Skip to content

FAQ.md

Latest commit

 

History

History
119 lines (70 loc) · 9.71 KB

FAQ.md

File metadata and controls

119 lines (70 loc) · 9.71 KB

FAQ - Frequently Asking Questions

В этом разделе собраны вопросы, которые не попали в материалы, но срочно требуют ответа!

Оглавление

Я загрузил выполненные ноутбуки вовремя, что делать?

Если ты загрузил выполненные ноутбуки в свой репозиторий сильно раньше дедлайна, то можно пингануть преподов в чате. По возможности, мы постараемся проверить их. И если будут какие-то проблемы, то у тебя будет возможность до официального дедлайна исправить ошибки и повысить баллы.

Если ты загрузил выполненные ноутбуки прямо перед дедлайном - никого пинговать не нужно. Они будут проверены общим скопом - зависит от загруженности преподавателей.

Я загрузил выполненные ноутбуки ПОСЛЕ дедлайна, что делать?

Обязательно пинганите преподавателей в чате, автоматически ноутбуки проверены НЕ БУДУТ.

Штраф будет рассчитываться исходя из даты загрузки в github.

Можно ли переписать контрольную работу?

Переписать контрольную работу можно в декабре - по договорённости.

Если ты уже писал данную контрольную работу, и это твоя 2/3/4 и т.д. попытка, то максимальный балл за контрольную снижается на 25%. Т.е. если для 1-й попытки max = 10 баллов, то на 2-й попытки максимум можно получить только 7.5 баллов.

Переписать или написать с нуля можно все контрольные работы. Даже в один день, если тебе хватит времени.

Что мне делать с ноутбуками?

Есть три варианта:

  • Вы можете открывать ноутбуки на платформе Google Colab и там их выполнять и сохранять у себя в репозитории. Для этого необходимо открыть блокнот, в качестве источника выбрать GitHub и ввести URL этой страницы: https://github.com/AleksDevEdu/ml_edu. В результате откроется список с ноутбуками, любой из которых можно открыть!

  • Или можете установить себе на компьютер среду Anaconda и после чего включить сервер Jupyter (или Jupyter-lab). После включения по локальному адресу http://localhost:8888 (или http://localhost:8889) будет доступна среда разработка Jupyter. Чтобы открыть ноутбуки курса вам нужно любым доступным способом скачать репозиторий (например с помощью GitHub Desktop) и далее открыть их через Jupyter.

  • Или можете установить VSCode, расширение Jupyter на него и также через GitHub Desktop склонировать репозиторий и работать у себя на компьютере. В этом случае еще понадобится свежий Python.

Оглавление

Не устанавливается matplotlib на Windows

Пакеты в Python в основном поставляются в виде собранных wheel файлов, которые содержат все необходимое, но иногда под конкретную комбинацию (Версия Python - OS - Архитектура) нет собранного wheel.

В таком случае для сборки локально используется компилятор, так вот если Вы раньше не ставили компилятор для Windows, то ошибка Вам подсказывает это сделать =)

То есть, ставите компилятор и проблема должна решиться!

Вот на всякий случай ссылка: https://visualstudio.microsoft.com/ru/visual-cpp-build-tools/

По этой ссылке полный набор build-tools, но можно попробовать поставить именно компилятор.

Оглавление

Не видит GPU (Pytorch), хотя она есть в компьютере

Нужно проверить следующие вещи:

  • Карточка от компании Nvidia, если нет, то, к сожалению, GPU ускорение недоступно
  • Установлена CUDA
  • Если установлена версия CUDA == 11.1, то нужно поставить torch командой pip3 install torch==1.9.1+cu111 torchvision==0.10.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

    Источник: оф.сайт

Оглавление

Не работают ссылки на данные

Если у вас не работает импорт файла наподобии df = pd.read_csv("https://raw.githubusercontent.com/AleksDevEdu/ml_edu/master/datasets/Cars93_miss.csv") - попробуйте самостоятельно прописать путь до папки datasets в репозитории и обратитесь с вопросм к преподавателю.

Оглавление

Для чего нужна фиксация генераторов случайных чисел?

Функции, которые создают массивы случайных чисел или обрабатывают случайные элементы в массиве, от запуска к запуску будут создавать разные результаты. Эксперименты на моделях и данных должны иметь свойство "повторяемости", что позволяет корректно сравнивать результаты работы методов и моделей при буквально одинаковых моделях.

При этом многие фреймворки имеют свою фиксацию случайных чисел:

  • python
import random
random.seed(RANDOM_STATE)
  • numpy
import numpy as np
np.random.seed(RANDOM_STATE)

  • sklearn, pandas: Библиотеки используют numpy, поэтому для них достаточно фиксации в нем.

  • torch

import torch
torch.manual_seed(RANDOM_STATE)

Оглавление

У меня в IDE не работают все ссылки из содержания =(

Ссылки были проверены на работоспособность в Jupyter, JupyterLab, Nbviewer. Если вы используете vscode, то рекомендуется использовать меню Outline. Для проверки работоспособности в других IDE обратитесь к разработчикам курса в issues.

Оглавление