id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
11,757 | 2026-02-24T10:35:07.970000Z | 2026-02-24T10:35:07.970000Z | Lec. | Harris, Digital Design and Computer Architecture RISC-V Edition | false | false | false | |
11,756 | 2026-02-24T10:35:06.312000Z | 2026-02-24T10:35:06.312000Z | Lec. | Harris and D | false | true | false | |
11,755 | 2026-02-24T10:35:04.523000Z | 2026-02-24T10:35:04.523000Z | Lec. | Использование более сложных архитектур: Увеличение размерности эмбеддингов может потребовать использования более сложных архитектур моделей машинного обучения, таких как глубокие нейронные сети или трансформеры, что может привести к созданию более мощных и эффективных моделей | false | true | false | |
11,754 | 2026-02-24T10:35:02.834000Z | 2026-02-24T10:35:02.834000Z | Lec. | Улучшение качества предсказания: Увеличение размерности эмбеддингов может увеличить их информативность, за счет чего модель сможет лучше улавливать сложные зависимости в данных и делать более точные предсказания | false | true | false | |
11,753 | 2026-02-24T10:35:01.058000Z | 2026-02-24T10:35:01.058000Z | Lec. | Вот несколько потенциальных практических применений и дальнейших направлений развития: | false | true | false | |
11,752 | 2026-02-24T10:34:59.499000Z | 2026-02-24T10:34:59.499000Z | Lec. | При наличии больших вычислительных мощностей и доступа к большому объему данных можно применить модели машинного обучения для обучения эмбеддингов большей размерности | false | true | false | |
11,751 | 2026-02-24T10:34:57.873000Z | 2026-02-24T10:34:57.873000Z | Lec. | Потенциал дальнейшей проработки | false | true | false | |
11,750 | 2026-02-24T10:34:55.912000Z | 2026-02-24T10:34:55.912000Z | Lec. | Рис.18 - Метрики ошибок для предсказания задержки | false | false | false | |
11,749 | 2026-02-24T10:34:54.215000Z | 2026-02-24T10:34:54.215000Z | Lec. | SelfAttentionNeuralNetwork. 1118.1313. 0.9197. 0.3550 | false | false | false | |
11,748 | 2026-02-24T10:34:52.466000Z | 2026-02-24T10:34:52.466000Z | Lec. | Рис.17 - Метрики ошибок для предсказания площади | false | false | false | |
11,747 | 2026-02-24T10:34:50.791000Z | 2026-02-24T10:34:50.791000Z | Lec. | SelfAttentionNeuralNetwork. 8249.7451. 0.7637. 0.2052 | false | false | false | |
11,746 | 2026-02-24T10:34:49.047000Z | 2026-02-24T10:34:49.047000Z | Lec. | Создано программное обеспечение, способное предсказывать параметры комбинационных схем | false | true | false | |
11,745 | 2026-02-24T10:34:47.315000Z | 2026-02-24T10:34:47.315000Z | Lec. | Перечень основных технических и научных результатов | false | true | false | |
11,744 | 2026-02-24T10:34:45.652000Z | 2026-02-24T10:34:45.652000Z | Lec. | Роль в проекте: Стажер Почта: amiastrebov@edu.hse.ru | true | true | false | |
11,743 | 2026-02-24T10:34:43.711000Z | 2026-02-24T10:34:43.711000Z | Lec. | Саункин Данил Николаевич БПМ232 Роль в проекте: Стажер Почта: | true | false | false | |
11,742 | 2026-02-24T10:34:42.069000Z | 2026-02-24T10:34:42.069000Z | Lec. | Зиазетдинов Артур Айратович МПЭФ242 Роль в проекте: Программист на языке высокого уровня Почта: aaziazetdinov@edu.hse.ru | true | false | false | |
11,741 | 2026-02-24T10:34:39.527000Z | 2026-02-24T10:34:39.527000Z | Lec. | Подгорный Леонид Евгеньевич БИВ214 Роль в проекте: Программист на языке высокого уровня Почта: lepodgornyy@edu.hse.ru | true | true | false | |
11,740 | 2026-02-24T10:34:37.418000Z | 2026-02-24T10:34:37.418000Z | Lec. | Бобриков Петр Алексеевич БМП222 Роль в проекте: Программист на языке высокого уровня Почта: pabobrikov@edu.hse.ru | true | false | false | |
