id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
6,957 | 2026-02-24T08:11:56.361000Z | 2026-02-24T08:11:56.361000Z | Lec. | С точки зрения наложения эффектов на изображение выделяются направления:. изменение времени суток;. изменение сезона;. изменение погодных условий;. оптические искажения | false | true | false | |
6,956 | 2026-02-24T08:11:54.491000Z | 2026-02-24T08:11:54.491000Z | Lec. | Методы аугментации | false | false | false | |
6,955 | 2026-02-24T08:11:52.838000Z | 2026-02-24T08:11:52.838000Z | Lec. | Изображения TIFF и Google Maps имеют преимущества перед существующими наборами данных снимков с БПЛА (например, CVUSA, University-1652) – охватывают ограниченные территории, не обновляются своевременно | false | true | false | |
6,954 | 2026-02-24T08:11:51.266000Z | 2026-02-24T08:11:51.266000Z | Lec. | Карты TIFF – крупномасштабные ортофотоснимки области с высоким разрешением, сохраняющие пространственную точность и спектральную детализацию благодаря сжатию без потерь | false | true | false | |
6,953 | 2026-02-24T08:11:49.502000Z | 2026-02-24T08:11:49.502000Z | Lec. | Исходные данные были получены из двух основных источников: карты в формате TIFF высокого разрешения с географической привязкой и статического снимка экрана из Google Maps области, соответствующий карте | false | true | false | |
6,952 | 2026-02-24T08:11:47.721000Z | 2026-02-24T08:11:47.721000Z | Lec. | Источники данных | false | true | false | |
6,951 | 2026-02-24T08:11:45.728000Z | 2026-02-24T08:11:45.728000Z | Lec. | Решением такой проблемы является специализированный генератор полусинтетических данных, который расширяет существующие наборы снимков БПЛА за счет контролируемых искусственных преобразований | false | true | false | |
6,950 | 2026-02-24T08:11:44.087000Z | 2026-02-24T08:11:44.087000Z | Lec. | Но сбор реальных изображений со всеми возможными вариациями освещения, погодных явлений и оптических искажений представляет существенные практические трудности | false | true | false | |
6,949 | 2026-02-24T08:11:42.435000Z | 2026-02-24T08:11:42.435000Z | Lec. | Современные алгоритмы компьютерного зрения, особенно в области анализа аэрофотоснимков, требуют разнообразных наборов данных для обеспечения устойчивости работы в различных условиях | false | true | false | |
6,948 | 2026-02-24T08:11:40.632000Z | 2026-02-24T08:11:40.632000Z | Lec. | В результате практики и выполнения поставленных задач планировалось получение следующих результатов:. разработанная архитектура генератора полусинтетических данных»;. реализованный конвейер расширения данных;. разработанный полусинтетический набор данных | false | false | false | |
6,947 | 2026-02-24T08:11:38.629000Z | 2026-02-24T08:11:38.629000Z | Lec. | Задачами практики являются:. - источников данных и методов аугментации;. - выбор источников данных и методов аугментации;. - разработка архитектуры генератора данных;. - реализация эффектов оптических искажений на изображениях;. - имитация условий окружающей среды на изображениях;. - проверка правильности сгенерированн... | false | false | false | |
6,946 | 2026-02-24T08:11:36.620000Z | 2026-02-24T08:11:36.620000Z | Lec. | Просмотр сгенерированных данных 11. 2.7 | false | true | false | |
