Практикум на ЭВМ (317)/2018 (весна)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Правила сдачи практикума)
(Темы для выступлений)
Строка 163: Строка 163:
|-
|-
| align="center"|1
| align="center"|1
-
|| Введение в рекуррентные нейронные сети
+
| Введение в рекуррентные нейронные сети
-
|| Базовая модель, примеры задач, back propagation through time,
+
| Базовая модель, примеры задач, back propagation through time,
плюсы и минусы архитектуры, архитектура LSTM
плюсы и минусы архитектуры, архитектура LSTM
-
|| Шаталов Николай
+
| Шаталов Николай
-
||
+
|
|-
|-
| align="center"|2
| align="center"|2
-
|| Методы стохастической оптимизации для нейросетей
+
| Методы стохастической оптимизации для нейросетей
-
|| В каких задачах нужны спец. методы, основные идеи для улучшения
+
| В каких задачах нужны спец. методы, основные идеи для улучшения
(momentum, адаптивный learning rate, нестеров и тд), примеры методов
(momentum, адаптивный learning rate, нестеров и тд), примеры методов
-
|| Солоткий Михаил
+
| Солоткий Михаил
-
||
+
|
|-
|-
| align="center"|3
| align="center"|3
-
|| Методы “регуляризации” нейронных сетей
+
| Методы “регуляризации” нейронных сетей
-
|| Dropout, inverted dropout, батч-нормализация, методы инициализации
+
| Dropout, inverted dropout, батч-нормализация, методы инициализации
-
|| Яворская Мария
+
| Яворская Мария
-
||
+
|
|-
|-
| align="center"|4
| align="center"|4
-
|| Идеи современных архитектур нейросетей для классификации изображений
+
| Идеи современных архитектур нейросетей для классификации изображений
-
|| VGG, GoogleNet, ResNet, соревнование ImageNet
+
| VGG, GoogleNet, ResNet, соревнование ImageNet
-
|| Сагайдак Олег
+
| Сагайдак Олег
-
||
+
|
|-
|-
| align="center"|5
| align="center"|5
-
|| Введение в Generative adversarial network (GAN)
+
| Введение в Generative adversarial network (GAN)
-
|| Постановка задачи, описание базовой модели GAN, алгоритм обучения
+
| Постановка задачи, описание базовой модели GAN, алгоритм обучения
-
||Сомов Иван
+
|Сомов Иван
-
||
+
|
|-
|-
| align="center"|6
| align="center"|6
-
|| Векторные представления слов: word2vec
+
| Векторные представления слов: word2vec
-
|| CBOW, Skip-Gram, Hierarchical softmax, Negative sampling
+
| CBOW, Skip-Gram, Hierarchical softmax, Negative sampling
-
|| Скачков Николай
+
| Скачков Николай
-
||
+
|
|-
|-
| align="center"|7
| align="center"|7
-
|| Введение в Reinforcement Learning (часть 1)
+
| Введение в Reinforcement Learning (часть 1)
-
|| Постановки и примеры задачи, терминология, MDP, value функции
+
| Постановки и примеры задачи, терминология, MDP, value функции
-
|| Драгунов Никита
+
| Драгунов Никита
-
||
+
|
|-
|-
| align="center"|8
| align="center"|8
-
|| Введение в Reinforcement Learning (часть 2)
+
| Введение в Reinforcement Learning (часть 2)
-
|| Q-learning, Deep Q-learning
+
| Q-learning, Deep Q-learning
-
|| Алексей Медведев
+
| Алексей Медведев
-
||
+
|
|-
|-
| align="center"|9
| align="center"|9
-
|| Alpha Go
+
| Alpha Go
-
|| Постановку задачи Alpha Go, основные идеи, которые позволили эту
+
| Постановку задачи Alpha Go, основные идеи, которые позволили эту
задачу эффективно решить, Alpha Go Zero
задачу эффективно решить, Alpha Go Zero
-
|| Дмитрий Медведев
+
| Дмитрий Медведев
-
||
+
|
|-
|-
| align="center"|10
| align="center"|10
-
|| Механизмы внимания для машинного перевода
+
| Механизмы внимания для машинного перевода
-
|| Постановка задачи, стандартные подходы (encoder-decoder),
+
| Постановка задачи, стандартные подходы (encoder-decoder),
подход с attention [https://arxiv.org/pdf/1409.0473.pdf ссылка]
подход с attention [https://arxiv.org/pdf/1409.0473.pdf ссылка]
+ мб что-то ещё
+ мб что-то ещё
-