11,739 | 2026-02-24T10:34:35.455000Z | 2026-02-24T10:34:35.455000Z | Lec. | Информация о составе проектной команды | false | true | false | |
11,738 | 2026-02-24T10:34:33.782000Z | 2026-02-24T10:34:33.782000Z | Lec. | Написание отчетной документации | false | true | false | |
11,737 | 2026-02-24T10:34:31.955000Z | 2026-02-24T10:34:31.955000Z | Lec. | Добавление parser для graphMl данных | false | true | false | |
11,736 | 2026-02-24T10:34:30.569000Z | 2026-02-24T10:34:30.569000Z | Lec. | Добавление архитектуры transformerConv; | false | true | false | |
11,735 | 2026-02-24T10:34:29.031000Z | 2026-02-24T10:34:29.031000Z | Lec. | Создание Docker образа; | false | true | false | |
11,734 | 2026-02-24T10:34:27.540000Z | 2026-02-24T10:34:27.540000Z | Lec. | А именно написание абстрактных модулей ПО; | false | true | false | |
11,733 | 2026-02-24T10:34:26.006000Z | 2026-02-24T10:34:26.006000Z | Lec. | Разработка общего pipeline для обучения нейронных сетей | false | true | false | |
11,732 | 2026-02-24T10:34:24.471000Z | 2026-02-24T10:34:24.471000Z | Lec. | Зиазетдинов Артур Айратович: | true | true | false | |
11,731 | 2026-02-24T10:34:18.995000Z | 2026-02-24T10:34:18.995000Z | Lec. | Ястребов Арсений Михайлович | true | false | false | |
11,730 | 2026-02-24T10:34:17.472000Z | 2026-02-24T10:34:17.472000Z | Lec. | Конспект статей | false | false | false | |
11,729 | 2026-02-24T10:34:15.797000Z | 2026-02-24T10:34:15.797000Z | Lec. | Добавление функционала для контролирования случайности предсказаний | false | true | false | |
11,728 | 2026-02-24T10:34:13.568000Z | 2026-02-24T10:34:13.568000Z | Lec. | Генерация схем | false | false | false | |
11,727 | 2026-02-24T10:34:12.090000Z | 2026-02-24T10:34:12.090000Z | Lec. | Саункин Данил Николаевич | true | true | false | |
11,726 | 2026-02-24T10:34:10.360000Z | 2026-02-24T10:34:10.360000Z | Lec. | Интеграция в pipeline | false | true | false | |
11,725 | 2026-02-24T10:34:08.884000Z | 2026-02-24T10:34:08.884000Z | Lec. | Создание моделей, в основе которых лежит предобученный GCN или GAT энкодер | false | true | false | |
11,724 | 2026-02-24T10:34:07.305000Z | 2026-02-24T10:34:07.305000Z | Lec. | Создание и обучение моделей энкодеров на основе GCN и GAT с контрастивной потерей | false | true | false | |
11,723 | 2026-02-24T10:34:05.559000Z | 2026-02-24T10:34:05.559000Z | Lec. | Изучение контрастивного обучения | false | true | false | |
11,722 | 2026-02-24T10:34:04.038000Z | 2026-02-24T10:34:04.038000Z | Lec. | Изучение GCN и GAT архитектур | false | true | false | |
11,721 | 2026-02-24T10:34:02.273000Z | 2026-02-24T10:34:02.273000Z | Lec. | Подгорный Леонид Евгеньевич | true | true | false | |
11,720 | 2026-02-24T10:34:00.687000Z | 2026-02-24T10:34:00.687000Z | Lec. | Создание отчетных материалов | false | true | false | |
11,719 | 2026-02-24T10:33:58.996000Z | 2026-02-24T10:33:58.996000Z | Lec. | Добавление parser для verilog, а также создание данных в определенном формате | true | true | false | |
11,718 | 2026-02-24T10:33:57.500000Z | 2026-02-24T10:33:57.500000Z | Lec. | Добавление архитектуры HOGA GNN | false | true | false | |
11,717 | 2026-02-24T10:33:55.828000Z | 2026-02-24T10:33:55.828000Z | Lec. | Изучение pipeline для обучения нейронных сетей | false | true | false | |
11,716 | 2026-02-24T10:33:54.100000Z | 2026-02-24T10:33:54.100000Z | Lec. | Создание специального энкодера и признакового пространства по характеристикам графа и последующее обучение моделей классического ML на них | true | true | false | |