6,945 | 2026-02-24T08:11:34.530000Z | 2026-02-24T08:11:34.530000Z | Lec. | Имитация условий окружающей среды 9. 2.6 | false | true | false | |
6,944 | 2026-02-24T08:11:32.292000Z | 2026-02-24T08:11:32.292000Z | Lec. | Оптические искажения 6. 2.5 | false | false | false | |
6,943 | 2026-02-24T08:11:30.626000Z | 2026-02-24T08:11:30.626000Z | Lec. | Архитектура генератора полусинтетических наборов данных 5. 2.4 | false | false | false | |
6,942 | 2026-02-24T08:11:28.990000Z | 2026-02-24T08:11:28.990000Z | Lec. | Методы аугментации 4. 2.3 | false | false | false | |
6,941 | 2026-02-24T08:11:27.061000Z | 2026-02-24T08:11:27.061000Z | Lec. | Содержание. 1 | false | true | false | |
6,940 | 2026-02-24T08:11:25.257000Z | 2026-02-24T08:11:25.257000Z | Lec. | Евтушенко. (должность, ФИО руководителя от факультета). (оценка). (подпись). (дата) | true | false | false | |
6,939 | 2026-02-24T08:11:23.699000Z | 2026-02-24T08:11:23.699000Z | Lec. | Романов. (должность, ФИО руководителя ВКР). (оценка). (подпись). 21.04.2025 | false | false | false | |
6,938 | 2026-02-24T08:11:21.781000Z | 2026-02-24T08:11:21.781000Z | Lec. | График зависимости стоимости портфеля от времени, Обучение алгоритма DDPG на данных криптовалют. | false | false | false | |
6,937 | 2026-02-24T08:11:19.581000Z | 2026-02-24T08:11:19.581000Z | Lec. | Приложение 6 | false | true | false | |
6,936 | 2026-02-24T08:11:18.126000Z | 2026-02-24T08:11:18.126000Z | Lec. | График зависимости стоимости портфеля от времени, Обучение алгоритма DDPG на данных акций | false | true | false | |
6,935 | 2026-02-24T08:11:15.935000Z | 2026-02-24T08:11:15.935000Z | Lec. | Приложение 5 | false | true | false | |
6,934 | 2026-02-24T08:11:14.499000Z | 2026-02-24T08:11:14.499000Z | Lec. | График зависимости стоимости портфеля от времени, Обучение алгоритма A2C на данных криптовалют | false | true | false | |
6,933 | 2026-02-24T08:11:12.798000Z | 2026-02-24T08:11:12.798000Z | Lec. | Приложение 4 | false | true | false | |
6,932 | 2026-02-24T08:11:11.360000Z | 2026-02-24T08:11:11.360000Z | Lec. | График зависимости стоимости портфеля от времени, Обучение алгоритма A2C на данных акций | false | true | false | |
6,931 | 2026-02-24T08:11:09.603000Z | 2026-02-24T08:11:09.603000Z | Lec. | Приложение 3 | false | false | false | |
6,930 | 2026-02-24T08:11:08.010000Z | 2026-02-24T08:11:08.010000Z | Lec. | График кумулятивной доходности выбранного набора криптовалют: | false | true | false | |
6,929 | 2026-02-24T08:11:06.471000Z | 2026-02-24T08:11:06.471000Z | Lec. | Приложение 2 | false | true | false | |
6,928 | 2026-02-24T08:11:05.036000Z | 2026-02-24T08:11:05.036000Z | Lec. | График кумулятивной доходности выбранного набора акций: | false | true | false | |
6,927 | 2026-02-24T08:11:03.547000Z | 2026-02-24T08:11:03.547000Z | Lec. | Приложение 1 | false | true | false | |
6,926 | 2026-02-24T08:11:02.195000Z | 2026-02-24T08:11:02.195000Z | Lec. | URL: https://arxiv.org/abs/2112.06552 | false | false | false | |
6,925 | 2026-02-24T08:11:00.795000Z | 2026-02-24T08:11:00.795000Z | Lec. | Cryptocurrency Market Consolidation in 2020–2021. arXiv preprint arXiv:2112.06552, 2021 | false | false | false | |
