Прудников Николай] || [https://t.me/llllllllllIlIIllIllIIIlllIllI Хасенов Ильяс] || [https://t.me/kolx0znik Саргсян Нарек]
|-
| [https://t.me/the_overfeeling Герасимов Борис] || [https://t.me/Oleg_Oleg_Ch Черников Олег] || [https://t.me/brickckirb Семенов Иван]
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [https://vkvideo.ru/playlist/-227011779_46 VK-playlist]

Ссылка на GitHub с материалами курса: [https://github.com/NickKar30/GM-HSE-AI-masters-course GitHub]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc Stepik]

===Расписание базовой группы:===

{| class="wikitable"

|-
! Занятие !! Тема !! Записи лекций и семинаров !! Материалы на гитхабе !! Дополнительные материалы
|-

| style="background:#eaecf0;" | '''1''' || Задача машинного перевода, механизм внимания, Transformer || [https://m.vkvideo.ru/video-227011779_456239488?from=video Лекция VK] [https://m.vkvideo.ru/video-227011779_456239489?from=video&t=7m6s Семинар VK]|| [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''2''' || Токенизация, BERT, дообучение трансформерных моделей || [https://m.vkvideo.ru/video-227011779_456239498?from=video&t=1h1m7s Лекция VK] [Семинар] || [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''3''' || Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение || [Лекция] [Семинар] || [Лекция] [Семинар]||
|-
| style="background:#eaecf0;" | '''4''' || Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''5''' || Нормализующие потоки || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''6''' || Автокодировщики, вариационные автокодировщики|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''7''' || Генеративно-состязательные сети, StyleGAN|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''8''' || Диффузионные модели || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''9''' || Мультимодальные модели, CLIP, Stable Diffusion|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|}

===Расписание продвинутой группы:===

{| class="wikitable"

|-
! Занятие !! Тема !! Записи лекций и семинаров !! Материалы на гитхабе !! Домашние задания
|-

| style="background:#eaecf0;" | '''1''' || Применения генеративных моделей, метод максимального правдоподобия, энтропия и KL-дивергенция, задачи генеративных моделей, AR модели || [https://m.vkvideo.ru/video-227011779_456239487?from=video&t=41m52s Лекция VK] [https://m.vkvideo.ru/video-227011779_456239494?from=video&t=42m58s Семинар VK]|| [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec1_intro.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem1_pixelcnn.ipynb Семинар] || rowspan="5" | [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/homeworks/pro/hw1.ipynb ImageGPT]
|-

| style="background:#eaecf0;" | '''2''' || Задача машинного перевода, механизм внимания, Transformer || [https://m.vkvideo.ru/video-227011779_456239488?from=video Лекция VK] [https://m.vkvideo.ru/video-227011779_456239489?from=video&t=7m6s Семинар VK]|| [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''3''' || Токенизация, BERT, дообучение трансформерных моделей || [https://m.vkvideo.ru/video-227011779_456239498?from=video&t=1h1m7s Лекция VK] [Семинар] || [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''4''' || Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение || [Лекция] [Семинар] || [Лекция] [Семинар]||
|-
| style="background:#eaecf0;" | '''5''' || Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''6''' || Нормализующие потоки, авторегрессионные и линейные потоки, модели NICE, RealNVP и Glow|| [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec2_flows.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem2_flow.ipynb Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/homeworks/pro/hw2/hw2.ipynb Glow]
|-
| style="background:#eaecf0;" | '''7''' || Модели скрытых переменных, ЕМ-алгоритм, вывод вариационной нижней оценки (ELBO)|| [Лекция]|| [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec3_lvm.pdf Лекция] ||
|-
| style="background:#eaecf0;" | '''8''' || Амортизированный вариационный вывод, трюк репараметризации, VAE, ELBO Surgery, Learnable Prior|| [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec4_vae.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem4_vae.ipynb Семинар] ||
|-
| style="background:#eaecf0;" | '''9''' || Discrete VAE, VQ-VAE, VQ-VAE2, likelihood free-learning, GANs || [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec5_vqvae_gans.pdf Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''10''' || Проблемы GANs: Mode collapse, Manifold Hypotesis; Wasserstain Distance, WGAN, WGAN-GP, PG-GAN, SAGAN, StyleGAN|| [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec6_gans.pdf Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''11''' || Energy based models, динамика Ланжевена, score matching: Implicit score matching, sliced score matching, denoising score matching, Noise conditioned score network|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''12''' || Прямой и обратный диффузионные процессы, диффузия как модель VAE || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''13''' || || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|}

==Формула оценивания ==
Общая оценка: <code>𝟎.𝟔×ДЗ + 𝟎.𝟏×Степик + 𝟎.𝟏×Теормин + 𝟎.𝟐×Экзамен</code>

==Stepik ==
В оценку за Stepik идут только следующие модули:

* [https://stepik.org/lesson/1260768 Модуль 10 Attention]

* [https://stepik.org/lesson/1260773 Модуль 11 Трансформеры: теория]

* [https://stepik.org/lesson/1322959 Модуль 12 Трансформеры: практика]

* [https://stepik.org/lesson/1366006 Модуль 14 Классические генеративные модели]

* [https://stepik.org/lesson/1366010 Модуль 15 Современные генеративные модели]

* [https://stepik.org/lesson/1366014 Модуль 16 Методы оптимизации нейронных сетей]

'''Важно:''' Части степика с домашними заданиями делать не нужно (15.4, например). Но нужно ответить на квизы в других его частях (15.1, например).

== Домашние задания ==

===Инвайты в Anytask===

Base Group: <code>WhnrWvK</code>

Pro Group: <code>iYcTpI5</code>

'''Base / Pro - мягкий дедлайн:'''

1. NLP / ImageGPT - дедлайн 12 октября 23:59

2. GAN&VAE / Glow - дедлайн 6 ноября 23:59

3. Diffusion&Flows / GAN&VAE - 14 ноября 23:59

4. MM AR / Diffusion - 28 ноября 23:59

Жесткий дедлайн по всем заданиям: 1 декабря 2025*

* Для сдачи курса на зачет (4 балла) можно досдавать домашние задания после жесткого дедлайна - до 20 декабря 23:59. Только в случае, если речь идет про зачет/незачет. Выше оценки 4 в случае поздней досдачи получить нельзя.

'''Правила дедлайнов по курсу:'''

- за каждую неделю просрочки после мягкого дедлайна штраф 2 балла

- после трех недель просрочки штраф 6 баллов и он не увеличивается

- после трех недель просрочки и до -1 недели до конца модуля можно сдавать задания с максимальным баллом 4.

== Теормин и Экзамен ==

'''Теормин''' - устный опрос по заранее фиксированному списку вопросов с кратким ответом. Необходимо ответить на 3 вопроса за не более, чем 5 минут.

- Теормин ожидается 1 декабря.

- Балл за теормин: 0 / 5 / 10.

'''Экзамен''' - устный разговор по темам курса, не более 10 минут, ожидаются развернутые ответы в свободной форме.

- На экзамен допускаются только те, кто получил полный балл (10) за теормин.

- Экзамен пройдет в сессию 2го модуля.

Годовой проект (ИИ25)

2025-11-03T11:30:24Z

Murrcha:

==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'''

==Чекпойнт 2==

[https://docs.google.com/document/d/1MjjcDUDmAwpb5bsgzomG39EihEA-SP8sChs3OLNScog/edit?usp=sharing Описание чекпойнта]

'''Дедлайн: 2 ноября 23:59'''

==Чекпойнт 3==

[https://docs.google.com/document/d/1zQLrr53iid5eOXEFL-WI3LkV3u1XWMubfYw_ZmWjNCA/edit?usp=sharing Описание чекпойнта]

'''Дедлайн: 27 ноября 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 по промышленной разработке

'''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

Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T15:22:42Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|-
| style="background:#eaecf0;" | ... || ...
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [... repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: ...

Условия домашних заданий находятся [... здесь].

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T15:22:17Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" | Роман Залесинский || @roman_zalesinskii
|-
| style="background:#eaecf0;" | Кирилл Малюшитский || @malyushitsky
|-
| style="background:#eaecf0;" | Георгий Чешко || @aketa147
|-
| style="background:#eaecf0;" | Тимур Акимов || @takimov
|-
| style="background:#eaecf0;" | Алена Голубович || @alonagolubovich
|-
| style="background:#eaecf0;" | Виктор Тихомиров || @onthebox
|-
| style="background:#eaecf0;" | Глеб Булыгин || @jdbelg
|-
| style="background:#eaecf0;" | Яна Журович || @janinaal
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [... repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: ...

Условия домашних заданий находятся [... здесь].