11,715 | 2026-02-24T10:33:52.302000Z | 2026-02-24T10:33:52.302000Z | Lec. | Преобразование HOGA под задачу регрессии | false | true | false | |
11,714 | 2026-02-24T10:33:50.815000Z | 2026-02-24T10:33:50.816000Z | Lec. | Изучение статьи и архитектуры по HOGA GNN | false | true | false | |
11,713 | 2026-02-24T10:33:49.002000Z | 2026-02-24T10:33:49.002000Z | Lec. | Бобриков Петр Алексеевич | true | false | false | |
11,712 | 2026-02-24T10:33:47.460000Z | 2026-02-24T10:33:47.460000Z | Lec. | Сохранение: Лучшая модель сохраняется в models/another_model.pth | false | true | false | |
11,711 | 2026-02-24T10:33:45.734000Z | 2026-02-24T10:33:45.734000Z | Lec. | Воспроизводимость экспериментов: Фиксация случайных seed; | false | true | false | |
11,710 | 2026-02-24T10:33:43.996000Z | 2026-02-24T10:33:43.996000Z | Lec. | Параллельная загрузка данных; | false | true | false | |
11,709 | 2026-02-24T10:33:42.449000Z | 2026-02-24T10:33:42.449000Z | Lec. | Возможность использовать GPU; | false | true | false | |
11,708 | 2026-02-24T10:33:40.913000Z | 2026-02-24T10:33:40.913000Z | Lec. | Гибкость: Конфигурация через JSON позволяет менять архитектуру без изменения кода; | false | true | false | |
11,707 | 2026-02-24T10:33:39.379000Z | 2026-02-24T10:33:39.379000Z | Lec. | Масштабируемость: Поддержка новых моделей через добавление классов в Models.py; | false | true | false | |
11,706 | 2026-02-24T10:33:37.869000Z | 2026-02-24T10:33:37.869000Z | Lec. | Сохранение лучшей модели по метрике (MSE/MAE) | false | true | false | |
11,705 | 2026-02-24T10:33:36.388000Z | 2026-02-24T10:33:36.388000Z | Lec. | Логирование в TensorBoard; | false | true | false | |
11,704 | 2026-02-24T10:33:34.730000Z | 2026-02-24T10:33:34.730000Z | Lec. | Обратные вызовы (Trainer_callback.py) | false | true | false | |
11,703 | 2026-02-24T10:33:30.976000Z | 2026-02-24T10:33:30.976000Z | Lec. | Ранняя остановка при отсутствии улучшений | false | true | false | |
11,702 | 2026-02-24T10:33:29.401000Z | 2026-02-24T10:33:29.401000Z | Lec. | Расчет метрик: MAE, MAPE, R²; | false | true | false | |
11,701 | 2026-02-24T10:33:27.843000Z | 2026-02-24T10:33:27.843000Z | Lec. | Валидация на валидационной выборке; | false | true | false | |
11,700 | 2026-02-24T10:33:21.700000Z | 2026-02-24T10:33:21.700000Z | Lec. | Шаг обучения далее пример:. python. def train_step(self, data):. self.model.train(). data = data.to(self.device). self.optimizer.zero_grad(). out = self.model(data). loss = F.mse_loss(out, data.y.view(-1, 1)). loss.backward(). self.optimizer.step(). return loss.item() | false | false | false | |
11,699 | 2026-02-24T10:33:19.900000Z | 2026-02-24T10:33:19.900000Z | Lec. | Настройка TrainerCallback для логирования; | false | true | false | |
11,698 | 2026-02-24T10:33:18.372000Z | 2026-02-24T10:33:18.372000Z | Lec. | Создание модели и оптимизатора (Adam); | false | true | false | |
11,697 | 2026-02-24T10:33:16.865000Z | 2026-02-24T10:33:16.865000Z | Lec. | Инициализация; | true | true | false | |
11,696 | 2026-02-24T10:33:14.835000Z | 2026-02-24T10:33:14.835000Z | Lec. | Цикл обучения; | false | true | false | |
11,695 | 2026-02-24T10:33:13.135000Z | 2026-02-24T10:33:13.135000Z | Lec. | Процесс обучения (HOGA_Trainer.py, Model_trainer.py) | false | true | false | |
11,694 | 2026-02-24T10:33:10.846000Z | 2026-02-24T10:33:10.846000Z | Lec. | GCNModel: Классическая графовая сверточная сеть | false | true | false | |
11,693 | 2026-02-24T10:33:09.153000Z | 2026-02-24T10:33:09.153000Z | Lec. | TransformerGNN: Использует TransformerConv для анализа глобальных зависимостей | false | true | false | |
