Эффективные системы глубинного обучения 22/23 - История изменений

M.ryabinin в 22:39, 17 января 2023

2023-01-17T22:39:43Z

← Предыдущая версия		Версия от 22:39, 17 января 2023
Строка 13:		Строка 13:
	=== Полезные ссылки ===		=== Полезные ссылки ===

	~~(TBA)~~ Anytask для сдачи заданий		[https://anytask.org/course/995 Anytask] для сдачи заданий (инвайт <code>i9RuakI</code>)

	Канал в Telegram для объявлений: https://t.me/efficientdl_23		Канал в Telegram для объявлений: https://t.me/efficientdl_23

M.ryabinin в 20:33, 15 января 2023

2023-01-15T20:33:46Z

← Предыдущая версия		Версия от 20:33, 15 января 2023
Строка 45:		Строка 45:
	=== Правила сдачи заданий ===		=== Правила сдачи заданий ===

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

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

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

M.ryabinin в 16:09, 15 января 2023

2023-01-15T16:09:25Z

← Предыдущая версия		Версия от 16:09, 15 января 2023
Строка 36:		Строка 36:

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

	Итоговая оценка вычисляется по следующей формуле:		Итоговая оценка вычисляется по следующей формуле:

Строка 47:		Строка 48:

	Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.		Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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

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

2023-01-15T16:08:49Z

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

Новая страница

== О курсе ==

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

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

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

'''Ассистенты:''' [https://t.me/msaidov Марат Саидов], [https://t.me/team_mur Тимур Ваньков]

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

=== Полезные ссылки ===

(TBA) Anytask для сдачи заданий

Канал в Telegram для объявлений: https://t.me/efficientdl_23

Чат в Telegram для обсуждения курса: https://t.me/+n_OHgXYrZKg0ZmUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

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

=== Правила выставления оценок ===

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

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

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

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

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.
Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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

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

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