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T15:22:00Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" | Роман Залесинский || @roman_zalesinskii
|-
| style="background:#eaecf0;" | Кирилл Малюшитский || @malyushitsky
|-
| style="background:#eaecf0;" | Георгий Чешко || @aketa147
|-
| style="background:#eaecf0;" | Тимур Акимов || @takimov
|-
| style="background:#eaecf0;" | Алена Голубович || @alonagolubovich
|-
| style="background:#eaecf0;" | Виктор Тихомиров || @onthebox
|-
| style="background:#eaecf0;" | Глеб Булыгин || @jdbelg
|-
| style="background:#eaecf0;" | Яна Журович || @janinaal
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI24/tree/main GitHub repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: ...

Условия домашних заданий находятся [... здесь].

# EDA и Линейная регрессия с инференсом.
# Градиентный спуск.
# Линейная классификация (+ парсинг)
# Деревья и леса
# Бустинг и кластеризация
# Uplift-моделирование
# Итоговое задание

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T15:20:53Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" | Роман Залесинский || @roman_zalesinskii
|-
| style="background:#eaecf0;" | Кирилл Малюшитский || @malyushitsky
|-
| style="background:#eaecf0;" | Георгий Чешко || @aketa147
|-
| style="background:#eaecf0;" | Тимур Акимов || @takimov
|-
| style="background:#eaecf0;" | Алена Голубович || @alonagolubovich
|-
| style="background:#eaecf0;" | Виктор Тихомиров || @onthebox
|-
| style="background:#eaecf0;" | Глеб Булыгин || @jdbelg
|-
| style="background:#eaecf0;" | Яна Журович || @janinaal
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI24/tree/main GitHub repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: https://anytask.org/course/1151

Инвайт для Base: '''ChlwVVD'''

Инвайт для Pro: '''Uhxgzv1'''

Условия домашних заданий находятся [https://github.com/Murcha1990/ML_AI24/tree/main/Hometasks здесь].

# EDA и Линейная регрессия с инференсом. Мягкий дедлайн без Fast API - '''27 ноября 23:59''', мягкий дедлайн по Fast API - '''3 декабря 23:59'''
# Градиентный спуск. Мягкий дедлайн - '''12 декабря 23:59'''
# Линейная классификация (+ парсинг) - '''23 декабря 23:59'''
# Деревья и леса - '''2 февраля 23:59'''
# Бустинг и кластеризация - '''16 февраля 23:59'''
# Uplift-моделирование - '''28 февраля 23:59'''
#

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T15:20:32Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" | Роман Залесинский || @roman_zalesinskii
|-
| style="background:#eaecf0;" | Кирилл Малюшитский || @malyushitsky
|-
| style="background:#eaecf0;" | Георгий Чешко || @aketa147
|-
| style="background:#eaecf0;" | Тимур Акимов || @takimov
|-
| style="background:#eaecf0;" | Алена Голубович || @alonagolubovich
|-
| style="background:#eaecf0;" | Виктор Тихомиров || @onthebox
|-
| style="background:#eaecf0;" | Глеб Булыгин || @jdbelg
|-
| style="background:#eaecf0;" | Яна Журович || @janinaal
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI24/tree/main GitHub repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

=== Записи консультаций ===

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: https://anytask.org/course/1151

Инвайт для Base: '''ChlwVVD'''

Инвайт для Pro: '''Uhxgzv1'''

Условия домашних заданий находятся [https://github.com/Murcha1990/ML_AI24/tree/main/Hometasks здесь].

# EDA и Линейная регрессия с инференсом. Мягкий дедлайн без Fast API - '''27 ноября 23:59''', мягкий дедлайн по Fast API - '''3 декабря 23:59'''
# Градиентный спуск. Мягкий дедлайн - '''12 декабря 23:59'''
# Линейная классификация (+ парсинг) - '''23 декабря 23:59'''
# Деревья и леса - '''2 февраля 23:59'''
# Бустинг и кластеризация - '''16 февраля 23:59'''
# Uplift-моделирование - '''28 февраля 23:59'''
#

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T15:19:52Z

Murrcha:

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]

В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из трех тегов:

1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML

2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML

3️⃣expert - вебинар от приглашенного эксперта

🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем

🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)

🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)

❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️

==Контакты==

Преподаватель: Елена Кантонистова

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" | Роман Залесинский || @roman_zalesinskii
|-
| style="background:#eaecf0;" | Кирилл Малюшитский || @malyushitsky
|-
| style="background:#eaecf0;" | Георгий Чешко || @aketa147
|-
| style="background:#eaecf0;" | Тимур Акимов || @takimov
|-
| style="background:#eaecf0;" | Алена Голубович || @alonagolubovich
|-
| style="background:#eaecf0;" | Виктор Тихомиров || @onthebox
|-
| style="background:#eaecf0;" | Глеб Булыгин || @jdbelg
|-
| style="background:#eaecf0;" | Яна Журович || @janinaal
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI24/tree/main GitHub repository]

{| class="wikitable"
|-
! Блок !! Тема
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base)
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro)
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' || Метрики качества линейной регрессии. Практика (base)
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base)
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

=== Записи консультаций ===

==Формула оценивания==

Формула оценки: '''0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен'''

''Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
''

== Домашние задания ==

Задания сдаются в anytask: https://anytask.org/course/1151

Инвайт для Base: '''ChlwVVD'''

Инвайт для Pro: '''Uhxgzv1'''

Условия домашних заданий находятся [https://github.com/Murcha1990/ML_AI24/tree/main/Hometasks здесь].

# EDA и Линейная регрессия с инференсом. Мягкий дедлайн без Fast API - '''27 ноября 23:59''', мягкий дедлайн по Fast API - '''3 декабря 23:59'''
# Градиентный спуск. Мягкий дедлайн - '''12 декабря 23:59'''
# Линейная классификация (+ парсинг) - '''23 декабря 23:59'''
# Деревья и леса - '''2 февраля 23:59'''
# Бустинг и кластеризация - '''16 февраля 23:59'''
# Uplift-моделирование - '''28 февраля 23:59'''
#

Дедлайн по Stepik - конец курса ('''20 марта 23:59''').

Машинное обучение и высоконагруженные системы

2025-10-29T13:44:46Z

Murrcha:

= Учебные курсы онлайн-магистратуры «Искусственный интеллект» (ранее «Машинное обучение и высоконагруженные системы») =

== Общая информация ==

Страница программы на сайте ВШЭ: https://www.hse.ru/ma/mlds/

=== Контакты ===
Академический руководитель: [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]

Менеджеры программы: [https://www.hse.ru/org/persons/797775404 Милана Мустафаева] ([http://mailto:mmustafaeva@hse.ru mmustafaeva@hse.ru] - справки, оплаты, ИУП после согласования с академруком), [https://www.hse.ru/org/persons/855940003 Дарья Костюшко]

Куратор первого курса: [https://t.me/sabrina_sadiekh Сабрина Садиех]

Куратор второго курса: [https://t.me/Savely_Prokhorov Савелий Прохоров]

Куратор обоих курсов: [https://t.me/WhiteShape Гордей Зуев]

Электронная почта: [http://mailto:aionline@hse.ru aionline@hse.ru]

== 2025/2026 учебный год ==

=== Расписание и оценки ===
ИИ25: [таблица с расписанием и оценками] | [Google-календарь]

ИИ24: [таблица с расписанием и оценками] | [Google-календарь]

=== Учебные дисциплины ===

==== ИИ25 ====

[[Image:AI1.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/Годовой_проект_(ИИ25) Годовой проект]
| Обязательный || -
| 1-4 || - || - || -
|-
| [http://wiki.cs.hse.ru/Python_для_анализа_данных_(ИИ25,_1_модуль) Python для анализа данных]
| rowspan="2" | По выбору
|| Боревский Андрей || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/SQL_(ИИ25,_1_модуль) SQL]
|| Бояр Владислав || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Инструменты_разработки_(ИИ25,_1-2_модули) Инструменты промышленной разработки]
| Обязательный || Ахтямов Павел Ибрагимович
| 1-2 || [YouTube] || [[ Репозиторий]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Математика_для_анализа_данных_(ИИ25,_1-2_модули) Математика для анализа данных] || Обязательный ||
Ульянкин Филипп Валерьевич
| 1-2 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Анализ_временных_рядов_(ИИ25,_2-3_модули) Анализ временных рядов]
|rowspan="2"| По выбору || Костромина Алина
|2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Прикладной_Python_(ИИ25,_2-3_модули) Прикладной Python] || Горшков Сергей Сергеевич || 2-3 || [YouTube] || [[Репозиторий]] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Машинное_обучение_(ИИ25,_2-3_модули) Машинное обучение]
|Обязательный || Кантонистова Елена Олеговна || 2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение] || Обязательный || Блуменау Марк
| 3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладная статистика] || Обязательный || Ульянкин Филипп Валерьевич
| 3-4 || [[YouTube]] || [[ Репозиторий]] || [Anytask]
|-
| [Промышленная разработка]
|rowspan="2"| По выбору || Ахтямов Павел Ибрагимович || 3-4 || [[ YouTube]] || [[Папка на GDrive]] || [Anytask]
|-
| [Рекомендательные системы] || Гончаренко Владислав || 3-4 || [[ YouTube]] || [[Папка на GDrive]], [[ Репозиторий]] || [Anytask]
|-
| [Алгоритмы и структуры данных] || Обязательный || Горденко Мария Константиновна || 4 || [[ YouTube]] || [[GDrive]] || [Anytask]
|-
|}

