Просмотр кода страницы МОВС Дополнительные главы ML и DL (ММОВС23, 5 модуль)

==О курсе ==
Курс читается на первом модуле студентам магистерской образовательной программы [https://www.hse.ru/ma/mlds/ "Искусственный интеллект"].

Курс идет в смешанном формате: студенты проходят в свободном режиме [https://stepik.org/a/205676 курс на Stepik], а также посещают три дополнительных вебинара с преподавателем. 

Канал и чат курса в ТГ: [https://t.me/+FK_iWBR3GgY1ODE6 Чат]

Преподаватель: [https://www.hse.ru/org/persons/211268525/ Елена Кантонистова]

{| class="wikitable"
|-
! Ассистенты
|-
| [https://t.me/salamashenkovadasha @salamashenkovadasha] Дарья Саламашенкова
|-
| [https://t.me/growa @growa] Григорий Кузнецов
|-
| [https://t.me/LeonOpsDOSA @LeonOpsDOSA] Леонид Уваровский
|}

==Материалы курса ==
Ссылка на плейлист курса на VK: [VK-playlist]

Ссылка на stepik: [https://stepik.org/course/179805/promo#toc stepik]

{| class="wikitable"
|-
 ! N !! Тема !!  Дата !! Материалы
|-
| style="background:#eaecf0;" | '''1''' || О курсе. Введение в DL для звука. Задача ASR (вебинар) || 11 сентября || [https://colab.research.google.com/drive/1NZGeQ-Kt31n0srB3FlabHsNvU-lkjhIK?usp=sharing Ноутбук], [https://disk.yandex.ru/i/54fWIlTOJTSU6Q Презентация]
|-
| style="background:#eaecf0;" | '''2''' || Современные генеративные модели CV || - || Stepik 
|-
| style="background:#eaecf0;" | '''3''' || Сложные задачи CV || - || Stepik 
|-
| style="background:#eaecf0;" | '''4''' || Введение в 3D Computer Vision || - || Stepik 
|-
| style="background:#eaecf0;" | '''5''' || Рекомендательные системы: ML и DL подходы || - || Stepik 
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации ML-моделей (вебинар) || 28 сентября || [https://medium.com/@kemalpiro/xai-methods-integrated-gradients-6ee1fe4120d8 Презентация] [https://colab.research.google.com/drive/1hN--daA88cDG2Imo9DLBy4fN76N3Bbm7?usp=sharing Практика] [https://arxiv.org/pdf/1703.01365 Полезная статья]
|-
| style="background:#eaecf0;" | '''6''' || Методы интерпретации DL-моделей (вебинар) || 5 октября || [https://docs.google.com/presentation/d/1pQuUcL49l49VpdeyU-GLw4f9xX-7OWmCwltFAICvpnU/edit?usp=sharing Презентация] [https://colab.research.google.com/drive/1McReLif3LI6IZtaSbal9iagBWj8T_qmL?usp=sharing Практика] 
|-
| style="background:#eaecf0;" | '''7''' || Большие языковые модели (LLM). PEFT || - || Stepik 
|-
| style="background:#eaecf0;" | '''8''' || Введение в DL на графах || - || Stepik 
|-
| style="background:#eaecf0;" | '''9''' || Контрольная работа || На последней неделе октября || -
|}

==Формула оценивания ==
Общая оценка:  0.45*Stepik + 0.4*Домашки + 0.15*КР

КР - письменная контрольная работа

== Домашние задания ==
Инвайт в Anytask: ''j6gWUCc''

===Задание 1. Рекомендательная система ===
Вам предстоит обучить рекомендательную систему, используя как ML, так и DL подходы.

'''Дедлайн (мягкий)''':  7 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/14mFxC7ARbOrSgJ90cv08FIMiF1jgVT2v?usp=sharing

===Задание 2. PEFT ===
Вам предстоит попрактиковаться в применении различных методов эффективного (до)обучения больших языковых моделей.

'''Дедлайн (мягкий)''':  14 октября 2024 года 23:59

'''Ссылка''': https://colab.research.google.com/drive/1keDy1GxR8PsmHQzG7vr6RHWQA_K_v8mF?usp=sharing

Разбалловка следующая: 
* Максимум за домашнее задание 10 баллов
* Если в каком-то задании (для какой-то модели) ваш код отрабатывает некорректно или приводит к неверным результатам - минус 2 балла от максимума. За выполнение всех заданий, кроме задания-эксперимента, ставится 8 баллов
* в задании-эксперименте, если удается подобрать prompt, повышающий качество модели по accuracy по сравнению с accuracy с заданным в ноутбуке промптом -> +1 балл. Если с помощью prompt-tuning удастся превзойти какой-либо из других методов в этом ноутбуке по accuracy -> +2 балла.

==Правила по дедлайнам==

* За каждую неделю просрочки - минус 1 балл

* Жесткий дедлайн по обоим домашним заданиям: 23 октября 23:59.

== Контрольная работа ==

На сессионной неделе (21-27 октября) пройдет письменная контрольная работа по основным темам курса.