https://www.wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BF%D1%80%D0%B5%D0%B4%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B1%D0%B5%D0%B7_%D1%83%D1%87%D0%B8%D1%82%D0%B5%D0%BB%D1%8F_22%2F23Методы предобучения без учителя 22/23 - История изменений2026-06-06T12:35:44ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://www.wikicshse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BF%D1%80%D0%B5%D0%B4%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B1%D0%B5%D0%B7_%D1%83%D1%87%D0%B8%D1%82%D0%B5%D0%BB%D1%8F_22/23&diff=1480&oldid=previmported>Amshabalin: Migrated current public revision from wiki.cs.hse.ru2023-05-24T09:32:46Z<p>Migrated current public revision from wiki.cs.hse.ru</p>
<p><b>Новая страница</b></p><div>== О курсе ==<br />
<br />
С развитием глубинного обучения стало появляться все больше новых задач и наборов данных, с помощью которых можно учить модели. Однако, в то время как собрать данные можно алгоритмически без особого труда, их разметка является очень трудоемкой и дорогостоящей задачей. В связи с этим появилась потребность обучать модели на данных без разметки. Именно так зародилась парадигма self-supervised learning, о которой и пойдет речь в данном курсе. Слушатели курса познакомятся как со старыми, так и с самыми современными подходами для предобучения на неразмеченных данных и поработают с различными доменами: от изображений и текстов до аудио и графов.<br />
<br />
== Расписание ==<br />
<br />
Занятия проводятся оффлайн по вторникам.<br />
<br />
Лекция: 11:10 - 12:30<br />
<br />
Семинары: 13:00 - 14:20<br />
<br />
== Полезные ссылки ==<br />
<br />
Чат курса в telegram: https://t.me/+D4_1rqQttEwwODhi<br />
<br />
Канал с объявлениями в telegram: https://t.me/+ADIqh4XT1qNkMDEy<br />
<br />
Плейлист с записями лекций: https://www.youtube.com/playlist?list=PLEwK9wdS5g0rg9Cf9Tsfeuesv5H6XDdeY.<br />
<br />
github курса: https://github.com/ashaba1in/hse-ssl<br />
<br />
Anytask: https://anytask.org/course/1001, инвайт: K3cHMRT<br />
<br />
== Преподаватели и ассистенты ==<br />
<br />
{| class="wikitable"<br />
|-<br />
! Преподаватели !! Ассистенты<br />
|-<br />
| [https://t.me/isadrtdinov Ильдус Садртдинов] || [https://t.me/Birshert Алексей Биршерт]<br />
|-<br />
| [https://t.me/amshabalin Александр Шабалин] ||<br />
|-<br />
|}<br />
<br />
== Домашние задания ==<br />
<br />
'''Домашнее задание №1:''' Задание посвящено реализации классических методов предобучения.<br />
<br />
Ссылка на [https://docs.google.com/document/d/1EbD5fTB3uMYdqxhRj-_CLYpMuEQSJmBcEhFhoRPB9cY/edit?usp=sharing условие], ссылка на [https://docs.google.com/document/d/1EbD5fTB3uMYdqxhRj-_CLYpMuEQSJmBcEhFhoRPB9cY/edit?usp=sharing соревнование] в kaggle.<br />
<br />
'''Домашнее задание №2:''' Задание посвящено контрастным методам для изображений.<br />
<br />
Ссылка на [https://github.com/ashaba1in/hse-ssl/blob/main/homeworks/homework2_contrastive.ipynb ноутбук] с заданием.<br />
<br />
'''Домашнее задание №3:''' Задание посвящено предобучению языковых моделей.<br />
<br />
Ссылка на [https://github.com/ashaba1in/hse-ssl/blob/main/homeworks/homework3_lms/homework3_lms.ipynb ноутбук] с заданием.<br />
<br />
== Формула оценок ==<br />
<br />
Определим накопленную оценку как ''Накоп'' = 1/4 * [ДЗ1 + ДЗ2 + ДЗ3 + (МДЗ1 + МДЗ2) / 2].<br />
<br />
''Итог'' = ''Округление''(0.7 * Накоп + 0.3 * Э). Округление арифметическое.<br />
<br />
* ДЗ — оценка за домашнее задание<br />
* МДЗ — оценка за мини домашнее задание<br />
* Э — оценка за экзамен<br />
<br />
Если ''Накоп'' >= 8, то студент может получить ''Округление''(''Накоп'') в качестве итоговой оценки, не приходя на экзамен.<br />
<br />
'''Формат экзамена''': устный.</div>imported>Amshabalin