Практикум на ЭВМ (317)/2019 (весна)
Материал из MachineLearning.
(→Материалы занятий) |
|||
| Строка 59: | Строка 59: | ||
| | | | ||
[https://github.com/mmp-practicum-team/mmp_practicum_spring_2019/blob/master/Tasks/01.nn_numpy/lab_01.ipynb 1 задание: Обучение полносвязной нейросети] | [https://github.com/mmp-practicum-team/mmp_practicum_spring_2019/blob/master/Tasks/01.nn_numpy/lab_01.ipynb 1 задание: Обучение полносвязной нейросети] | ||
| + | <!-- Конец занятия --> | ||
| + | |- <!-- Новое занятие --> | ||
| + | | 25 февраля | ||
| + | | Занятие 3 | ||
| + | | Библиотека pytorch. | ||
| + | |||
| + | Google Colab. | ||
| + | | | ||
| + | [https://github.com/mmp-practicum-team/mmp_practicum_spring_2019/blob/master/03.Pytorch/pytorch_bases.ipynb основы pytorch] | ||
| + | |||
| + | [https://github.com/mmp-practicum-team/mmp_practicum_spring_2019/blob/master/03.Pytorch/cifar10_tutorial.ipynb обучение нейросетей в pytorch] | ||
| + | |||
| + | [https://github.com/mmp-practicum-team/mmp_practicum_spring_2019/blob/master/03.Pytorch/colab_notebook.ipynb google colab] | ||
| + | | | ||
<!-- Конец занятия --> | <!-- Конец занятия --> | ||
|} | |} | ||
Версия 11:32, 24 февраля 2019
- Обязательный курс для студентов каф. ММП 3 курса, 6 семестр
- Зачёт с оценкой
- Преподаватели: Д.А. Кропотов, Артём Попов, Виктор Януш, Павел Мазаев
- Занятия проходят в ауд. 606 по понедельникам, начало в 16 20. Первое занятие 11 февраля.
Анонимные отзывы по курсу можно оставлять здесь: ссылка на гугл-форму
Репозиторий со всеми материалами: ссылка
Содержание |
Объявления
Пока нет...
Правила сдачи практикума
1. В рамках семестра предполагается пять практических заданий. Все задания сдаются в систему anytask, инвайт к курсу можно получить у преподавателя.
2. За каждое практическое задание можно получить до 10-ти баллов. Задание представляет собой jupyter notebook с некоторыми пропущенными шагами, которые необходимо выполнить. Формат сдачи задания — выполненный jupyter notebook. Срок выполнения каждого задания — 10 дней. За каждый день просрочки назначается штраф в 1 балл.
3. Предусмотрены бонусные активности: бонусные задачи, за которые можно получить дополнительные баллы.
4. Критерии итоговой оценки:
- отлично — 40 баллов, 4 практических заданий сданы на оценку > 0
- хорошо — 30 баллов, 3 практических задания сданы на оценку > 0
- удовлетворительно — 20 баллов, 2 практических задания сданы на оценку > 0
5. Задания выполняются самостоятельно (если не оговорено обратное). Если задание выполнялось сообща, или использовались какие-либо сторонние коды и материалы, то об этом должно быть написано в отчете. В противном случае «похожие» решения считаются плагиатом и все задействованные студенты (в том числе те, у кого списали) будут сурово наказаны.
Материалы занятий
| Дата | Номер | Тема | Материалы | Д/З |
|---|---|---|---|---|
| 11 февраля | Занятие 1 | Автоматическое дифференцирование.
Решение задач на backpropagation. | решение задач | |
| 18 февраля | Занятие 2 | Методы оптимизации для нейросетей.
Регуляризация в нейросетях. Инициализация для нейросетей. | видеолеция про стохастическую оптимизацию
обзор различных методов оптимизации нейросетей | |
| 25 февраля | Занятие 3 | Библиотека pytorch.
Google Colab. |