|| Галина Фоминская
+
| Галина Фоминская
-
||
+
|
|-
|-
| align="center"|11
| align="center"|11
-
|| Механизмы внимания для генерации описания изображения
+
| Механизмы внимания для генерации описания изображения
-
|| Постановка задачи, стандартные подходы (encoder-decoder),
+
| Постановка задачи, стандартные подходы (encoder-decoder),
статья [https://arxiv.org/pdf/1502.03044.pdf ссылка]
статья [https://arxiv.org/pdf/1502.03044.pdf ссылка]
+ мб какие-то другие подходы
+ мб какие-то другие подходы
-
|| Влад Филимонов
+
| Влад Филимонов
-
||
+
|
|-
|-
| align="center"|12
| align="center"|12
-
|| Memory networks для вопросно-ответных систем
+
| Memory networks для вопросно-ответных систем
-
|| Постановка задачи, концепция memory networks [https://arxiv.org/abs/1410.3916 ссылка],
+
| Постановка задачи, концепция memory networks [https://arxiv.org/abs/1410.3916 ссылка],
end-to-end memory networks [https://papers.nips.cc/paper/5846-end-to-end-memory-networks.pdf ссылка]
end-to-end memory networks [https://papers.nips.cc/paper/5846-end-to-end-memory-networks.pdf ссылка]
-
|| Мамат Шамшиев
+
| Мамат Шамшиев
-
||
+
|
|-
|-
| align="center"|13
| align="center"|13
-
|| Модель WaveNet для генерации звука
+
| Модель WaveNet для генерации звука
-
|| Постановка задачи, немного о донейросетевых подхода, модель WaveNet и её результаты
+
| Постановка задачи, немного о донейросетевых подхода, модель WaveNet и её результаты
-
|| Шестакова Анна
+
| Шестакова Анна
-
||
+
|
|-
|-
| align="center"|14
| align="center"|14
-
|| Модели переноса стиля
+
| Модели переноса стиля
-
|| Постановка задачи, базовый алгоритм [https://arxiv.org/pdf/1508.06576.pdf ссылка],
+
| Постановка задачи, базовый алгоритм [https://arxiv.org/pdf/1508.06576.pdf ссылка],
дальнейшие улучшения и обобщения
дальнейшие улучшения и обобщения
-
|| Дженаков Дмитрий
+
| Дженаков Дмитрий
-
||
+
|
|-
|-
| align="center"|15
| align="center"|15
-
|| Идеи современных архитектур для детекции объектов на изображении
+
| Идеи современных архитектур для детекции объектов на изображении
-
|| Постановка задачи, проблемы задачи (double detection и др.),
+
| Постановка задачи, проблемы задачи (double detection и др.),
основные подходы к решению, архитектура R-CNN,
основные подходы к решению, архитектура R-CNN,
другие архитектуры, если есть время
другие архитектуры, если есть время
-
|| Любовь Пономарева
+
| Любовь Пономарева
-
||
+
|
|-
|-
| align="center"|16
| align="center"|16
-
|| Современные методы оптимизации второго порядка
+
| Современные методы оптимизации второго порядка
-
|| Введение в методы Гаусса-Ньютона, натуральные градиенты, метод K-FAC для нейросетей, его результаты
+
| Введение в методы Гаусса-Ньютона, натуральные градиенты, метод K-FAC для нейросетей, его результаты
-
|| Руднев Виктор
+
| Руднев Виктор
-
||
+
|
|-
|-
-
| align="center"|16
+
| align="center"|17
-
|| Wasserstein GAN
+
| Wasserstein GAN
-
|| Достаточно много математики!
+
| Достаточно много математики!
Напоминание про GAN, мотивация Wasserstein GAN, алгоритм, немного про теорию вокруг
Напоминание про GAN, мотивация Wasserstein GAN, алгоритм, немного про теорию вокруг
-
|| Цыпин Артем
+
| Цыпин Артем
-
||
+
|
|-
|-
-
|-
+
| align="center"|18
-
| align="center"|14
+
| Идеи современных архитектур нейросетей для
-
|| Идеи современных архитектур нейросетей для
+
семантической сегментации изображений
семантической сегментации изображений
-
|| Постановка задачи, разобрать идеи нескольких архитектур, например, U-net,
+
| Постановка задачи, разобрать идеи нескольких архитектур, например, U-net,
Fully Convolutional DenseNets, LinkNet и другие
Fully Convolutional DenseNets, LinkNet и другие
-
||
+
|
-
||
+
|-
|}
|}