6,924 | 2026-02-24T08:10:58.892000Z | 2026-02-24T08:10:58.892000Z | Lec. | Kwapień, J., Wątorek, M., & Drożdż, S | true | false | false | |
6,923 | 2026-02-24T08:10:57.390000Z | 2026-02-24T08:10:57.390000Z | Lec. | AEA Papers and Proceedings, 113, 76–80. https://doi.org/10.1257/pandp.20231028. 20 | false | true | false | |
6,922 | 2026-02-24T08:10:55.510000Z | 2026-02-24T08:10:55.510000Z | Lec. | Quantifying the Inflationary Impact of Fiscal Stimulus under Supply Constraints | false | false | false | |
6,921 | 2026-02-24T08:10:53.773000Z | 2026-02-24T08:10:53.773000Z | Lec. | Hidden-layer configurations in reinforcement learning models for stock portfolio optimization // Intelligent Systems with Applications. — 2025. — Vol. 25. — Article 200467. — DOI: 10.1016/j.iswa.2024.200467. 19. di Giovanni, J., Kalemli-Özcan, Ş., Silva, A., & Yıldırım, M | false | true | false | |
6,920 | 2026-02-24T08:10:51.748000Z | 2026-02-24T08:10:51.748000Z | Lec. | K., Faturohman T | true | false | false | |
6,919 | 2026-02-24T08:10:50.407000Z | 2026-02-24T08:10:50.407000Z | Lec. | K., Wiryono S | true | false | false | |
6,918 | 2026-02-24T08:10:49.065000Z | 2026-02-24T08:10:49.065000Z | Lec. | Aritonang P | true | false | false | |
6,917 | 2026-02-24T08:10:47.593000Z | 2026-02-24T08:10:47.593000Z | Lec. | Practical Deep Reinforcement Learning Approach for Stock Trading [Электронный ресурс] // arXiv preprint. — 2018. — arXiv:1811.07522. 18 | false | true | false | |
6,916 | 2026-02-24T08:10:45.513000Z | 2026-02-24T08:10:45.513000Z | Lec. | Liu X.-Y., Xiong Z., Zhong S., Yang H., Walid A | false | false | false | |
6,915 | 2026-02-24T08:10:43.773000Z | 2026-02-24T08:10:43.773000Z | Lec. | A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem [Электронный ресурс] // arXiv preprint. — 2017. — arXiv:1706.10059. 17 | false | true | false | |
6,914 | 2026-02-24T08:10:41.853000Z | 2026-02-24T08:10:41.853000Z | Lec. | Jiang Z., Xu D., Liang J | false | false | false | |
6,913 | 2026-02-24T08:10:40.217000Z | 2026-02-24T08:10:40.217000Z | Lec. | Continuous control with deep reinforcement learning [Электронный ресурс] // arXiv preprint. — 2015. — arXiv:1509.02971. — Режим доступа: https://arxiv.org/abs/1509.02971, свободный. — Загл. с экрана. 16 | false | true | false | |
6,912 | 2026-02-24T08:10:38.198000Z | 2026-02-24T08:10:38.198000Z | Lec. | J., Pritzel A., Heess N., Erez T., Tassa Y., Silver D., Wierstra D | false | false | false | |
6,911 | 2026-02-24T08:10:36.387000Z | 2026-02-24T08:10:36.387000Z | Lec. | Lillicrap T | true | false | false | |
6,910 | 2026-02-24T08:10:34.838000Z | 2026-02-24T08:10:34.838000Z | Lec. | Deep deterministic policy gradient algorithm: A systematic review // Heliyon. – 2024. – Т. 10, № 9. – С. e030697. 15 | false | false | false | |
6,909 | 2026-02-24T08:10:32.980000Z | 2026-02-24T08:10:32.980000Z | Lec. | M., Alqushaibi A., Ragab M | true | false | false | |
6,908 | 2026-02-24T08:10:31.398000Z | 2026-02-24T08:10:31.398000Z | Lec. | S., Al-Selwi S | true | true | false | |
6,907 | 2026-02-24T08:10:29.643000Z | 2026-02-24T08:10:29.643000Z | Lec. | J., Alhussian H | true | false | false | |
6,906 | 2026-02-24T08:10:27.803000Z | 2026-02-24T08:10:27.803000Z | Lec. | H., Abdulkadir S | true | false | false | |
