https://www.wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9D%D0%98%D0%A1_%22%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%22_24%2F25_%28%D0%9C%D0%9E%D0%92%D0%A123%29НИС "Современное машинное обучение" 24/25 (МОВС23) - История изменений2026-06-06T20:37:40ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://www.wikicshse.ru/index.php?title=%D0%9D%D0%98%D0%A1_%22%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%22_24/25_(%D0%9C%D0%9E%D0%92%D0%A123)&diff=1030&oldid=previmported>Murrcha: Migrated current public revision from wiki.cs.hse.ru2025-01-13T13:37:35Z<p>Migrated current public revision from wiki.cs.hse.ru</p>
<p><b>Новая страница</b></p><div>==О курсе==<br />
<br />
На НИСе основная цель - научиться читать и рассказывать научные статьи.<br />
В качестве активности '''можно рассказать диплом или ВКР (если есть что рассказывать) или же статью из списка ниже'''.<br />
<br />
<br />
Для подготовки не запрещено использовать презентации https://github.com/bayesgroup/HSE_ML_research_seminar_22_23/tree/main/3rd%20year/Sergey_group<br />
<br />
<br />
Список статей:<br />
<br />
* Трансформер и attention https://arxiv.org/abs/1706.03762 <br />
* NERF https://arxiv.org/abs/2003.08934<br />
* WaveNet https://arxiv.org/abs/1609.03499<br />
* GNN https://arxiv.org/pdf/1812.08434.pdf<br />
* The Lottery Ticket Hypothesis: https://arxiv.org/abs/1803.03635 <br />
* Double Descent: https://arxiv.org/abs/1912.02292 <br />
* Deep Ensembles: https://arxiv.org/abs/1612.01474<br />
* Grokking: https://arxiv.org/abs/2201.02177 <br />
* Wasserstein GAN: https://arxiv.org/abs/1701.07875<br />
* CLIP: https://arxiv.org/pdf/2103.00020.pdf<br />
* LORA: https://arxiv.org/abs/2106.09685<br />
* Neural Network Loss Landscape: https://arxiv.org/abs/1712.09913<br />
* ChatGPT: https://arxiv.org/abs/2302.13817 или другая статья на ваш выбор<br />
* Survey of Dropout Methods for Deep Neural Networks: https://arxiv.org/pdf/1904.13310.pdf<br />
* Факторизационные машины https://arxiv.org/pdf/2203.11026.pdf<br />
* Байесовские нейронные сети https://arxiv.org/pdf/2006.12024.pdf<br />
* Stable Diffusion https://arxiv.org/abs/2112.10752<br />
* Generative Adversarial Networks https://dl.acm.org/doi/abs/10.1145/3422622<br />
<br />
Можно предложить другую статью или рассказать свой диплом.<br />
<br />
<br />
Ссылка для выбора активности: https://docs.google.com/spreadsheets/d/1A_MiyBByqJFCRrkmLpTMTYcrVG4ntEQDhWb0-rOw5V8/edit?usp=sharing <br />
<br />
<br />
'''Как устроены занятия:'''<br />
На каждом занятии разбираем 2-3 статьи.<br />
<br />
* Один человек рассказывает (30 минут)<br />
* Второй - задает вопросы (4-5 содержательных вопросов или больше, по желанию. Лучше подготовить больше на случай, если кто-то из слушателей задаст часть Ваших вопросов) и дополняет, если есть что дополнить (второй же делает 3-4 вопроса для теста)<br />
* После нескольких занятий (примерно после каждого третьего занятия) студенты пишут тест на оценку<br />
<br />
<br />
'''Каждый студент должен:'''<br />
* либо выступить со статьей <br />
* либо изучить статью и подготовить по ней вопросы к докладчику на занятии + 3-4 тестовых вопроса для теста<br />
* либо записать видео на 15-20 минут с рассказом о статье на выбор / о своей дипломной работе. Затем видео отправляется двум случайным студентам - они оценивают его<br />
* ВСЕ студенты должны писать тесты<br />
<br />
<br />
'''Критерии оценки выступления:'''<br />
* Тема рассказана: 0 - непонятно, 1 - общая концепция ясна, но есть много непонятного, 2 - в целом понятно, но есть вопросы, 3 - все понятно<br />
* Тема рассказана: 0 - неинтересно, 1 - нормально, 2 - очень интересно<br />
* Презентация сделана: 0 - плохо, 1 - нормально, 2 - хорошо<br />
* Ответы на вопросы слушателей: 0 - ничего не отвечено, 1 - почти ничего не отвечено, 2 - отвечено частично, 3 - получены ответы на все вопросы (в случае записи разбора статьи на видео слушатели могут асинхронно задать вопросы студенту в чате в телеграме - дальше оценивают по тем же критериям)<br />
<br />
Оценка за выступление ставится, исходя из оценки слушателей + оценки преподавателя (с весами 0.5)<br />
<br />
<br />
'''Критерии оценки рассказа про ВКР:'''<br />
* Общее впечатление слушателей от рассказа: 0 - плохое, 1 - средне, 2 - хорошее<br />
* Есть постановка задачи (описание задачи, данных и выбор метрик, если применимо) и план работы над дипломом: 0 - нет ничего, 1 - есть частично, 2 - задача четко поставлена и есть план<br />
* Обзор литературы (что сделано по этому направлению): 0 - нет или рассказано мало, 1 - есть и четко рассказано<br />
* О продвижениях по задаче: 0 - есть только план (или его нет), 1 - сделаны первичные исследования и получены любые результаты, 2 - сделано много из запланированного и про это рассказано, 3 - сделаны основные исследования и проведены необходимые эксперименты (есть рассказ об алгоритмах, примененных подходах, архитектурах, сработавших и не сработавших идеях и так далее)<br />
* Ответы на вопросы слушателей: 0 - ничего не отвечено, 1 - отвечено частично, 2 - получены ответы на все вопросы (в случае записи разбора статьи на видео слушатели могут асинхронно задать вопросы студенту в чате в телеграме - дальше оценивают по тем же критериям)<br />
<br />
Оценка за выступление ставится, исходя из оценки слушателей + оценки преподавателя (с весами 0.5)<br />
<br />
<br />
'''Преподаватель:''' Елена Кантонистова<br />
<br />
==Материалы курса==<br />
<br />
Как делать научное исследование: [https://disk.yandex.ru/i/Ksrd_6o_7-UXyA презентация]<br />
<br />
==Формула оценивания==<br />
<br />
Формула оценки: '''O = 0.4 * тесты + 0.6 * (рассказ ИЛИ вопросы/тест ИЛИ запись видео). В диплом идет ЗАЧЕТ, если О >= 4, и НЕЗАЧЕТ иначе.'''</div>imported>Murrcha