11,692 | 2026-02-24T10:33:07.170000Z | 2026-02-24T10:33:07.170000Z | Lec. | Комбинирует GCN и механизмы внимания.Поддерживает многослойные преобразования | false | true | false | |
11,691 | 2026-02-24T10:33:05.419000Z | 2026-02-24T10:33:05.419000Z | Lec. | HOGA (High-Order Graph Attention): | false | true | false | |
11,690 | 2026-02-24T10:33:03.524000Z | 2026-02-24T10:33:03.524000Z | Lec. | Модели (Models.py) | false | false | false | |
11,689 | 2026-02-24T10:33:01.911000Z | 2026-02-24T10:33:01.911000Z | Lec. | Фильтрация: Удаление выбросов и некорректных данных | false | true | false | |
11,688 | 2026-02-24T10:33:00.337000Z | 2026-02-24T10:33:00.337000Z | Lec. | Нормализация: MinMaxScaler для таргетов; | false | true | false | |
11,687 | 2026-02-24T10:32:58.792000Z | 2026-02-24T10:32:58.792000Z | Lec. | Кодирование: One-hot encoding для типов узлов; | false | true | false | |
11,686 | 2026-02-24T10:32:57.321000Z | 2026-02-24T10:32:57.321000Z | Lec. | Парсинг: Преобразование схем в графы; | false | true | false | |
11,685 | 2026-02-24T10:32:55.544000Z | 2026-02-24T10:32:55.544000Z | Lec. | VerilogDataLoader: Работает с Verilog-файлами | false | true | false | |
11,684 | 2026-02-24T10:32:54.014000Z | 2026-02-24T10:32:54.014000Z | Lec. | GraphMLDataLoader: Обрабатывает схемы в формате GraphML; | false | false | false | |
11,683 | 2026-02-24T10:32:52.212000Z | 2026-02-24T10:32:52.212000Z | Lec. | Загрузка данных | false | false | false | |
11,682 | 2026-02-24T10:32:49.300000Z | 2026-02-24T10:32:49.300000Z | Lec. | Гиперпараметры: learning_rate, hidden_channels, dropout, num_epochs | false | false | false | |
11,681 | 2026-02-24T10:32:47.772000Z | 2026-02-24T10:32:47.772000Z | Lec. | Параметры конфигурация:. random_seed: Фиксация случайности;. parser_class: Выбор парсера (GraphMLParser/VerilogParser);. data_loader_class: Настройки загрузки данных (batch_size, encoder и т.д.);. trainer_class: Выбор модели (HOGA_Trainer, TransformerTrainer); | false | false | false | |
11,680 | 2026-02-24T10:32:46.111000Z | 2026-02-24T10:32:46.112000Z | Lec. | Ключевые компоненты | false | true | false | |
11,679 | 2026-02-24T10:32:44.467000Z | 2026-02-24T10:32:44.467000Z | Lec. | Callbacks: Логирование, сохранение чекпоинтов и ранняя остановка | false | true | false | |
11,678 | 2026-02-24T10:32:42.976000Z | 2026-02-24T10:32:42.976000Z | Lec. | Тренеры: Управление процессом обучения и валидации; | false | true | false | |
11,677 | 2026-02-24T10:32:41.009000Z | 2026-02-24T10:32:41.009000Z | Lec. | Модели: HOGA, TransformerGNN, GCN, GCN / GAT энкодеры; | false | true | false | |
11,676 | 2026-02-24T10:32:39.462000Z | 2026-02-24T10:32:39.462000Z | Lec. | DataLoader: Загрузка и предобработка данных (GraphML/Verilog); | false | true | false | |
11,675 | 2026-02-24T10:32:37.562000Z | 2026-02-24T10:32:37.562000Z | Lec. | Конфигурацию JSON: Конфигурация определяет параметры данных, модели и обучения; | false | true | false | |
11,674 | 2026-02-24T10:32:36.026000Z | 2026-02-24T10:32:36.026000Z | Lec. | Обучение организовано через модульную систему, включающую: | false | true | false | |
11,673 | 2026-02-24T10:32:34.287000Z | 2026-02-24T10:32:34.287000Z | Lec. | Архитектура обучения | false | false | false | |
11,672 | 2026-02-24T10:32:32.645000Z | 2026-02-24T10:32:32.645000Z | Lec. | Обучение моделей | false | true | false | |
