О курсе

Курс является расширением курса ``Автоматизация научных исследований’’. Работа производится в командах — 2-3 человека. Курс предполагает еженедельные презентации работы команды за неделю: 5 минут презентация + 5 минут обсуждение с другими людьми.

Критерий к проекту:

1. Весь проект должен быть на GitHub под OpenSource лицензией (MIT)
2. Проект должен содержать код и инструкция по его запуску.
   1. Базовый код в jupyter notebook для демонстрации концепции работы и построения графиков из статьи — должен запускаться с colab.
   2. Исходный код вычислительного эксперимента должен запускаться на Unix системе выполнением двух команд (возможно в специльном docker образе):
      • python3 train.py — для обучения моделей.
      • python3 test.py — для тестирования, получения результатов эксперимента.
   3. Документация к коду — sphinx.
3. Проект должен содержать рукопись статьи используя стилевик от arXiv — для унификации.
4. Если проект подразумевает не синтетические данные, то должна быть инструкция для получения этих данных, а также скрипт для их получения. Если данные специфичные, то их требуется выложить на одном из файловых хранилищ.

Тематический план

1. Вводная лекция.
2. Обсуждения проектов.
3. Правильная структура проекта.
4. Первый чекпоинт репозиторием.
5. Структура статьи.
6. Как правильно построить jupyter notebook.
7. Второй чекпоинт репозиторием.
8. Правильный код - код не в jupyter notebook!
9. О хранении данных для эксперимента.
10. Третий чекпоинт репозиторием.
11. Документация кода при помощи sphinx.
12. Докеризация кода эксперимента.
13. Четвертый чекпоинт репозиторием.
14. Проверка проектов и зачет.

Самостоятельная работа

Написание статьи в рамках команды.

Grading

В курсе 4 чекпоинтов, за каждый дается 3 балла Исследование предметной области — анализ проблемы. Получение теоретических результатов. Подготовка вычислительного эксперимента. Проект на гитхабе.

Требуемые знания

Машинное обучение, глубокое обучение, программирование на питоне.