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

Для выполнения лабораторных работ требуется сначала установить на свой компьютер Python 3.10. Скачать можно [здесь](https://www.python.org/downloads/)

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/kvvik/DL_Course_SamU/blob/master/1147/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
- Создание классов

Ссылка на лабораторную работу:

## Лабораторная №3
### Введение в numpy, pyplot, pandas
Будут рассмотрены кейсы применения данных модулей. 
Pandas как альтернатива маленьким БД и работе в excel. 
Графическое представление данных.

Ссылка на лабораторную работу:

## Лабораторная №4
### Практические задачи numpy, pyplot, pandas
Будут представлены для самостоятельного решения задачи:
- Создание матриц заданной размерности и работа с ними
- Генерация псевдослучайных последовательностей
- Работа с данными в Pandas
- Графическое представление данных

Ссылка на лабораторную работу:

## Лабораторная №5
### Введение в ML (sklearn)
в разработке...

## Лабораторная №6
### Практические задачи ML (sklearn)
в разработке...


## Лабораторная №7
### Введение в DL (pytorch)
в разработке...


## Лабораторная №8
### Практические задачи DL (pytorch)
в разработке...