Wiki - Факультет компьютерных наук - Вклад [ru]

Современные методы машинного обучения

2020-10-16T10:39:36Z

Yuliya: Информация иад2

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

Лектор — [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Занятия проходят онлайн по четвергам на второй паре (11:10 - 12:30).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/346235110 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

Домашние задание сдаются в Anytask:

Канал в telegram для объявлений: https://t.me/hse_minor_intro_dm_2020

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/iad_flood

[https://docs.google.com/spreadsheets/d/1O6TcqNniwQ2dw-xpK04S1ufWQh42w5hwMEITgJQIEjk/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент || Инвайт в anytask || Чатик в телеграм
|-
| ИАД-1 || Алексей Ковалёв || Алёна Вертеева || tVc06Tf || https://t.me/joinchat/GJZR7hjEVqoQWjj_iB0k6Q
|-
| ИАД-2 || Трофимова Юлия || Юра Саночкин, Ирина Трояновская || Xw1bmE5 || https://t.me/joinchat/EB0BRhO_FZvAzD6ryUnxMQ
|-
| ИАД-3 || Руслан Хайдуров || Соня Дымченко, Анатолий Пащенко || ev2HwBx || https://t.me/joinchat/C232lhy4wn6Pp7epNt-qYQ
|-
| ИАД-4 || Кузнецов Максим || || Xn6pJSM ||
|-
| ИАД-5 || Багиян Нерсес || Алексей Милоградский || 6OfvD88 || https://t.me/joinchat/Atx7Lkvi60FI1RJhJd8XwQ
|-
| ИАД-6 || Чесаков Даниил || Ольга Быстрова || qbB0bf0 || https://t.me/joinchat/ES5w2w4fersnpdf0UWoMNw
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

=== Правила сдачи заданий ===

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

При наличии уважительной причины дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

==Лекции==

Лекция 1 (10.09.2020). Введение в глубинное обучение. Полносвязные слои. [[https://github.com/hse-ds/iad-deep-learning/blob/master/lectures/lecture01-intro.pdf Слайды]] [[https://www.youtube.com/watch?v=mwjQaNt8qxk Запись лекции]]

Лекция 2 (17.09.2020). Метод обратного распространения ошибки. Свёртки и свёрточные слои. [[https://github.com/hse-ds/iad-deep-learning/blob/master/lectures/lecture02-convnets.pdf Слайды]] [[https://www.youtube.com/watch?v=kKwrhvSATQg Запись лекции]]

Лекция 3 (24.09.2020). Поле восприятия. Преобразования в свёрточных сетях. Типичная архитектура свёрточной нейронной сети. Выходы последних слоёв свёрточных сетей как дескрипторы изображений. [[https://github.com/hse-ds/iad-deep-learning/blob/master/lectures/lecture03-convnets.pdf Слайды]] [[https://www.youtube.com/watch?v=EhVLDAOejlM Запись лекции]]

Лекция 4 (01.10.2020). Стохастический градиентный спуск. Mini-batch. Momentum, AdaGrad, RMSProp, Adam. Регуляризация нейронных сетей и Dropout. Batch normalization. [[https://github.com/hse-ds/iad-deep-learning/blob/master/lectures/lecture04-optimization.pdf Слайды]] [[https://youtu.be/V_rv-z4Y87o Запись лекции]]

Лекция 5 (08.10.2020). Инициализация весов и аугментация. Архитектуры свёрточных сетей: LeNet, AlexNet, VGG, Inception, ResNet. Tranfer learning. [[https://github.com/hse-ds/iad-deep-learning/blob/master/lectures/lecture05-convnets.pdf Слайды]] [[https://www.youtube.com/watch?v=fGodAVUHPmQ Запись лекции]]

Лекция 6 (15.10.2020). Интерпретация нейронных сетей. Задача семантической сегментации. Метрики качества сегментации, categorical cross-entropy. Fully Convolutional Networks. U-Net. Dilated convolutions. [[https://github.com/hse-ds/iad-deep-learning/blob/master/lectures/lecture06-vision.pdf Слайды]] [[https://www.youtube.com/watch?v=gnwG5agGsJ4 Запись лекции]]

==Семинары==
Семинар 1 (17.09.2020). Знакомство с pytorch. Тензоры, градиенты, датасеты, даталоадеры. Моя первая нейросеть. [[https://www.youtube.com/watch?v=XW_99QmdDzk&feature=youtu.be Запись (Руслан Хайдуров)]]

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

[[Category:Майнор "Интеллектуальный анализ данных"]]

Современные методы машинного обучения

2020-09-14T10:59:47Z

Yuliya: add common channel

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

Организационные вопросы можно задавать [http://www.hse.ru/staff/esokolov Соколову Евгению Андреевичу]

Занятия проходят онлайн по четвергам на второй паре (11:10 - 12:30).

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/292743107.html Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

Домашние задание сдаются в Anytask:

Канал в telegram для объявлений: https://t.me/hse_minor_intro_dm_2020

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/joinchat/A5rlQBSn7ROATFOWGlzRwg

[ Таблица с оценками]

Оставить отзыв на курс: [ форма]

'''Вопросы''' по курсу можно задавать в телеграм куратору курса (esokolov@), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент || Инвайт в anytask || Чатик в телеграм
|-
| ИАД-1 || || || ||
|-
| ИАД-2 || || || ||
|-
| ИАД-3 || Руслан Хайдуров || Соня Дымченко, Анатолий Пащенко || || https://t.me/joinchat/C232lhy4wn6Pp7epNt-qYQ
|-
| ИАД-4 || || || ||
|-
| ИАД-5 || || || ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с онлайн-курсов и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

Также в рамках курса студенты могут изучить онлайн-курс How to Win a Data Science Competition. За его успешное прохождение будет выставлено 10 бонусных баллов, которые можно прибавить к оценке за любое из домашних заданий или за любую проверочную работу. Чтобы получить эти баллы, курс надо сдать до 18 декабря включительно.

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы на семинарах

КР — оценка за контрольную работу

Э — оценка за экзамен

=== Правила сдачи заданий ===

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

При наличии уважительной причины дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

==Онлайн-курсы==

Дисциплина сопровождается двумя онлайн-курсами: [https://www.coursera.org/learn/intro-to-deep-learning Introduction to Deep learning] и [https://www.coursera.org/learn/competitive-data-science How to Win a Data Science Competition].

Курс Introduction to Deep learning не нужно проходить полностью — требуется лишь смотреть видео из него. Мы будем сообщать, к какому моменту что надо посмотреть.

Курс How to Win a Data Science Competition нужно полностью сдать на Coursera. Оценка за него войдёт в итоговую оценку.

==Семинары==

== Практические задания ==
Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается один балл. После жёсткого дедлайна задания не принимаются.

'''Домашнее задание 1'''

'''Домашнее задание 2'''

'''Домашнее задание 3'''

== Контрольная работа ==

== Экзамен ==

[[Category:Майнор "Интеллектуальный анализ данных"]]