==== ИИ24 ====

[[Image:AI2.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%98%D0%A1%D0%9E%D0%91%D0%9E%D0%94-2025 Обработка и анализ больших массивов данных] || Обязательный
|| Ивченко Олег Николаевич || 5-6 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Генеративные_модели_в_машинном_обучении_(ИИ_2025) Генеративные модели] || Обязательный
|| Тихонова Мария Ивановна, Карагодин Никита Сергеевич, Кантонистова Елена Олеговна || 5-6
|| [YouTube] || [github]|| [Anytask]
|-
| [http://wiki.cs.hse.ru/Автоматическая_обработка_текста_25/26 Обработка естественного языка - 1] || Обязательный
|| Хажгериев Мурат Анзорович || 5 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/МОВС_Дополнительные_главы_ML_и_DL_(ИИ24,_5_модуль)#.D0.9A.D0.BE.D0.BD.D1.82.D1.80.D0.BE.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D1.80.D0.B0.D0.B1.D0.BE.D1.82.D0.B0 Дополнительные главы ML и DL] || По выбору
|| Елена Кантонистова || 5
|| [YouTube] || || [Anytask]
|-
| [http://wiki.cs.hse.ru/Введение_в_MLOPS_(ИИ24,_5_модуль) Введение в MLOps] || По выбору || Елизавета Гаврилова || 5 || [YouTube] || [Репозиторий] || [Stepik]
|-
| [http://wiki.cs.hse.ru/ML_System_Design_(ИИ25,_5_модуль) ML System Design]
|| По выбору || Элен Теванян
|| 5 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Автоматическая_обработка_текста_2_25/26 Обработка естественного языка - 2]
|| По выбору || Мурат Хажгериев || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Прикладной_MLOPS_(ИИ24,_6_модуль) Прикладной MLOps] || По выбору || Владислав Гончаренко || 6 || [YouTube] || || [Anytask]
|-
| [http://wiki.cs.hse.ru/Data_Engineering_(ИИ24,_6_модуль) Data Engineering] || По выбору || Анатолий Бардуков || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Мультимодальные_нейронные_сети_(ИИ24,_6_модуль) Мультимодальные нейронные сети]
|| По выбору || Борис Жестков, Бурлова Альбина Сергеевна
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Векторный_поиск_(ИИ24,_6_модуль) Векторный поиск]
|| По выбору || Панчук Георгий
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [http://wiki.cs.hse.ru/DL_для_звука_(ИИ24,_6-7_модуль) DL для звука] || По выбору || Карагодин Никита Сергеевич
|| 6-7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Распределенные системы]
|| По выбору || Ахтямов Павел Ибрагимович
|| 7 || YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение в анализе графовых данных] || По выбору
|| Эльдар Валитов || 7 || [YouTube] || [github] || [Anytask]
|-
| [Компьютерное зрение] || По выбору || Блуменау Марк Ильич || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Подготовка к собеседованиям на позиции DS/MLE]
|| По выбору || Елена Кантонистова || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [ Обучение с подкреплением]
|| По выбору || Сергей Лактионов || 7 || [YouTube]|| [Репозиторий] || [Anytask]
|-
| [Проектный курс по LLM]
|| По выбору || Валерий Терновский
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Валидация больших генеративных моделей]
|| По выбору || Артем Костенко
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Факультатив 3D CV]
|| Факультатив || Струминский Кирилл, Алиев Мишан
|| 8 || [YouTube] || [Репозиторий] || [Anytask]
|-
|}

= Архив за 2021-2024 учебные года =

Wiki-страничка: [http://wiki.cs.hse.ru/МОВС_Архив#2023.2F2024_.D1.83.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.B3.D0.BE.D0.B4 wiki-страничка]

ИИ Машинное обучение (ИИ25, 2-3 модули)

2025-10-29T13:44:15Z

Murrcha: Новая страница: «ML»

Генеративные модели в машинном обучении (ИИ 2025)

2025-10-27T16:07:24Z

Murrcha:

==О курсе ==
Курс читается в первом семестре студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

{| class="wikitable"
|-
! Группа !! Преподаватели
|-
| Базовая || [https://t.me/mashkka_t Тихонова Мария], [https://t.me/murr4a Кантонистова Елена]
|-
| Продвинутая || [https://t.me/mashkka_t Тихонова Мария], [https://t.me/Einstein_30 Карагодин Никита]
|}

{| class="wikitable"
|-
! colspan="4" | Ассистенты
|-
| [https://t.me/htutb Уваров Николай] || [https://t.me/sodeniZz Матвеев Денис] || [https://t.me/perkyfever Тихонов Даниил]
|-
| [https://t.me/eiky0u Прудников Николай] || [https://t.me/llllllllllIlIIllIllIIIlllIllI Хасенов Ильяс] || [https://t.me/kolx0znik Саргсян Нарек]
|-
| [https://t.me/the_overfeeling Герасимов Борис] || [https://t.me/Oleg_Oleg_Ch Черников Олег] || [https://t.me/brickckirb Семенов Иван]
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [https://vkvideo.ru/playlist/-227011779_46 VK-playlist]

Ссылка на GitHub с материалами курса: [https://github.com/NickKar30/GM-HSE-AI-masters-course GitHub]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc Stepik]

===Расписание базовой группы:===

{| class="wikitable"

|-
! Занятие !! Тема !! Записи лекций и семинаров !! Материалы на гитхабе !! Дополнительные материалы
|-

| style="background:#eaecf0;" | '''1''' || Задача машинного перевода, механизм внимания, Transformer || [https://m.vkvideo.ru/video-227011779_456239488?from=video Лекция VK] [https://m.vkvideo.ru/video-227011779_456239489?from=video&t=7m6s Семинар VK]|| [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''2''' || Токенизация, BERT, дообучение трансформерных моделей || [https://m.vkvideo.ru/video-227011779_456239498?from=video&t=1h1m7s Лекция VK] [Семинар] || [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''3''' || Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение || [Лекция] [Семинар] || [Лекция] [Семинар]||
|-
| style="background:#eaecf0;" | '''4''' || Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''5''' || Нормализующие потоки || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''6''' || Автокодировщики, вариационные автокодировщики|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''7''' || Генеративно-состязательные сети, StyleGAN|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''8''' || Диффузионные модели || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''9''' || Мультимодальные модели, CLIP, Stable Diffusion|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|}

===Расписание продвинутой группы:===

{| class="wikitable"

|-
! Занятие !! Тема !! Записи лекций и семинаров !! Материалы на гитхабе !! Домашние задания
|-

| style="background:#eaecf0;" | '''1''' || Применения генеративных моделей, метод максимального правдоподобия, энтропия и KL-дивергенция, задачи генеративных моделей, AR модели || [https://m.vkvideo.ru/video-227011779_456239487?from=video&t=41m52s Лекция VK] [https://m.vkvideo.ru/video-227011779_456239494?from=video&t=42m58s Семинар VK]|| [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec1_intro.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem1_pixelcnn.ipynb Семинар] || rowspan="5" | [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/homeworks/pro/hw1.ipynb ImageGPT]
|-

