diff --git a/.DS_Store b/.DS_Store
index 2f3a111..187ac91 100644
Binary files a/.DS_Store and b/.DS_Store differ
diff --git a/labworks/.DS_Store b/labworks/.DS_Store
index 16fb87a..30a9126 100644
Binary files a/labworks/.DS_Store and b/labworks/.DS_Store differ
diff --git a/labworks/LW2/report_lr2_Troyanov_Chernov.md b/labworks/LW2/report_lr2_Troyanov_Chernov.md
index b17d460..58e2c6e 100644
--- a/labworks/LW2/report_lr2_Troyanov_Chernov.md
+++ b/labworks/LW2/report_lr2_Troyanov_Chernov.md
@@ -245,8 +245,8 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
**Требования к характеристикам качества обучения EDCA:**
- Значение Excess должно быть как можно ближе к 0. Для AE2 получено 0.4, что является приемлемым.
-- Значение Deficit должно быть как можно ближе к 0
-- Значение Coating должно быть как можно ближе к 1
+- Значение Deficit должно быть как можно ближе к 0.
+- Значение Coating должно быть как можно ближе к 1.
- Значение Approx должно быть как можно ближе к 1. Для AE2 получено 0.714, что соответствует требованиям.
---
@@ -315,9 +315,9 @@ with patch('builtins.input', side_effect=['1', '11', '48 36 24 16 8 4 8 16 24 36
)
```
-Архитектура: 32 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100 → 32
-Количество скрытых слоёв: 17
-Нейроны в скрытых слоях: 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100
+Архитектура: 32 → 100 → 68 → 48 → 32 → 24 → 16 → 8 → 16 → 24 → 32 → 48 → 64 → 100 → 32
+Количество скрытых слоёв: 11
+Нейроны в скрытых слоях: 100 → 68 → 48 → 32 → 24 → 16 → 8 → 16 → 24 → 32 → 48 → 64 → 100
### 6) Обучение автокодировщика на нормализованных данных
@@ -379,7 +379,7 @@ lib.ire_plot('test', ire_letter_test, IREth_letter, 'Letter_AE')
| Dataset | Количество
скрытых слоев | Количество
нейронов в скрытых слоях | Количество
эпох обучения | Ошибка
MSE_stop | Порог ошибки
реконструкции | % обнаруженных
аномалий |
|:--------|:----------------------------|:---------------------------------------|:----------------------------|:-------------------|:------------------------------|:---------------------------|
-| Letter | 11 | 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100 | 20000 | 0.026 | 1.62 | 100.0% |
+| Letter | 11 | 100 → 68 → 48 → 32 → 24 → 16 → 8 → 16 → 24 → 32 → 48 → 64 → 100 | 20000 | 0.026 | 1.62 | 100.0% |
*Примечание: Результаты получены для модели, обученной на нормализованных данных.*
@@ -394,14 +394,14 @@ lib.ire_plot('test', ire_letter_test, IREth_letter, 'Letter_AE')
**Требования к архитектуре автокодировщика:**
- Для многомерных данных требуется более сложная архитектура с большим количеством скрытых слоёв.
- Архитектура должна постепенно сужаться к бутылочному горлышку (bottleneck), а затем постепенно возвращаться к исходным выходным размерам.
-- Широкая архитектура с большим количеством нейронов в начальных слоях (например, 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100) позволяет лучше аппроксимировать сложные зависимости в многомерных данных.
+- Широкая архитектура с большим количеством нейронов в начальных слоях (например, 100 → 68 → 48 → 32 → 24 → 16 → 8 → 16 → 24 → 32 → 48 → 64 → 100) позволяет лучше аппроксимировать сложные зависимости в многомерных данных.
**Требования к количеству эпох обучения:**
-- Для многомерных данных требуется значительно большее количество эпох обучения (до 10000 эпох) по сравнению с двумерными данными (1000-3000 эпох).
+- Для многомерных данных требуется значительно большее количество эпох обучения по сравнению с двумерными данными (1000-3000 эпох).
- Использование ранней остановки (early stopping) позволяет автоматически завершить обучение при достижении оптимальных значений.
**Требования к ошибке MSE_stop:**
-- Для многомерных данных оптимальная ошибка MSE-stop в районе 0.1-0.01.
+- Для многомерных данных оптимальная ошибка MSE-stop в районе 0.01-0.01.
- Нормализация данных может значительно улучшить качество обучения (пример: MSE снизилась с 0.340 до 0.026 при нормализации).
**Требования к порогу обнаружения аномалий:**
@@ -409,10 +409,10 @@ lib.ire_plot('test', ire_letter_test, IREth_letter, 'Letter_AE')
- Нормализация данных позволяет получить более низкий и стабильный порог (пример: порог снизился с 11.1 до 1.62 при нормализации).
**Требования к характеристикам качества обучения EDCA:**
-- Значение Excess должно быть как можно ближе к 0
-- Значение Deficit должно быть как можно ближе к 0
-- Значение Coating должно быть как можно ближе к 1
-- Значение Approx должно быть как можно ближе к 1
+- Значение Excess должно быть как можно ближе к 0.
+- Значение Deficit должно быть как можно ближе к 0.
+- Значение Coating должно быть как можно ближе к 1.
+- Значение Approx должно быть как можно ближе к 1.
---
@@ -423,11 +423,11 @@ lib.ire_plot('test', ire_letter_test, IREth_letter, 'Letter_AE')
**Основные выводы:**
-1. **Влияние размерности данных**: Для многомерных данных требуется более сложная архитектура и большее количество эпох обучения по сравнению с двумерными данными.
+1. **Влияние размерности данных**: Для многомерных данных требуется более сложная архитектура и большее количество эпох обучения по сравнению с двумерными данными.
2. **Архитектура**: Архитектура должна постепенно сужаться к бутылочному горлышку и постепенно возвращаться к исходным размерам. Симметричная структура обеспечивает лучшее качество аппроксимации.
-3. **Параметры обучения**: Оптимальные значения MSE-stop и порога ошибки реконструкции различаются для данных разной размерности. Для двумерных данных MSE-stop ≈ 0.01, порог 0.4-2.5. Для многомерных данных MSE-stop ≈ 0.1-0.01, порог ≤ 1.6.
+3. **Параметры обучения**: Оптимальные значения MSE-stop и порога ошибки реконструкции различаются для данных разной размерности. Для двумерных данных MSE-stop ≈ 0.01, порог 0.4-2.5. Для многомерных данных MSE-stop ≈ 0.01-0.1, порог ≤ 1.6.
4. **Метрики качества**: Характеристики EDCA (Excess, Deficit, Coating, Approx) позволяют оценить качество аппроксимации области нормальных данных и пригодность автокодировщика для обнаружения аномалий.