Практика для курса по нейронным сетям.
Адрес почты для вопросов по курсу ailabintsev@fa.ru
Слайды к лекциям можно найти здесь.
Рекомендованый учебник по гиту.
Нерекомендованный учебник по гиту.
Учебник по машинному обучению от ШАД раздел 5 и далее.
Ссылка на результаты промежуточной аттестации, все остальные файлы остались на своих местах.
Вопросы к экзамену: теория, практика.
В первую очередь необходимо завести на github собственный аккаунт и сделать себе форк репозитория.
Ссылку на свой репозиторий присылайте мне на почту, чтобы я мог оценить Вашу работу.
Затем клонируйте свой репозиторий на локальную машину.
git clone https://github.com/yourname/neuralnets.git
cd neuralnets
Далее нужно настроить виртуальное окружение, если Ваша IDE не сделает это автоматически.
Ubuntu, Mac:
python -m venv venv
source venv/bin/activate
Windows:
python -m venv venv
venv/Scripts/activate.bat
Установка зависимостей:
pip install -r requirements.txt
Решение задач заключается в реализации функций в файлах seminar*.py
В файлах test*.py
находятся тесты, редактировать эти файлы НЕЛЬЗЯ.
За каждый пройденный TestCase начисляется один балл. На каждую задачу приходится несколько тестов. Количество тестов больше, чем количество задач, поэтому будьте внимательны. Правильность решения проверяется тестированием unittest
python -m unittest discover -v -s src
Срок сдачи каждого задания - до начала следующего занятия.
На каждом следующем занятии будем разбирать решение предыдущего.
Для каждого файла seminar*.py
срок выполнения определяется по Вашему последнему коммиту в этот файл.
Если Вы модифицируете файл после разбора решения на следующем занятии, количество баллов делится на 2.
-
Статья на Хабре погружение в свёрточные нейронные сети.
-
Плейлист с разбором разных тем
- Настройка рабочего окружения, разминка с numpy
- Обучение Softmax классификатора
- Многослойный персептрон
- Продвинутые техники обучения нейросетей
- Сверточные сети
- Машинное зрение
- Рекуррентные сети
- Обработка текстов NLP
Для тех, у кого загрузка данных Cifar10 падает с ошибкой сертификата SSL:
- Скачать архив вручную toronto или y-cloud
- Положить в папку
data
в корне проекта. - Указать аргумент в методе
test_utils.get_preprocessed_data(local_data=True)
Для получения 5 баллов нужно реализовать обучение сети в файле seminar3.py
и формирование отчета в папке output/seminar3
.
За основу можно взять код из второго семинара.
Это задание не оценивается скриптом, только вручную, поэтому оценки будут доведены позже.
Как и в 3 семинаре, для получения 5 баллов нужно реализовать обучение сети в файле seminar4.py
и формирование отчета в папке output/seminar4
.
Это задание не оценивается скриптом, только вручную, поэтому оценки будут доведены позже.
Необходимо обучить модель бинарной классификации на датасете Cats and Dogs.
Точность модели должна быть выше 0.8 на закрытой тестовой выборке.
Размер модели не должен превышать 50 МБ.
Если Вы загрузите модель большего размера или меньшей точностью, то будет начислено 3 балла.
.env файл находится в папке гугл диска вместе с лекциями.