| style="background:#eaecf0;" | '''2''' || Задача машинного перевода, механизм внимания, Transformer || [https://m.vkvideo.ru/video-227011779_456239488?from=video Лекция VK] [https://m.vkvideo.ru/video-227011779_456239489?from=video&t=7m6s Семинар VK]|| [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''3''' || Токенизация, BERT, дообучение трансформерных моделей || [https://m.vkvideo.ru/video-227011779_456239498?from=video&t=1h1m7s Лекция VK] [Семинар] || [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''4''' || Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение || [Лекция] [Семинар] || [Лекция] [Семинар]||
|-
| style="background:#eaecf0;" | '''5''' || Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''6''' || Нормализующие потоки, авторегрессионные и линейные потоки, модели NICE, RealNVP и Glow|| [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec2_flows.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem2_flow.ipynb Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/homeworks/pro/hw2/hw2.ipynb Glow]
|-
| style="background:#eaecf0;" | '''7''' || Модели скрытых переменных, ЕМ-алгоритм, вывод вариационной нижней оценки (ELBO)|| [Лекция]|| [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec3_lvm.pdf Лекция] ||
|-
| style="background:#eaecf0;" | '''8''' || Амортизированный вариационный вывод, трюк репараметризации, VAE, ELBO Surgery, Learnable Prior|| [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec4_vae.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem4_vae.ipynb Семинар] ||
|-
| style="background:#eaecf0;" | '''9''' || Discrete VAE, VQ-VAE, VQ-VAE2, likelihood free-learning, GANs || [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec5_vqvae_gans.pdf Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''10''' || Проблемы GANs: Mode collapse, Manifold Hypotesis; Wasserstain Distance, WGAN, WGAN-GP, PG-GAN, SAGAN, StyleGAN|| [Лекция] [Семинар] || [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec6_gans.pdf Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''11''' || Energy based models, динамика Ланжевена, score matching: Implicit score matching, sliced score matching, denoising score matching, Noise conditioned score network|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''12''' || Прямой и обратный диффузионные процессы, диффузия как модель VAE || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''13''' || || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|}

==Формула оценивания ==
Общая оценка: <code>𝟎.𝟔×ДЗ + 𝟎.𝟏×Степик + 𝟎.𝟏×Теормин + 𝟎.𝟐×Экзамен</code>

==Stepik ==
В оценку за Stepik идут только следующие модули:

* [https://stepik.org/lesson/1260768 Модуль 10 Attention]

* [https://stepik.org/lesson/1260773 Модуль 11 Трансформеры: теория]

* [https://stepik.org/lesson/1322959 Модуль 12 Трансформеры: практика]

* [https://stepik.org/lesson/1366006 Модуль 14 Классические генеративные модели]

* [https://stepik.org/lesson/1366010 Модуль 15 Современные генеративные модели]

* [https://stepik.org/lesson/1366014 Модуль 16 Методы оптимизации нейронных сетей]

'''Важно:''' Части степика с домашними заданиями делать не нужно (15.4, например). Но нужно ответить на квизы в других его частях (15.1, например).

== Домашние задания ==

===Инвайты в Anytask===

Base Group: <code>WhnrWvK</code>

Pro Group: <code>iYcTpI5</code>

'''Base / Pro - мягкий дедлайн:'''

1. NLP / ImageGPT - дедлайн 12 октября 23:59

2. GAN&VAE / Glow - дедлайн 6 ноября 23:59

3. Diffusion&Flows / GAN&VAE - 14 ноября 23:59

4. MM AR / Diffusion - 23 ноября 23:59

'''Правила дедлайнов по курсу:'''

- за каждую неделю просрочки после мягкого дедлайна штраф 2 балла

- после трех недель просрочки штраф 6 баллов и он не увеличивается

- после трех недель просрочки и до -1 недели до конца модуля можно сдавать задания с максимальным баллом 4.

== Теормин и Экзамен ==

'''Теормин''' - устный опрос по заранее фиксированному списку вопросов с кратким ответом. Необходимо ответить на 3 вопроса за не более, чем 5 минут.

- Теормин ожидается 1 декабря.

- Балл за теормин: 0 / 5 / 10.

'''Экзамен''' - устный разговор по темам курса, не более 10 минут, ожидаются развернутые ответы в свободной форме.

- На экзамен допускаются только те, кто получил полный балл (10) за теормин.

- Экзамен пройдет в сессию 2го модуля.

Годовой проект (ИИ25)

2025-09-29T11:15:19Z

Murrcha:

==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 по промышленной разработке

'''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

Годовой проект (ИИ25)

2025-09-29T11:14:42Z

Murrcha:

==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 по промышленной разработке

'''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

Годовой проект (ИИ25)

2025-09-29T11:13:52Z

Murrcha:

==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

Годовой проект (ИИ25)

2025-09-29T11:13:38Z

Murrcha:

==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

Годовой проект (ИИ25)

2025-09-29T11:13:15Z

Murrcha:

==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

Годовой проект (ИИ25)

2025-09-29T11:12:28Z

Murrcha:

==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

Годовой проект (ИИ25)

2025-09-29T11:10:07Z

Murrcha:

Годовой проект (ИИ25)

2025-09-29T11:09:43Z

Murrcha:

Годовой проект (ИИ25)

2025-09-29T11:09:11Z

Murrcha:

Годовой проект (ИИ25)

2025-09-29T11:08:14Z

Murrcha:

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-09-26T11:48:58Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [https://docs.google.com/presentation/d/1rd98DX-_geaGP5uStGvV42F-jUO9YWYA4zOiqn98cHw/edit?usp=sharing презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [https://disk.yandex.ru/i/NMwtryFEZ6w2PA презентация-1] [https://disk.yandex.ru/i/1hgbwYKXGgJxNA презентация-2]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [https://disk.yandex.ru/i/8MjkndT2NI6REA презентация] [https://colab.research.google.com/drive/1U4WSZ58IS_ebISAx6-LKM9qbgN3CIneu?usp=sharing практика]
|-
| style="background:#eaecf0;" | '''4''' || Алгоритмы в нейросетях || [https://disk.yandex.ru/i/YP43QTFWPMn4cg презентация]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-09-26T11:48:22Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [https://docs.google.com/presentation/d/1rd98DX-_geaGP5uStGvV42F-jUO9YWYA4zOiqn98cHw/edit?usp=sharing презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [презентация-1 https://disk.yandex.ru/i/NMwtryFEZ6w2PA] [презентация-2 https://disk.yandex.ru/i/1hgbwYKXGgJxNA]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [презентация https://disk.yandex.ru/i/8MjkndT2NI6REA] [практика https://colab.research.google.com/drive/1U4WSZ58IS_ebISAx6-LKM9qbgN3CIneu?usp=sharing]
|-
| style="background:#eaecf0;" | '''4''' || Алгоритмы в нейросетях || [https://disk.yandex.ru/i/YP43QTFWPMn4cg презентация]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-09-26T11:47:45Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [https://docs.google.com/presentation/d/1rd98DX-_geaGP5uStGvV42F-jUO9YWYA4zOiqn98cHw/edit?usp=sharing презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [материалы https://disk.yandex.ru/i/NMwtryFEZ6w2PA https://disk.yandex.ru/i/1hgbwYKXGgJxNA]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [материалы https://disk.yandex.ru/i/8MjkndT2NI6REA https://colab.research.google.com/drive/1U4WSZ58IS_ebISAx6-LKM9qbgN3CIneu?usp=sharing]
|-
| style="background:#eaecf0;" | '''4''' || Алгоритмы в нейросетях || [https://disk.yandex.ru/i/YP43QTFWPMn4cg презентация]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-09-26T10:17:47Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [https://docs.google.com/presentation/d/1rd98DX-_geaGP5uStGvV42F-jUO9YWYA4zOiqn98cHw/edit?usp=sharing презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''4''' || Алгоритмы в нейросетях || [https://disk.yandex.ru/i/YP43QTFWPMn4cg презентация]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе пройдет письменная контрольная работа по основным темам курса.

Генеративные модели в машинном обучении (ИИ 2025)

2025-09-16T12:08:41Z

Murrcha:

==О курсе ==
Курс читается в первом семестре студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

{| class="wikitable"
|-
! Группа !! Преподаватели
|-
| Базовая || [https://t.me/mashkka_t Тихонова Мария], [https://t.me/murr4a Кантонистова Елена]
|-
| Продвинутая || [https://t.me/mashkka_t Тихонова Мария], [https://t.me/Einstein_30 Карагодин Никита]
|}

{| class="wikitable"
|-
! colspan="4" | Ассистенты
|-
| [https://t.me/htutb Уваров Николай] || [https://t.me/sodeniZz Матвеев Денис] || [https://t.me/perkyfever Тихонов Даниил]
|-
| [https://t.me/eiky0u Прудников Николай] || [https://t.me/llllllllllIlIIllIllIIIlllIllI Хасенов Ильяс] || [https://t.me/kolx0znik Саргсян Нарек]
|-
| [https://t.me/the_overfeeling Герасимов Борис] || [https://t.me/Oleg_Oleg_Ch Черников Олег] || [https://t.me/brickckirb Семенов Иван]
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [https://vkvideo.ru/playlist/-227011779_46 VK-playlist]

Ссылка на GitHub с материалами курса: [https://github.com/NickKar30/GM-HSE-AI-masters-course GitHub]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc Stepik]

