https://wikicshse.ru/index.php?action=history&feed=atom&title=%D0%AD%D1%84%D1%84%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B_%D0%B3%D0%BB%D1%83%D0%B1%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8FЭффективные системы глубинного обучения - История изменений2026-06-06T15:02:53ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://wikicshse.ru/index.php?title=%D0%AD%D1%84%D1%84%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B_%D0%B3%D0%BB%D1%83%D0%B1%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F&diff=2573&oldid=previmported>M.ryabinin: Migrated current public revision from wiki.cs.hse.ru2025-02-02T17:37:01Z<p>Migrated current public revision from wiki.cs.hse.ru</p>
<p><b>Новая страница</b></p><div>== О курсе ==<br />
<br />
Курс по выбору для студентов 4 курса, читается в 3 модуле.<br />
<br />
'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]<br />
<br />
'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Александр Маркович], Руслан Хайдуров, Антон Чигин<br />
<br />
'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/fdrose Максим Абрахам]<br />
<br />
Занятия проходят по средам в 18:00 – 21:00.<br />
<br />
=== Полезные ссылки ===<br />
[https://yandex.zoom.us/j/93800425321 Zoom]<br />
<br />
[https://anytask.org/course/1163 Anytask] для сдачи заданий.<br />
<br />
[https://t.me/efficientdl_25 Канал] в Telegram для объявлений.<br />
<br />
[https://t.me/+w1Iv-P1g_RphMTli Чат] в Telegram для обсуждения курса.<br />
<br />
[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса<br />
<br />
Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.<br />
<br />
[https://forms.gle/To2wnJCAFxvuobBc9 Форма] для анонимной обратной связи или вопросов по материалам занятий<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:<br />
<br />
1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)<br />
<br />
2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)<br />
<br />
3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)<br />
<br />
Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы. <br />
<br />
Итоговая оценка вычисляется по следующей формуле:<br />
<br />
O<sub>итог</sub> = 0.2*O<sub>ДЗ1</sub>+0.4*O<sub>ДЗ2</sub>+0.4*O<sub>ДЗ3</sub><br />
<br />
Округление оценки арифметическое.<br />
<br />
=== Правила сдачи заданий ===<br />
<br />
При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.<br />
<br />
Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются. <br />
<br />
'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/NL5uHBWkBRBmEuwQ6 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.<br />
<br />
При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в учебный офис. <br />
Следует помнить, что при повторном списывании студента могут отчислить.<br />
<br />
== Полезные материалы ==<br />
===Курсы===<br />
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/<br />
# Full Stack Deep Learning. https://fullstackdeeplearning.com/<br />
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops<br />
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/</div>imported>M.ryabinin