lec08, lec09, lec10

README.md

@@ -12,6 +12,8 @@
 | 13.03.2023 | [Ансамблевые методы классификации](lections/OATD_lec_6.pdf) [pptx](lections/OATD_lec_6.pptx)   | 
 | 20.03.2023 | [Кластеризация данных](lections/OATD_lec_7.pdf) [pptx](lections/OATD_lec_7.pptx)   | 
 | 27.03.2023 | Кластеризация данных(продожение)   | 
+| 03.04.2023 | [Нейронные сети в задаче анализа данных](lections/OATD_lec_9.pptx)    | 
+| 10.04.2023 | [Сверточные нейронные сети](lections/OATD_lec_10.pptx) <br /> [Рекуррентные рейронные сети](lections/OATD_lec_11.pptx)  | 
 
 ## [Журнал группы](https://docs.google.com/spreadsheets/d/1Ylxaq-dMsEjq2ValfzxFbz9bQC7gCFsfHVfGE9VSx3Y/edit#gid=0) 
 

labs/OATD_LR4_metod.ipynb

@@ -870,7 +870,7 @@
     "Модель состоит из трех слоев\n",
     "\n",
     "* `tf.keras.layers.Embedding`: Входной слой. Кодирует каждый идентификатор символа в  вектор размерностью `embedding_dim`; \n",
-    "* `tf.keras.layers.GRU`: Рекуррентный слой на ячейках GRU в количестве `units=rnn_units` **(Здесь нужно указать тип ячеек в соответствии с вариантом)**\n",
+    "* `tf.keras.layers.GRU`: Рекуррентный слой на ячейках GRU. Выходной вектор размерностью `units=rnn_units` **(Здесь нужно указать тип ячеек в соответствии с вариантом)**\n",
     "* `tf.keras.layers.Dense`: Выходной полносвязный слой размерностью `vocab_size`, в который выводится вероятность каждого символа в словаре. \n"
    ]
   },
@@ -915,7 +915,7 @@
     "    x = inputs\n",
     "    x = self.embedding(x, training=training)\n",
     "    \n",
-    "    #if states is None:\n",
+    "    if states is None:\n",
     "        states = self.gru.get_initial_state(x)\n",
     "\n",
     "    x, states = self.gru(x, initial_state=states, training=training)\n",