===Расписание базовой группы:===

{| class="wikitable"

|-
! Занятие !! Тема !! Записи лекций и семинаров !! Материалы на гитхабе !! Дополнительные материалы
|-

| style="background:#eaecf0;" | '''1''' || Задача машинного перевода, механизм внимания, Transformer || [https://m.vkvideo.ru/video-227011779_456239488?from=video Лекция VK] [https://m.vkvideo.ru/video-227011779_456239489?from=video&t=7m6s Семинар VK]|| [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''2''' || Токенизация, BERT, дообучение трансформерных моделей || [https://m.vkvideo.ru/video-227011779_456239498?from=video&t=1h1m7s Лекция VK] [Семинар] || [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''3''' || Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение || [Лекция] [Семинар] || [Лекция] [Семинар]||
|-
| style="background:#eaecf0;" | '''4''' || Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''5''' || Нормализующие потоки || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''6''' || Автокодировщики, вариационные автокодировщики|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''7''' || Генеративно-состязательные сети, StyleGAN|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''8''' || Диффузионные модели || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''9''' || Мультимодальные модели, CLIP, Stable Diffusion|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|}

===Расписание продвинутой группы:===

{| class="wikitable"

|-
! Занятие !! Тема !! Записи лекций и семинаров !! Материалы на гитхабе !! Домашние задания
|-

| style="background:#eaecf0;" | '''1''' || Применения генеративных моделей, метод максимального правдоподобия, энтропия и KL-дивергенция, задачи генеративных моделей, AR модели || [https://m.vkvideo.ru/video-227011779_456239487?from=video&t=41m52s Лекция VK] [https://m.vkvideo.ru/video-227011779_456239494?from=video&t=42m58s Семинар VK]|| [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/lectures/pro/lec1_intro.pdf Лекция] [https://github.com/NickKar30/GM-HSE-AI-masters-course/blob/main/seminars/pro/sem1_pixelcnn.ipynb Семинар] ||
|-

| style="background:#eaecf0;" | '''2''' || Задача машинного перевода, механизм внимания, Transformer || [https://m.vkvideo.ru/video-227011779_456239488?from=video Лекция VK] [https://m.vkvideo.ru/video-227011779_456239489?from=video&t=7m6s Семинар VK]|| [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''3''' || Токенизация, BERT, дообучение трансформерных моделей || [https://m.vkvideo.ru/video-227011779_456239498?from=video&t=1h1m7s Лекция VK] [Семинар] || [Лекция] [Семинар] ||
|-

| style="background:#eaecf0;" | '''4''' || Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение || [Лекция] [Семинар] || [Лекция] [Семинар]||
|-
| style="background:#eaecf0;" | '''5''' || Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''6''' || Нормализующие потоки, авторегрессионные и линейные потоки, модели NICE, RealNVP и Glow|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''7''' || Модели скрытых переменных, ЕМ-алгоритм, вывод вариационной нижней оценки (ELBO)|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''8''' || Амортизированный вариационный вывод, трюк репараметризации, VAE|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''9''' || Prior в VAE, VQ-VAE, VQ-VAE2, связь VAE и Flow || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''10''' || Генеративно-состязательные сети|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''11''' || Energy based models, динамика Ланжевена, score matching: Implicit score matching, sliced score matching, denoising score matching, Noise conditioned score network|| [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''12''' || Прямой и обратный диффузионные процессы, диффузия как модель VAE || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|-
| style="background:#eaecf0;" | '''13''' || || [Лекция] [Семинар] || [Лекция] [Семинар] ||
|}

==Формула оценивания ==
Общая оценка: <code>𝟎.𝟔×ДЗ + 𝟎.𝟏×Степик + 𝟎.𝟏×Теормин + 𝟎.𝟐×Экзамен</code>

==Stepik ==
В оценку за Stepik идут только следующие модули:

* [https://stepik.org/lesson/1260768 Модуль 10 Attention]

* [https://stepik.org/lesson/1260773 Модуль 11 Трансформеры: теория]

* [https://stepik.org/lesson/1322959 Модуль 12 Трансформеры: практика]

* [https://stepik.org/lesson/1366006 Модуль 14 Классические генеративные модели]

* [https://stepik.org/lesson/1366010 Модуль 15 Современные генеративные модели]

* [https://stepik.org/lesson/1366014 Модуль 16 Методы оптимизации нейронных сетей]

'''Важно:''' Части степика с домашними заданиями делать не нужно (15.4, например). Но нужно ответить на квизы в других его частях (15.1, например).

== Домашние задания ==

'''Base / Pro - мягкий дедлайн:'''

1. NLP / ImageGPT - дедлайн 12 октября 23:59

2. GAN&VAE / Glow - дедлайн 1 ноября 23:59

3. Diffusion&Flows / GAN&VAE - 14 ноября 23:59

4. MM AR / Diffusion - 23 ноября 23:59

'''Правила дедлайнов по курсу:'''

- за каждую неделю просрочки после мягкого дедлайна штраф 2 балла

- после трех недель просрочки штраф 6 баллов и он не увеличивается

- после трех недель просрочки и до -1 недели до конца модуля можно сдавать задания с максимальным баллом 4.

== Теормин и Экзамен ==

'''Теормин''' - устный опрос по заранее фиксированному списку вопросов с кратким ответом. Необходимо ответить на 3 вопроса за не более, чем 5 минут.

- Теормин ожидается 1 декабря.

- Балл за теормин: 0 / 5 / 10.

'''Экзамен''' - устный разговор по темам курса, не более 10 минут, ожидаются развернутые ответы в свободной форме.

- На экзамен допускаются только те, кто получил полный балл (10) за теормин.

- Экзамен пройдет в сессию 2го модуля.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-09-05T18:33:27Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [https://docs.google.com/presentation/d/1rd98DX-_geaGP5uStGvV42F-jUO9YWYA4zOiqn98cHw/edit?usp=sharing презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || [Материалы]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе пройдет письменная контрольная работа по основным темам курса.

Машинное обучение и высоконагруженные системы

2025-08-28T19:52:00Z

Murrcha:

= Учебные курсы онлайн-магистратуры "Искусственный интеллект (ранее "Машинное обучение и высоконагруженные системы")" =

== Общая информация ==

Страница программы на сайте ВШЭ: https://www.hse.ru/ma/mlds/

=== Контакты ===
Академический руководитель: [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]

Менеджеры программы: [https://www.hse.ru/org/persons/797775404 Милана Мустафаева] ([http://mailto:mmustafaeva@hse.ru mmustafaeva@hse.ru] - справки, оплаты, ИУП после согласования с академруком), [https://www.hse.ru/org/persons/855940003 Дарья Костюшко]

Куратор певрого курса:[https://t.me/sabrina_sadiekh Садиех Сабрина]

Куратор второго курса: [https://t.me/Savely_Prokhorov Савелий Прохоров]

Куратор обоих курсов: [https://t.me/WhiteShape Зуев Гордей]

Электронная почта: [http://mailto:aionline@hse.ru aionline@hse.ru]

== 2025/2026 учебный год ==

=== Расписание и оценки ===
ИИ25: [таблица с расписанием и оценками] | [Google-календарь]

ИИ24: [таблица с расписанием и оценками] | [Google-календарь]

=== Учебные дисциплины ===

==== ИИ25 ====

[[Image:AI1.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [Python для анализа данных]
| rowspan="2" | По выбору
|| Боревский Андрей || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [SQL]
|| Бояр Владислав || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Инструменты промышленной разработки]
| Обязательный || Ахтямов Павел Ибрагимович
| 1-2 || [YouTube] || [[ Репозиторий]] || [Anytask]
|-
| [Математика для анализа данных] || Обязательный ||
Ульянкин Филипп Валерьевич
| 1-2 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Анализ временных рядов]
|rowspan="2"| По выбору || Костромина Алина
|2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладной Python] || Горшков Сергей Сергеевич || 2-3 || [YouTube] || [[Репозиторий]] || [Anytask]
|-
| [Машинное обучение]
|Обязательный || Кантонистова Елена Олеговна || 2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение] || Обязательный || Блуменау Марк
| 3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладная статистика] || Обязательный || Ульянкин Филипп Валерьевич
| 3-4 || [[YouTube]] || [[ Репозиторий]] || [Anytask]
|-
| [Промышленная разработка]
|rowspan="2"| По выбору || Ахтямов Павел Ибрагимович || 3-4 || [[ YouTube]] || [[Папка на GDrive]] || [Anytask]
|-
| [Рекомендательные системы] || Гончаренко Владислав || 3-4 || [[ YouTube]] || [[Папка на GDrive]], [[ Репозиторий]] || [Anytask]
|-
| [Алгоритмы и структуры данных] || Обязательный || Горденко Мария Константиновна || 4 || [[ YouTube]] || [[GDrive]] || [Anytask]
|-
|}

