Update README.md

README.md

@@ -56,9 +56,10 @@ https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09
 Софтмакс и мультимодальная логистическая регрессия.  
 Оптимизация функции потерь.  
 Стохастический градиентный спуск (SGD).  
+Разбор задач к самостоятельной: фукции потерь для SVM и софтмакса.  
 
 [Видеозапись третьей лекции](https://youtu.be/9nUzJxCeKIc)  
-[Презентация к лекции](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3_SGD_22.pdf)  
+[Презентация к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3_SGD_22.pdf)  
 
 **Лекция 3. Нейронные сети и обратное распространение ошибки.**  
  
@@ -66,17 +67,22 @@ https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09
 Многослойный перцептрон.  
 Представление сети в виде вычислительного графа.
 Алгоритм обратного распространения ошибки на вычислительном графе.  
+Разбор задач к самостоятельной: прямое и обратное распротранение по вычислительному графу.  
 
 **Лекция 4. Сверточные сети (СНС).**  
 История.  
 Основные операции СНС.  
 Применение СНС вне задач машинного зрения.  
+Разбор задач к самостоятельной: расчет выхода сверточной сети.  
 
 **Лекция 5. Инструментарий глубокого обучения.**  
 CPU vs GPU vs TPU.  
 Пакеты глубокого обучения, Tensorflow, Keras и другие.  
 Вычислительные графы СНС.  
 
+**Самостоятельня работа.**  
+Три задачи.  
+
 **Лекция 6. Обучение СНС, часть 1.**  
 
 Активационные функции, обработка данных сетью.