# Порядок сдачи лабораторных
----------------------------

Для выполнения лабораторных работ требуется сначала установить на свой компьютер Python 3.10. Скачать можно [здесь](https://www.python.org/downloads/).
Убедитесь что при установке поставили галочку рядом с пунктом add python 3.10.x to PATH

Далее требуется установить Jupyter Notebook, гайд [здесь](https://jupyter.org/install).

Для windows:
- Нажать win+R
- Напечатать во всплывшем окне cmd
- В появившейся консоли ввести pip install jupyterlab или pip install notebook
- Для того чтобы открыть jupyter в консоли вводим jupyter-lab или jupyter-notebook в зависимости от предыдущего шага

Так же можно это сделать через PowerShell:
- открыть его через поиск по программам или нажав в проводнике (любая папка) на пустое место с зажатой клавишей Shift, найти строчку "открыть окно PowerShell здесь" и нажать
- Повторить последние два пункта из варианта выше


## Лабораторная №1
### Базовый Python
Будут рассмотрены типы данных, операторы, функции, классы и их применение в языке и примеры задач. Скачайте на свой компьютер, запустите в jupyter-lab/notebook, изучите и выполните задания после разделов. 

Ссылка на лабораторную работу: https://github.com/f-neumann77/DL_Course_SamU/blob/master/noncore/lab_1.ipynb

## Лабораторная №2
### Практические задачи Python
Будут представлены для самостоятельного решения задачи:
- Работа со строками
- Работа со списками
- Создание функций для решения задач

Ссылка на лабораторную работу: https://github.com/f-neumann77/DL_Course_SamU/blob/master/noncore/Lab_2.ipynb
## Лабораторная №3
### Введение в numpy, pyplot, pandas
Будут рассмотрены кейсы применения данных модулей. 
Pandas как альтернатива маленьким БД и работе в excel. 
Анализ данных.
Графическое представление данных.

Ссылка на лабораторную работу: https://github.com/f-neumann77/DL_Course_SamU/blob/master/noncore/lab_3.ipynb

## Лабораторная №4
### Введение и практические задачи в ML (sklearn)
Задачи регрессии и классификации.
Использование sklearn для решения задач.

Ссылка на лабораторную работу: https://github.com/f-neumann77/DL_Course_SamU/blob/master/noncore/lab_4_regression_and_classification.ipynb

## Лабораторная №5
### Введение в DL (pytorch)
Будет рассмотрена простая сверточная нейронная сеть для решения задачи классификации изображений.

Ссылка на лабораторную работу: https://colab.research.google.com/drive/1QdQekU1T6rqNN0bEtrdRZmJ4CjgN-qMV?usp=sharing