==== ИИ24 ====

[[Image:AI2.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%98%D0%A1%D0%9E%D0%91%D0%9E%D0%94-2025 Обработка и анализ больших массивов данных] || Обязательный
|| Ивченко Олег Николаевич || 5-6 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Генеративные_модели_в_машинном_обучении_(ИИ_2025) Генеративные модели] || Обязательный
|| Тихонова Мария Ивановна, Карагодин Никита Сергеевич, Кантонистова Елена Олеговна || 5-6
|| [YouTube] || [github]|| [Anytask]
|-
| [http://wiki.cs.hse.ru/Автоматическая_обработка_текста_25/26 Обработка естественного языка - 1] || Обязательный
|| Хажгериев Мурат Анзорович || 5 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/МОВС_Дополнительные_главы_ML_и_DL_(ИИ24,_5_модуль)#.D0.9A.D0.BE.D0.BD.D1.82.D1.80.D0.BE.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D1.80.D0.B0.D0.B1.D0.BE.D1.82.D0.B0 Дополнительные главы ML и DL] || По выбору
|| Елена Кантонистова || 5
|| [YouTube] || || [Anytask]
|-
| [Введение в MLOps] || По выбору || Елизавета Гаврилова || 5 || [YouTube] || [Репозиторий] || [Stepik]
|-
| [ML System Design]
|| По выбору || Элен Теванян
|| 5 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Автоматическая обработка текста]
|| По выбору || Мурат Хажгериев || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [MLOps] || По выбору || Владислав Гончаренко || 6 || [YouTube] || || [Anytask]
|-
| [Data Engineering] || По выбору || Анатолий Бардуков || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка естественного языка - 2]
|| По выбору || Хажгериев Мурат Антонович
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Мультимодальные нейронные сети]
|| По выбору || Борис Жестков, Бурлова Альбина Сергеевна
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Векторный поиск]
|| По выбору || Панчук Георгий
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка данных интеллектуального акустического мониторинга]
|| По выбору || Скворцов Илья
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [DL для звука] || По выбору || Карагодин Никита Сергеевич
|| 6-7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Распределенные системы]
|| По выбору || Ахтямов Павел Ибрагимович
|| 7 || YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение в анализе графовых данных] || По выбору
|| Эльдар Валитов || 7 || [YouTube] || [github] || [Anytask]
|-
| [Компьютерное зрение] || По выбору || Блуменау Марк Ильич || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Подготовка к собеседованиям на позиции DS/MLE]
|| По выбору || Елена Кантонистова || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [ Обучение с подкреплением]
|| По выбору || Сергей Лактионов || 7 || [YouTube]|| [Репозиторий] || [Anytask]
|-
| [Проектный курс по LLM]
|| По выбору || Валерий Терновский
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Валидация больших генеративных моделей]
|| По выбору || Артем Костенко
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Факультатив 3D CV]
|| Факультатив || Струминский Кирилл, Алиев Мишан
|| 8 || [YouTube] || [Репозиторий] || [Anytask]
|-
|}

= Архив за 2021-2024 учебные года =

Wiki-страничка: [http://wiki.cs.hse.ru/МОВС_Архив#2023.2F2024_.D1.83.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.B3.D0.BE.D0.B4 wiki-страничка]

Машинное обучение и высоконагруженные системы

2025-08-28T19:03:36Z

Murrcha:

= Учебные курсы онлайн-магистратуры "Искусственный интеллект (ранее "Машинное обучение и высоконагруженные системы")" =

== Общая информация ==

Страница программы на сайте ВШЭ: https://www.hse.ru/ma/mlds/

=== Контакты ===
Академический руководитель: [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]

Менеджеры программы: [https://www.hse.ru/org/persons/797775404 Милана Мустафаева] ([http://mailto:mmustafaeva@hse.ru mmustafaeva@hse.ru] - справки, оплаты, ИУП после согласования с академруком), [https://www.hse.ru/org/persons/855940003 Дарья Костюшко]

Куратор певрого курса:[https://t.me/sabrina_sadiekh Садиех Сабрина]
Куратор второго курса: [https://t.me/Savely_Prokhorov Савелий Прохоров]
Куратор обоих курсов: [https://t.me/WhiteShape Зуев Гордей]

Электронная почта: [http://mailto:aionline@hse.ru aionline@hse.ru]

== 2025/2026 учебный год ==

=== Расписание и оценки ===
ИИ25: [таблица с расписанием и оценками] | [Google-календарь]

ИИ24: [таблица с расписанием и оценками] | [Google-календарь]

=== Учебные дисциплины ===

==== ИИ25 ====

[[Image:AI1.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [Python для анализа данных]
| rowspan="2" | По выбору
|| Боревский Андрей || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [SQL]
|| Бояр Владислав || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Инструменты промышленной разработки]
| Обязательный || Ахтямов Павел Ибрагимович
| 1-2 || [YouTube] || [[ Репозиторий]] || [Anytask]
|-
| [Математика для анализа данных] || Обязательный ||
Ульянкин Филипп Валерьевич
| 1-2 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Анализ временных рядов]
|rowspan="2"| По выбору || Костромина Алина
|2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладной Python] || Горшков Сергей Сергеевич || 2-3 || [YouTube] || [[Репозиторий]] || [Anytask]
|-
| [Машинное обучение]
|Обязательный || Кантонистова Елена Олеговна || 2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение] || Обязательный || Блуменау Марк
| 3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладная статистика] || Обязательный || Ульянкин Филипп Валерьевич
| 3-4 || [[YouTube]] || [[ Репозиторий]] || [Anytask]
|-
| [Промышленная разработка]
|rowspan="2"| По выбору || Ахтямов Павел Ибрагимович || 3-4 || [[ YouTube]] || [[Папка на GDrive]] || [Anytask]
|-
| [Рекомендательные системы] || Гончаренко Владислав || 3-4 || [[ YouTube]] || [[Папка на GDrive]], [[ Репозиторий]] || [Anytask]
|-
| [Алгоритмы и структуры данных] || Обязательный || Горденко Мария Константиновна || 4 || [[ YouTube]] || [[GDrive]] || [Anytask]
|-
|}

==== ИИ24 ====

[[Image:AI2.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%98%D0%A1%D0%9E%D0%91%D0%9E%D0%94-2025 Обработка и анализ больших массивов данных] || Обязательный
|| Ивченко Олег Николаевич || 5-6 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Генеративные_модели_в_машинном_обучении_(ИИ_2025) Генеративные модели] || Обязательный
|| Тихонова Мария Ивановна, Карагодин Никита Сергеевич, Кантонистова Елена Олеговна || 5-6
|| [YouTube] || [github]|| [Anytask]
|-
| [http://wiki.cs.hse.ru/Автоматическая_обработка_текста_25/26 Обработка естественного языка - 1] || Обязательный
|| Хажгериев Мурат Анзорович || 5 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/МОВС_Дополнительные_главы_ML_и_DL_(ИИ24,_5_модуль)#.D0.9A.D0.BE.D0.BD.D1.82.D1.80.D0.BE.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D1.80.D0.B0.D0.B1.D0.BE.D1.82.D0.B0 Дополнительные главы ML и DL] || По выбору
|| Елена Кантонистова || 5
|| [YouTube] || || [Anytask]
|-
| [Введение в MLOps] || По выбору || Елизавета Гаврилова || 5 || [YouTube] || [Репозиторий] || [Stepik]
|-
| [ML System Design]
|| По выбору || Элен Теванян
|| 5 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Автоматическая обработка текста]
|| По выбору || Мурат Хажгериев || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [MLOps] || По выбору || Владислав Гончаренко || 6 || [YouTube] || || [Anytask]
|-
| [Data Engineering] || По выбору || Анатолий Бардуков || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка естественного языка - 2]
|| По выбору || Хажгериев Мурат Антонович
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Мультимодальные нейронные сети]
|| По выбору || Борис Жестков, Бурлова Альбина Сергеевна
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Векторный поиск]
|| По выбору || Панчук Георгий
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка данных интеллектуального акустического мониторинга]
|| По выбору || Скворцов Илья
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [DL для звука] || По выбору || Карагодин Никита Сергеевич
|| 6-7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Распределенные системы]
|| По выбору || Ахтямов Павел Ибрагимович
|| 7 || YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение в анализе графовых данных] || По выбору
|| Эльдар Валитов || 7 || [YouTube] || [github] || [Anytask]
|-
| [Компьютерное зрение] || По выбору || Блуменау Марк Ильич || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Подготовка к собеседованиям на позиции DS/MLE]
|| По выбору || Елена Кантонистова || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [ Обучение с подкреплением]
|| По выбору || Сергей Лактионов || 7 || [YouTube]|| [Репозиторий] || [Anytask]
|-
| [Проектный курс по LLM]
|| По выбору || Валерий Терновский
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Валидация больших генеративных моделей]
|| По выбору || Артем Костенко
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Факультатив 3D CV]
|| Факультатив || Струминский Кирилл, Алиев Мишан
|| 8 || [YouTube] || [Репозиторий] || [Anytask]
|-
|}