Версия 13:01, 21 мая 2018

  • Обязательный курс для студентов каф. ММП 3 курса, 5-6 семестр
  • Зачёт с оценкой
  • Преподаватели: Д.А. Кропотов, Артём Попов и другие
  • Занятия проходят в ауд. 579 по четвергам, начало в 16:20. Первое занятие 8 февраля.

Анонимные отзывы по курсу можно оставлять здесь: ссылка на гугл-форму

Репозиторий со всеми материалами: ссылка на репозиторий

Правила сдачи практикума

1. В рамках семестра предполагается 4 практических задания, выступление на семинаре и 5 проверочных работ по материалам занятий и выступлений.

2. Все практические задания сдаются в систему anytask, инвайт к курсу можно получить у преподавателя. За каждое практическое задание можно получить до 50 баллов. Задание считается принятым на проверку, если написан весь код к заданию (пройдены все выданные тесты), сделано не меньше 50% экспериментов, составлен отчёт.

3. Срок выполнения каждого задания — 2 недели. Далее, в течение 2 недель за каждый день просрочки назначается штраф 1 балл. Задания, сданные после этого срока, НЕ ПРИНИМАЮТСЯ. Студенты, сдавшие по итогам семестра меньше 2 заданий, автоматически отправляются на пересдачу.

4. Тема выступления выдаётся заранее (как минимум за две недели до даты выступления). Продолжительность выступления примерно 20 минут. За выступление можно получить до 40 баллов. Баллы выставляются преподавателями.

5. Даты проведения проверочных работ сообщаются зараннее. За каждую проверочную можно получить до 10 баллов.

6. Итоговая оценка формируется следующим образом:

  • отлично — 205 баллов, сдано 4 практических задания, подготовлено выступление
  • хорошо — 155 баллов, сдано 3 практических задания, подготовлено выступление
  • удовлетворительно — 100 балла, сдано 2 практических задания, подготовлено выступление

Материалы занятий

Дата Номер Тема Материалы Д/З
8 февраля Занятие 1

Разностное и автоматическое дифференцирование.

Введение в pytorch.

база (jupyter)

cifar (jupyter)

Установить pytorch

15 февраля Занятие 2

Многослойные нейронные сети. Свёрточные нейронные сети.

Линейные и свёрточные автокодировщики.

картинки к лекции

задание 1

22 февраля Занятие 3

ЕМ-алгоритм

Восстановление плотности смеси нормальных распределений

Конспект по ЕМ-алгоритму (2015)

1 марта Занятие 4

Применение ЕМ-алгоритма: кластеризация, индетификация,

тематические модели, мультиязычные тематические модели

слайды

слайды с выводом формул ТМ

задание 2

15 марта Занятие 5

Выступления (темы 1 — 2)

22 марта Занятие 6

Выступления (темы 3 — 6)

29 марта Занятие 7

Рекомендательные системы (часть 1)

слайды

5 апреля Занятие 8

Рекомендательные системы (часть 2)

слайды слайды (negative sampling)

задание 3

12 апреля Занятие 9

Выступления (темы 7 — 9)

19 апреля Занятие 10

Конечные поля, помехоустойчивые коды

4 мая Занятие 11

Коды БЧХ

задание 4

Темы для выступлений

№ п/п Тема Примечание ФИО студента Материалы
1 Введение в рекуррентные нейронные сети Базовая модель, примеры задач, back propagation through time,

плюсы и минусы архитектуры, архитектура LSTM

Шаталов Николай
2 Методы стохастической оптимизации для нейросетей В каких задачах нужны спец. методы, основные идеи для улучшения

