Практикум на ЭВМ (317)/2018 (весна)
Материал из MachineLearning.
- 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. |
Установить pytorch | |
| 15 февраля | Занятие 2 |
Многослойные нейронные сети. Свёрточные нейронные сети. Линейные и свёрточные автокодировщики. | ||
| 22 февраля | Занятие 3 |
ЕМ-алгоритм Восстановление плотности смеси нормальных распределений | ||
| 1 марта | Занятие 4 |
Применение ЕМ-алгоритма: кластеризация, индетификация, тематические модели, мультиязычные тематические модели | ||
| 15 марта | Занятие 5 |
Выступления (темы 1 — 2) | ||
| 22 марта | Занятие 6 |
Выступления (темы 3 — 6) | ||
| 29 марта | Занятие 7 |
Рекомендательные системы (часть 1) | ||
| 5 апреля | Занятие 8 |
Рекомендательные системы (часть 2) | ||
| 12 апреля | Занятие 9 |
Выступления (темы 7 — 9) | ||
| 19 апреля | Занятие 10 |
Конечные поля, помехоустойчивые коды | ||
| 4 мая | Занятие 11 |
Коды БЧХ | ||
| 10 мая | Занятие 12 |
Выступления (темы 10—12) | ||
| 17 мая | Занятие 13 |
Выступления (темы 13—15) | ||
| 24 мая | Занятие 14 |
Выступления (темы 16—17) |
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 | слайды |
| 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 | слайды |
| 3 | Методы “регуляризации” нейронных сетей | Dropout, inverted dropout, батч-нормализация, методы инициализации | Яворская Мария | слайды |
| 4 | Идеи современных архитектур нейросетей для классификации изображений | VGG, GoogleNet, ResNet, соревнование ImageNet | Сагайдак Олег | слайды |
| 5 | Введение в Generative adversarial network (GAN) | Постановка задачи, описание базовой модели GAN, алгоритм обучения | Сомов Иван | слайды |
| 6 | Векторные представления слов: word2vec | CBOW, Skip-Gram, Hierarchical softmax, Negative sampling | Скачков Николай | слайды |
| 7 | Введение в Reinforcement Learning (часть 1) | Постановки и примеры задачи, терминология, MDP, value функции | Драгунов Никита | слайды |
| 8 | Введение в Reinforcement Learning (часть 2) | Q-learning, Deep Q-learning | Медведев Алексей | слайды |
| 9 | Alpha Go | Постановку задачи Alpha Go, основные идеи, которые позволили эту
задачу эффективно решить, Alpha Go Zero | Медведев Дмитрий | слайды |
| 10 | Механизмы внимания для машинного перевода | Постановка задачи, стандартные подходы (encoder-decoder),
подход с attention ссылка + мб что-то ещё | Фоминская Галина | слайды |
| 11 | Механизмы внимания для генерации описания изображения | Постановка задачи, стандартные подходы (encoder-decoder),
статья ссылка + мб какие-то другие подходы | Филимонов Влад | слайды |
| 12 | Memory networks для вопросно-ответных систем | Постановка задачи, концепция memory networks ссылка,
end-to-end memory networks ссылка | Шамшиев Мамат | слайды |
| 13 | Модель WaveNet для генерации звука | Постановка задачи, немного о донейросетевых подхода, модель WaveNet и её результаты | Шестакова Анна | слайды |
| 14 | Модели переноса стиля | Постановка задачи, базовый алгоритм ссылка,
дальнейшие улучшения и обобщения | Дженаков Дмитрий | слайды |
| 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 | Пономарева Любовь | слайды |
| 16 | Современные методы оптимизации второго порядка | Введение в методы Гаусса-Ньютона, натуральные градиенты, метод K-FAC для нейросетей, его результаты | Руднев Виктор | слайды |
| 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 | Захаренко Вадим |
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