= Архив за 2021-2024 учебные года =

Wiki-страничка: [http://wiki.cs.hse.ru/МОВС_Архив#2023.2F2024_.D1.83.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.B3.D0.BE.D0.B4 wiki-страничка]

Автоматическая обработка текста 25/26

2025-08-28T19:03:14Z

Murrcha: Новая страница: «TODO»

TODO

Машинное обучение и высоконагруженные системы

2025-08-28T19:01:38Z

Murrcha:

= Учебные курсы онлайн-магистратуры "Искусственный интеллект (ранее "Машинное обучение и высоконагруженные системы")" =

== Общая информация ==

Страница программы на сайте ВШЭ: https://www.hse.ru/ma/mlds/

=== Контакты ===
Академический руководитель: [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]

Менеджеры программы: [https://www.hse.ru/org/persons/797775404 Милана Мустафаева] ([http://mailto:mmustafaeva@hse.ru mmustafaeva@hse.ru] - справки, оплаты, ИУП после согласования с академруком), [https://www.hse.ru/org/persons/855940003 Дарья Костюшко]

Куратор певрого курса:[https://t.me/sabrina_sadiekh Садиех Сабрина]
Куратор второго курса: [https://t.me/Savely_Prokhorov Савелий Прохоров]
Куратор обоих курсов: [https://t.me/WhiteShape Зуев Гордей]

Электронная почта: [http://mailto:aionline@hse.ru aionline@hse.ru]

== 2025/2026 учебный год ==

=== Расписание и оценки ===
ИИ25: [таблица с расписанием и оценками] | [Google-календарь]

ИИ24: [таблица с расписанием и оценками] | [Google-календарь]

=== Учебные дисциплины ===

==== ИИ25 ====

[[Image:AI1.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [Python для анализа данных]
| rowspan="2" | По выбору
|| Боревский Андрей || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [SQL]
|| Бояр Владислав || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Инструменты промышленной разработки]
| Обязательный || Ахтямов Павел Ибрагимович
| 1-2 || [YouTube] || [[ Репозиторий]] || [Anytask]
|-
| [Математика для анализа данных] || Обязательный ||
Ульянкин Филипп Валерьевич
| 1-2 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Анализ временных рядов]
|rowspan="2"| По выбору || Костромина Алина
|2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладной Python] || Горшков Сергей Сергеевич || 2-3 || [YouTube] || [[Репозиторий]] || [Anytask]
|-
| [Машинное обучение]
|Обязательный || Кантонистова Елена Олеговна || 2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение] || Обязательный || Блуменау Марк
| 3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладная статистика] || Обязательный || Ульянкин Филипп Валерьевич
| 3-4 || [[YouTube]] || [[ Репозиторий]] || [Anytask]
|-
| [Промышленная разработка]
|rowspan="2"| По выбору || Ахтямов Павел Ибрагимович || 3-4 || [[ YouTube]] || [[Папка на GDrive]] || [Anytask]
|-
| [Рекомендательные системы] || Гончаренко Владислав || 3-4 || [[ YouTube]] || [[Папка на GDrive]], [[ Репозиторий]] || [Anytask]
|-
| [Алгоритмы и структуры данных] || Обязательный || Горденко Мария Константиновна || 4 || [[ YouTube]] || [[GDrive]] || [Anytask]
|-
|}

==== ИИ24 ====

[[Image:AI2.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%98%D0%A1%D0%9E%D0%91%D0%9E%D0%94-2025 Обработка и анализ больших массивов данных] || Обязательный
|| Ивченко Олег Николаевич || 5-6 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Генеративные_модели_в_машинном_обучении_(ИИ_2025) Генеративные модели] || Обязательный
|| Тихонова Мария Ивановна, Карагодин Никита Сергеевич, Кантонистова Елена Олеговна || 5-6
|| [YouTube] || [github]|| [Anytask]
|-
| [Обработка естественного языка - 1] || Обязательный
|| Хажгериев Мурат Анзорович || 5 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/МОВС_Дополнительные_главы_ML_и_DL_(ИИ24,_5_модуль)#.D0.9A.D0.BE.D0.BD.D1.82.D1.80.D0.BE.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D1.80.D0.B0.D0.B1.D0.BE.D1.82.D0.B0 Дополнительные главы ML и DL] || По выбору
|| Елена Кантонистова || 5
|| [YouTube] || || [Anytask]
|-
| [Введение в MLOps] || По выбору || Елизавета Гаврилова || 5 || [YouTube] || [Репозиторий] || [Stepik]
|-
| [ML System Design]
|| По выбору || Элен Теванян
|| 5 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Автоматическая обработка текста]
|| По выбору || Мурат Хажгериев || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [MLOps] || По выбору || Владислав Гончаренко || 6 || [YouTube] || || [Anytask]
|-
| [Data Engineering] || По выбору || Анатолий Бардуков || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка естественного языка - 2]
|| По выбору || Хажгериев Мурат Антонович
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Мультимодальные нейронные сети]
|| По выбору || Борис Жестков, Бурлова Альбина Сергеевна
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Векторный поиск]
|| По выбору || Панчук Георгий
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка данных интеллектуального акустического мониторинга]
|| По выбору || Скворцов Илья
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [DL для звука] || По выбору || Карагодин Никита Сергеевич
|| 6-7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Распределенные системы]
|| По выбору || Ахтямов Павел Ибрагимович
|| 7 || YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение в анализе графовых данных] || По выбору
|| Эльдар Валитов || 7 || [YouTube] || [github] || [Anytask]
|-
| [Компьютерное зрение] || По выбору || Блуменау Марк Ильич || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Подготовка к собеседованиям на позиции DS/MLE]
|| По выбору || Елена Кантонистова || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [ Обучение с подкреплением]
|| По выбору || Сергей Лактионов || 7 || [YouTube]|| [Репозиторий] || [Anytask]
|-
| [Проектный курс по LLM]
|| По выбору || Валерий Терновский
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Валидация больших генеративных моделей]
|| По выбору || Артем Костенко
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Факультатив 3D CV]
|| Факультатив || Струминский Кирилл, Алиев Мишан
|| 8 || [YouTube] || [Репозиторий] || [Anytask]
|-
|}

= Архив за 2021-2024 учебные года =

Wiki-страничка: [http://wiki.cs.hse.ru/МОВС_Архив#2023.2F2024_.D1.83.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.B3.D0.BE.D0.B4 wiki-страничка]

Машинное обучение и высоконагруженные системы

2025-08-28T19:00:53Z

Murrcha:

= Учебные курсы онлайн-магистратуры "Искусственный интеллект (ранее "Машинное обучение и высоконагруженные системы")" =

== Общая информация ==

Страница программы на сайте ВШЭ: https://www.hse.ru/ma/mlds/

=== Контакты ===
Академический руководитель: [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]

Менеджеры программы: [https://www.hse.ru/org/persons/797775404 Милана Мустафаева] ([http://mailto:mmustafaeva@hse.ru mmustafaeva@hse.ru] - справки, оплаты, ИУП после согласования с академруком), [https://www.hse.ru/org/persons/855940003 Дарья Костюшко]

Куратор певрого курса:[https://t.me/sabrina_sadiekh Садиех Сабрина]
Куратор второго курса: [https://t.me/Savely_Prokhorov Савелий Прохоров]
Куратор обоих курсов: [https://t.me/WhiteShape Зуев Гордей]

Электронная почта: [http://mailto:aionline@hse.ru aionline@hse.ru]

== 2025/2026 учебный год ==

=== Расписание и оценки ===
ИИ25: [таблица с расписанием и оценками] | [Google-календарь]

ИИ24: [таблица с расписанием и оценками] | [Google-календарь]