(momentum, адаптивный learning rate, нестеров и тд), примеры методов

Солоткий Михаил
3 Методы “регуляризации” нейронных сетей Dropout, inverted dropout, батч-нормализация, методы инициализации Яворская Мария
4 Идеи современных архитектур нейросетей для классификации изображений VGG, GoogleNet, ResNet, соревнование ImageNet Сагайдак Олег
5 Введение в Generative adversarial network (GAN) Постановка задачи, описание базовой модели GAN, алгоритм обучения Сомов Иван
6 Векторные представления слов: word2vec CBOW, Skip-Gram, Hierarchical softmax, Negative sampling Скачков Николай
7 Введение в Reinforcement Learning (часть 1) Постановки и примеры задачи, терминология, MDP, value функции Драгунов Никита
8 Введение в Reinforcement Learning (часть 2) Q-learning, Deep Q-learning Алексей Медведев
9 Alpha Go Постановку задачи Alpha Go, основные идеи, которые позволили эту

задачу эффективно решить, Alpha Go Zero

Дмитрий Медведев
10 Механизмы внимания для машинного перевода Постановка задачи, стандартные подходы (encoder-decoder),

подход с attention ссылка + мб что-то ещё

Галина Фоминская
11 Механизмы внимания для генерации описания изображения Постановка задачи, стандартные подходы (encoder-decoder),

статья ссылка + мб какие-то другие подходы

Влад Филимонов
12 Memory networks для вопросно-ответных систем Постановка задачи, концепция memory networks ссылка,

end-to-end memory networks ссылка

Мамат Шамшиев
13 Модель WaveNet для генерации звука Постановка задачи, немного о донейросетевых подхода, модель WaveNet и её результаты Шестакова Анна
14 Модели переноса стиля Постановка задачи, базовый алгоритм ссылка,

дальнейшие улучшения и обобщения

Дженаков Дмитрий
15 Идеи современных архитектур для детекции объектов на изображении Постановка задачи, проблемы задачи (double detection и др.),

основные подходы к решению, архитектура R-CNN, другие архитектуры, если есть время

Любовь Пономарева
16 Современные методы оптимизации второго порядка Введение в методы Гаусса-Ньютона, натуральные градиенты, метод K-FAC для нейросетей, его результаты Руднев Виктор
17 Wasserstein GAN Достаточно много математики!

Напоминание про GAN, мотивация Wasserstein GAN, алгоритм, немного про теорию вокруг

Цыпин Артем
18 Идеи современных архитектур нейросетей для

семантической сегментации изображений

Постановка задачи, разобрать идеи нескольких архитектур, например, U-net,

Fully Convolutional DenseNets, LinkNet и другие

Требования к отчёту по практическим заданиям

Отчёт должен быть самодостаточным документом в формате PDF, подготовленным в системе LATEX. Студенты, хорошо выполнившие отчёты по прошлым заданиям, получают возможность сдавать отчёты в формате HTML или PDF, подготовленные с помощью jupyter notebook.

Отчёт должен давать проверяющему ответы на следующие вопросы:

  • К какому курсу относится задание?
  • Какое задание выполнено?
  • Кем выполнено задание?
  • В чём заключалось задание?
  • Что было сделано? Что не было сделано?
  • Даны ли правильные ответы на все теоретические вопросы задания?
  • Проведены ли все необходимые эксперименты? Получены ли осмысленные ВЫВОДЫ?
  • Выполнена ли творческая часть задания?
  • Пользовался ли студент чьей-либо помощью? Если да, то в каком объёме?
  • Какой литературой пользовался студент?

Требования к программному коду

  • Код должен в целом соответствовать PEP8 (eng или rus )
  • В частности, код должен проходить автоматическую проверку стиля ссылка. Скрипт запускается из командной строки так: python3 mmp_pep8.py <ваш скрипт>. Код, вызывающий предупреждения, может дополнительно штрафоваться.
  • Код должен быть понятным и единообразным. Переменные, функции и другие элементы кода должны иметь осмысленные, значимые имена, отвечающие их назначению.
  • Код, который не соответствует прототипам, выданным в задании, автоматически оценивается в 0 баллов
  • Код, который не удовлетворяет требованиям задания (например, запрету на использование конкретных библиотек), автоматически оценивается в 0 баллов
  • Код, содержащий плагиат, автоматически оценивается в 0 баллов

Страницы прошлых лет

2017-2018 (осень)

2016-2017

2015-2016

2014-2015

2013-2014

2012-2013

2011-2012

Личные инструменты