11,671 | 2026-02-24T10:32:31.156000Z | 2026-02-24T10:32:31.156000Z | Lec. | Краткое описание программы:. программа получает на вход путь к папке с Verilog файлами схем;. преобразует в эмбеддинг;. в итоге получится папка с txt файлами, в которых будут лежать схемы в виде набора эмбеддингов | false | true | false | |
11,670 | 2026-02-24T10:32:29.532000Z | 2026-02-24T10:32:29.532000Z | Lec. | После получения графа , файлы должны быть представлены в таком виде, чтобы работать с машинными методами, для этого была написана программа Node2Vec, которая выполняла данную задачу | false | true | false | |
11,669 | 2026-02-24T10:32:27.211000Z | 2026-02-24T10:32:27.211000Z | Lec. | Этот код объединяет Graphs_generation и getting_from_json_fin | false | true | false | |
11,668 | 2026-02-24T10:32:25.688000Z | 2026-02-24T10:32:25.688000Z | Lec. | Так как разработка идет поэтапно, то все подпрограммы разрабатывались поэтапно, по итогу создали full_coll_with_node_to_vec_fin | false | true | false | |
11,667 | 2026-02-24T10:32:23.939000Z | 2026-02-24T10:32:23.939000Z | Lec. | Ее устройство:. программа получает на вход путь к папке с Verilog файлами схем;. преобразовывает их в граф;. на выходе получаем папка с graphml файлами, в которых будут лежать схемы в виде графов. full_coll_with_node_to_vec_fin | false | false | false | |
11,666 | 2026-02-24T10:32:22.029000Z | 2026-02-24T10:32:22.029000Z | Lec. | Для графового представления была реализована программа | false | true | false | |
11,665 | 2026-02-24T10:32:19.973000Z | 2026-02-24T10:32:19.973000Z | Lec. | Так была разработана графовая нейронная сеть, которая обучалась на данных, виде графа | false | false | false | |
11,664 | 2026-02-24T10:32:17.939000Z | 2026-02-24T10:32:17.939000Z | Lec. | Цифровые схемы система, которую удобно представлять в виде графа | false | true | false | |
11,663 | 2026-02-24T10:32:16.325000Z | 2026-02-24T10:32:16.325000Z | Lec. | Graphs_generation | false | false | false | |
11,662 | 2026-02-24T10:32:14.622000Z | 2026-02-24T10:32:14.622000Z | Lec. | Выходные параметры:. output_path ("models/another_model.pth"): Путь для сохранения обученной модели. experiment_name: Название эксперимента с меткой времени и типом модели | false | true | false | |
11,661 | 2026-02-24T10:32:12.939000Z | 2026-02-24T10:32:12.939000Z | Lec. | Обучение модели:. trainer_class ("TransformerTrainer"): Архитектура на основе трансформера. learning_rate (0.001): Скорость обучения оптимизатора. device ("cuda"): Использование GPU для ускорения вычислений. criterion ("MAPE_loss"): Функция потерь — средняя абсолютная процентная ошибка. additional_params:. in_channels ... | false | false | false | |
11,660 | 2026-02-24T10:32:10.970000Z | 2026-02-24T10:32:10.970000Z | Lec. | Загрузка данных:. data_loader_class ("GraphMLDataLoader"): Класс для чтения данных из GraphML. data_path: Путь к датасету, включая схемы с ошибками. batch_size (2): Количество схем в одном батче. encoder ("One-hot-encoder"): Метод кодирования категориальных признаков. shuffle (true): Перемешивание данных перед обучение... | false | false | false | |
11,659 | 2026-02-24T10:32:08.513000Z | 2026-02-24T10:32:08.513000Z | Lec. | Парсинг данных:. parser_class ("GraphMLParser"): Используется для обработки файлов в формате GraphML. target ("delay"): Целевой параметр для предсказания (задержка схемы) | false | true | false | |
11,658 | 2026-02-24T10:32:06.801000Z | 2026-02-24T10:32:06.801000Z | Lec. | Общие настройки:. random_seed (21): Фиксирует случайные числа для воспроизводимости экспериментов. test_or_train ("Train"): Режим работы — обучение модели | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.