исправление грамматики

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<br>скрытых слоев | Количество<br>нейронов в скрытых слоях | Количество<br>эпох обучения | Ошибка<br>MSE_stop | Порог ошибки<br>реконструкции | % обнаруженных<br>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.