6,905 | 2026-02-24T08:10:26.259000Z | 2026-02-24T08:10:26.259000Z | Lec. | Müller. — Cambridge, MA : MIT Press, 2000. — P. 1057–1063. 14 | false | false | false | |
6,904 | 2026-02-24T08:10:24.341000Z | 2026-02-24T08:10:24.341000Z | Lec. | Policy Gradient Methods for Reinforcement Learning with Function Approximation // Advances in Neural Information Processing Systems 12 (NIPS 1999) / ed. by S | false | false | false | |
6,903 | 2026-02-24T08:10:22.588000Z | 2026-02-24T08:10:22.588000Z | Lec. | S., McAllester D., Singh S., Mansour Y | false | false | false | |
6,902 | 2026-02-24T08:10:20.862000Z | 2026-02-24T08:10:20.862000Z | Lec. | A review of reinforcement learning in financial applications // [Электронный ресурс] / North Carolina State University, Amazon. — Raleigh, Seattle, 2023. — Режим доступа: https://arxiv.org/abs/2302.06622, свободный. 13 | false | true | false | |
6,901 | 2026-02-24T08:10:18.957000Z | 2026-02-24T08:10:18.957000Z | Lec. | Bai Y., Gao Y., Wan R., Zhang S., Song R | false | false | false | |
6,900 | 2026-02-24T08:10:17.182000Z | 2026-02-24T08:10:17.182000Z | Lec. | Mahadevan. — Boston : Kluwer Academic Publishers, 1993. — XII, 240 с. — ISBN 0-7923-9365-1. 12 | false | true | false | |
6,899 | 2026-02-24T08:10:15.365000Z | 2026-02-24T08:10:15.365000Z | Lec. | Robot learning / ed. by J | false | true | false | |
6,898 | 2026-02-24T08:10:13.426000Z | 2026-02-24T08:10:13.426000Z | Lec. | Reinforcement Learning: An Introduction. — 2nd ed. — Cambridge, MA: MIT Press, 2018. — 552 p. 11 | false | true | false | |
6,897 | 2026-02-24T08:10:11.695000Z | 2026-02-24T08:10:11.695000Z | Lec. | Sutton R.S., Barto A.G | false | false | false | |
6,896 | 2026-02-24T08:10:10.059000Z | 2026-02-24T08:10:10.059000Z | Lec. | Continuous Control with Deep Reinforcement Learning // Proceedings of the International Conference on Learning Representations (ICLR). — 2016. — URL: https://arxiv.org/abs/1509.02971 (дата обращения: 03.05.2025). 10 | false | true | false | |
6,895 | 2026-02-24T08:10:08.198000Z | 2026-02-24T08:10:08.198000Z | Lec. | Lillicrap T.P., Hunt J.J., Pritzel A., Heess N., Erez T., Tassa Y., Silver D., Wierstra D | false | false | false | |
6,894 | 2026-02-24T08:10:06.466000Z | 2026-02-24T08:10:06.466000Z | Lec. | Analysis of new approaches used in portfolio optimization: a systematic literature review // Production. — 2020. — Vol. 30. — Art. e20190144. — DOI: 10.1590/0103‑6513.20190144. 9 | false | true | false | |
6,893 | 2026-02-24T08:10:04.377000Z | 2026-02-24T08:10:04.378000Z | Lec. | Milhomem D.A., Dantas M.J.P | true | false | false | |
6,892 | 2026-02-24T08:10:02.919000Z | 2026-02-24T08:10:02.919000Z | Lec. | Optimization modeling of investment portfolios using the Mean‑VaR method with target return and ARIMA‑GARCH // CAUCHY: Jurnal Matematika Murni dan Aplikasi. — 2025. — Т. 10, № 1. — С. 147–165. — p‑ISSN 2086‑0382; e‑ISSN 2477‑3344. 8 | false | true | false | |
6,891 | 2026-02-24T08:10:00.772000Z | 2026-02-24T08:10:00.772000Z | Lec. | Yasmin A.A., Riaman, Sukono | true | false | false | |
6,890 | 2026-02-24T08:09:59.201000Z | 2026-02-24T08:09:59.201000Z | Lec. | Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints // arXiv preprint arXiv:2406.00610. – 2024. – 11 p. 7 | false | true | false | |
