Изменил(а) на 'labworks/LW2/report.md'

labworks/LW2/report.md

@@ -213,15 +213,15 @@ lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
 
 Критерии качественного детектирования аномалий:
 
-1.Данные: двумерный формат входных данных
+1. Данные: двумерный формат входных данных
 
-2.Архитектура: наличие bottleneck-слоя уменьшенной размерности
+2. Архитектура: наличие bottleneck-слоя уменьшенной размерности
 
-3.Обучение: увеличение эпох при росте сложности сети
+3. Обучение: увеличение эпох при росте сложности сети
 
-4.Качество: MSE_stop ∈ [0,1] и минимальная ошибка реконструкции
+4. Качество: MSE_stop ∈ [0,1] и минимальная ошибка реконструкции
 
-5.Метрики: Excess=0, Deficit=0, Coating=1, Approx=1"
+5. Метрики: Excess=0, Deficit=0, Coating=1, Approx=1"
 # Задание 2.
 ## 1. Описание набора реальных данных
 * Исходный набор данных Letter Recognition Data Set из  репозитория  машинного обучения UCI представляет собой набор данных для многоклассовой классификации. Набор предназначен для распознавания черно-белых пиксельных прямоугольников как одну из 26 заглавных букв английского алфавита, где буквы алфавита представлены в 16 измерениях. Чтобы получить данные, подходящие для обнаружения аномалий, была произведена подвыборка данных из 3 букв, чтобы сформировать нормальный класс, и случайным образом их пары были объединены так, чтобы их размерность удваивалась. Чтобы  сформировать  класс аномалий,  случайным  образом были  выбраны несколько экземпляров  букв,  которые  не  входят нормальный  класс,  и они  были  объединены  с экземплярами  из нормального класса.  Процесс  объединения  выполняется  для  того, чтобы  сделать  обнаружение  более  сложным,  поскольку  каждый аномальный  пример также будет иметь некоторые нормальные значения признаков.
@@ -359,7 +359,7 @@ lib.ire_plot('test', ire3, IREth3, 'AE3')
 | Letter   | 9                        | 64 48 32 24 16 24 32 48 64                | 100000                    | 0.0864          | 3.1                      | 100.0 | 
 
 ## 9. Вывод о требованиях
-* Вывод: Для качественного обнаружения аномалий в случае высокой размерности пространства признаков необходимо следующее:
+Вывод: Для качественного обнаружения аномалий в случае высокой размерности пространства признаков необходимо следующее:
 - Данные для обучения должны быть без аномалий, чтобы автокодировщик мог рассчитать верное пороговое значение.
 
 - Архитектура автокодировщика должна постепенно сужаться к бутылочному горлышку, а затем постепенно возвращаться к исходным выходным размерам; количество скрытых слоев — 7-11.