=== Учебные дисциплины ===

==== ИИ25 ====

[[Image:AI1.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [Python для анализа данных]
| rowspan="2" | По выбору
|| Боревский Андрей || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [SQL]
|| Бояр Владислав || 1 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Инструменты промышленной разработки]
| Обязательный || Ахтямов Павел Ибрагимович
| 1-2 || [YouTube] || [[ Репозиторий]] || [Anytask]
|-
| [Математика для анализа данных] || Обязательный ||
Ульянкин Филипп Валерьевич
| 1-2 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Анализ временных рядов]
|rowspan="2"| По выбору || Костромина Алина
|2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладной Python] || Горшков Сергей Сергеевич || 2-3 || [YouTube] || [[Репозиторий]] || [Anytask]
|-
| [Машинное обучение]
|Обязательный || Кантонистова Елена Олеговна || 2-3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение] || Обязательный || Блуменау Марк
| 3 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Прикладная статистика] || Обязательный || Ульянкин Филипп Валерьевич
| 3-4 || [[YouTube]] || [[ Репозиторий]] || [Anytask]
|-
| [Промышленная разработка]
|rowspan="2"| По выбору || Ахтямов Павел Ибрагимович || 3-4 || [[ YouTube]] || [[Папка на GDrive]] || [Anytask]
|-
| [Рекомендательные системы] || Гончаренко Владислав || 3-4 || [[ YouTube]] || [[Папка на GDrive]], [[ Репозиторий]] || [Anytask]
|-
| [Алгоритмы и структуры данных] || Обязательный || Горденко Мария Константиновна || 4 || [[ YouTube]] || [[GDrive]] || [Anytask]
|-
|}

==== ИИ24 ====

[[Image:AI2.png|center|thumb|700px|Учебный план]]

{| class="wikitable"
|-
! Дисциплина !! Статус !! Преподаватели !! Модули !! Плейлист !! GitHub !! Куда сдавать ДЗ
|-
| [Обработка и анализ больших массивов данных] || Обязательный
|| Ивченко Олег Николаевич || 5-6 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/Генеративные_модели_в_машинном_обучении_(ИИ_2025) Генеративные модели] || Обязательный
|| Тихонова Мария Ивановна, Карагодин Никита Сергеевич, Кантонистова Елена Олеговна || 5-6
|| [YouTube] || [github]|| [Anytask]
|-
| [Обработка естественного языка - 1] || Обязательный
|| Хажгериев Мурат Анзорович || 5 || [YouTube] || [github] || [Anytask]
|-
| [http://wiki.cs.hse.ru/МОВС_Дополнительные_главы_ML_и_DL_(ИИ24,_5_модуль)#.D0.9A.D0.BE.D0.BD.D1.82.D1.80.D0.BE.D0.BB.D1.8C.D0.BD.D0.B0.D1.8F_.D1.80.D0.B0.D0.B1.D0.BE.D1.82.D0.B0 Дополнительные главы ML и DL] || По выбору
|| Елена Кантонистова || 5
|| [YouTube] || || [Anytask]
|-
| [Введение в MLOps] || По выбору || Елизавета Гаврилова || 5 || [YouTube] || [Репозиторий] || [Stepik]
|-
| [ML System Design]
|| По выбору || Элен Теванян
|| 5 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Автоматическая обработка текста]
|| По выбору || Мурат Хажгериев || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [MLOps] || По выбору || Владислав Гончаренко || 6 || [YouTube] || || [Anytask]
|-
| [Data Engineering] || По выбору || Анатолий Бардуков || 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка естественного языка - 2]
|| По выбору || Хажгериев Мурат Антонович
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Мультимодальные нейронные сети]
|| По выбору || Борис Жестков, Бурлова Альбина Сергеевна
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Векторный поиск]
|| По выбору || Панчук Георгий
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Обработка данных интеллектуального акустического мониторинга]
|| По выбору || Скворцов Илья
|| 6 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [DL для звука] || По выбору || Карагодин Никита Сергеевич
|| 6-7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Распределенные системы]
|| По выбору || Ахтямов Павел Ибрагимович
|| 7 || YouTube] || [Репозиторий] || [Anytask]
|-
| [Глубинное обучение в анализе графовых данных] || По выбору
|| Эльдар Валитов || 7 || [YouTube] || [github] || [Anytask]
|-
| [Компьютерное зрение] || По выбору || Блуменау Марк Ильич || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Подготовка к собеседованиям на позиции DS/MLE]
|| По выбору || Елена Кантонистова || 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [ Обучение с подкреплением]
|| По выбору || Сергей Лактионов || 7 || [YouTube]|| [Репозиторий] || [Anytask]
|-
| [Проектный курс по LLM]
|| По выбору || Валерий Терновский
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Валидация больших генеративных моделей]
|| По выбору || Артем Костенко
|| 7 || [YouTube] || [Репозиторий] || [Anytask]
|-
| [Факультатив 3D CV]
|| Факультатив || Струминский Кирилл, Алиев Мишан
|| 8 || [YouTube] || [Репозиторий] || [Anytask]
|-
|}

= Архив за 2021-2024 учебные года =

Wiki-страничка: [http://wiki.cs.hse.ru/МОВС_Архив#2023.2F2024_.D1.83.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.B3.D0.BE.D0.B4 wiki-страничка]

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T19:00:14Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [Материалы]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || [Материалы]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T18:53:54Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [Материалы]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || [Материалы]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 26 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T18:53:39Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [Материалы]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || [Материалы]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 17 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 23 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T18:07:22Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [Материалы]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || [Материалы]
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || [Материалы]
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || [Материалы]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==
Инвайт в Anytask: ''j6gWUCc''

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 14 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 23 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T18:06:42Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Обзор приложений ML/DL. Intro в DL для звука || [Презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || Stepik
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || Stepik
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || Stepik
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || Stepik
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==
Инвайт в Anytask: ''j6gWUCc''

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 14 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 23 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T18:06:16Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || Обзор курса и организационная информация. Обзор приложений ML/DL. Intro в DL для звука || Презентация]
|-
| style="background:#eaecf0;" | '''2''' || Рекомендательные системы: обзор ML-подходов || Stepik
|-
| style="background:#eaecf0;" | '''3''' || Рекомендательные системы: обзор DL-подходов || Stepik
|-
| style="background:#eaecf0;" | '''4''' || IAoT: применение CV-моделей на микрокомпьютерах и контролерах || Stepik
|-
| style="background:#eaecf0;" | '''5''' || 3D CV: Optical Flow и Depth Estimation || Stepik
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''7''' || Методы интерпретации DL-моделей || [Материалы]
|-
| style="background:#eaecf0;" | '''8''' || Контрольная работа || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==
Инвайт в Anytask: ''j6gWUCc''

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 14 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 23 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.

МОВС Дополнительные главы ML и DL (ИИ24, 5 модуль)

2025-08-28T18:02:01Z

Murrcha:

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем.

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/ak0va @ak0va] Александра Ковалева
|-
| [https://t.me/janinaal @janinaal] Яна Журович
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
! N !! Тема !! Дата !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Введение в DL для звука. Задача ASR (вебинар) || 11 сентября || [https://colab.research.google.com/drive/1NZGeQ-Kt31n0srB3FlabHsNvU-lkjhIK?usp=sharing Ноутбук], [https://disk.yandex.ru/i/54fWIlTOJTSU6Q Презентация]
|-
| style="background:#eaecf0;" | '''2''' || Современные генеративные модели CV || - || Stepik
|-
| style="background:#eaecf0;" | '''3''' || Сложные задачи CV || - || Stepik
|-
| style="background:#eaecf0;" | '''4''' || Введение в 3D Computer Vision || - || Stepik
|-
| style="background:#eaecf0;" | '''5''' || Рекомендательные системы: ML и DL подходы || - || Stepik
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей (вебинар) || 28 сентября || [https://medium.com/@kemalpiro/xai-methods-integrated-gradients-6ee1fe4120d8 Презентация] [https://colab.research.google.com/drive/1hN--daA88cDG2Imo9DLBy4fN76N3Bbm7?usp=sharing Практика] [https://arxiv.org/pdf/1703.01365 Полезная статья]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации DL-моделей (вебинар) || 5 октября || [https://docs.google.com/presentation/d/1pQuUcL49l49VpdeyU-GLw4f9xX-7OWmCwltFAICvpnU/edit?usp=sharing Презентация] [https://colab.research.google.com/drive/1McReLif3LI6IZtaSbal9iagBWj8T_qmL?usp=sharing Практика]
|-
| style="background:#eaecf0;" | '''7''' || Большие языковые модели (LLM). PEFT || - || Stepik
|-
| style="background:#eaecf0;" | '''8''' || Введение в DL на графах || - || Stepik
|-
| style="background:#eaecf0;" | '''9''' || Контрольная работа || На последней неделе октября || -
|}

==Формула оценивания ==
Общая оценка: 0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==
Инвайт в Anytask: ''j6gWUCc''

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''': 7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''': 14 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая:
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 23 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.