Задача 01A. Sequence classification. RNN

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу классификации текста с использованием моделей архитектуры RNN. Необходимо использовать raw подмножество датасета go_emotions

Требования к модели

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.


Задача 01B. Seq2Seq. RNN

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу перевода текста с использованием моделей архитектуры RNN. Необходимо использовать следующий датасет. Рекомендуется обучать перевод с русского языка на английский. Краткая информация о Seq2Seq может быть найдена здесь.

Требования к модели

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.


Задача 02A. Transfer learning. Text classification

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу классификации текста с использованием техники transfer learning. Студент сам выбирает модель и датасет.

Требования к датасету

Требования к модели

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.


Задача 02B. Transfer learning. Image classification

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу классификации изображений с использованием техники transfer learning. Студент сам выбирает модель и датасет.

Требования к датасету

Требования к модели

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.


Задача 03A. Image captioning

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу генерации заголовков для изображений.

Требования к датасету

Требования к моделям

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.


Задача 04A. Object detection. Fine tuning

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу детекции с использованием ultralytics YOLO CLI.

Требования к датасету

Требования к модели

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения требуется отправить ссылку на архив или репозиторий, содержащий информацию об использованном датасете, обученные веса и файл с исходным кодом на Python, демонстрирующий использование модели.


Задача 04B. Object detection

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется решить задачу детекции с использованием алгоритма YOLO.

Требования к датасету

Требования к модели

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.


Задача 05A. Stable diffusion. LoRA

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется выполнить дообучение модели stable diffusion с использованием метода LoRA.

Требования к датасету

Требования к модели

Требования к реализации

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения требуется отправить ссылку на файл (PDF, MS Word, plain text) или репозиторий, содержащий информацию об использованном датасете, trigger words, а также ссылку на обученные веса для использованием со stable-diffusion-webui.


Задача 05B. Stable diffusion. Textual Inversion

Максимальный балл:10   Ограничение времени:1 сек
  Ограничение памяти:512 Мб

Условие

Требуется выполнить дообучение модели stable diffusion с использованием метода Textual Inversion.

Требования к датасету

Требования к модели

Требования к реализации

Распределение баллов

Максимальное количество баллов за задачу — 10.

Отправка решения

В качестве решения требуется отправить ссылку на файл (PDF, MS Word, plain text) или репозиторий, содержащий информацию об использованном датасете, trigger words, а также ссылку на обученные веса для использованием со stable-diffusion-webui.


0.280s 0.009s 41