6,889 | 2026-02-24T08:09:57.074000Z | 2026-02-24T08:09:57.074000Z | Lec. | Sharpe, “The Sharpe ratio,” The Journal of Portfolio Management, vol. 21, no. 1, pp. 49–58, Oct. 1994. doi:10.3905/jpm.1994.409501. 6 | false | true | false | |
6,888 | 2026-02-24T08:09:54.649000Z | 2026-02-24T08:09:54.649000Z | Lec. | Optimization of Conditional Value-at-Risk // The Journal of Risk. — 2000. — Т. 2, № 3. — С. 21–41. 5 | false | true | false | |
6,887 | 2026-02-24T08:09:52.657000Z | 2026-02-24T08:09:52.657000Z | Lec. | Rockafellar R.T., Uryasev S | true | false | false | |
6,886 | 2026-02-24T08:09:51.032000Z | 2026-02-24T08:09:51.032000Z | Lec. | The Intuition Behind Black-Litterman Model Portfolios // SSRN Electronic Journal. — 2002. — 27 с. — DOI: 10.2139/ssrn.334304. 4 | false | true | false | |
6,885 | 2026-02-24T08:09:49.070000Z | 2026-02-24T08:09:49.070000Z | Lec. | He, G., Litterman, R | false | false | false | |
6,884 | 2026-02-24T08:09:47.386000Z | 2026-02-24T08:09:47.387000Z | Lec. | Fabozzi F.J., Kolm P.N., Pachamanova D.A., Focardi S.M. 60 Years of portfolio optimization: Practical challenges and current trends // European Journal of Operational Research. — 2014. — Т. 234, № 2. — С. 356–371. — DOI: 10.1016/j.ejor.2013.10.060. 3 | false | false | false | |
6,883 | 2026-02-24T08:09:45.417000Z | 2026-02-24T08:09:45.417000Z | Lec. | P. 77–91. 2 | false | false | false | |
6,882 | 2026-02-24T08:09:43.630000Z | 2026-02-24T08:09:43.630000Z | Lec. | Vol. 7, No 1 | false | false | false | |
6,881 | 2026-02-24T08:09:42.058000Z | 2026-02-24T08:09:42.058000Z | Lec. | Portfolio Selection // The Journal of Finance. 1952 | false | true | false | |
6,880 | 2026-02-24T08:09:40.218000Z | 2026-02-24T08:09:40.218000Z | Lec. | Markowitz H | false | false | false | |
6,879 | 2026-02-24T08:09:38.706000Z | 2026-02-24T08:09:38.706000Z | Lec. | Полученные в работе результаты могут быть использованы для построения адаптивных инвестиционных стратегий в практических финансовых приложениях. 1 | false | true | false | |
6,878 | 2026-02-24T08:09:36.972000Z | 2026-02-24T08:09:36.972000Z | Lec. | Таким образом, можно сделать вывод, что алгоритмы глубокого обучения с подкреплением, и, в частности A2C, являются перспективным инструментом в задачах управления капитала, особенно в условиях нестабильности и высокой динамичности рынка | false | true | false | |
6,877 | 2026-02-24T08:09:35.215000Z | 2026-02-24T08:09:35.215000Z | Lec. | Особенно выражено это преимущество оказалось на криптовалютном рынке, где показатель волатильности существенно выше в сравнении с рынком акций | false | true | false | |
6,876 | 2026-02-24T08:09:33.454000Z | 2026-02-24T08:09:33.454000Z | Lec. | Результаты расчетов показали, что агент, обученный на основе алгоритма A2C, продемонстрировал более высокие значения доходности и коэффициента Шарпа на обоих рынках по сравнению с DDPG | false | true | false | |
6,875 | 2026-02-24T08:09:31.682000Z | 2026-02-24T08:09:31.682000Z | Lec. | Исследование включало формализацию задачи управления портфелем как марковского процесса принятия решений, реализацию симуляционной среды, разработку программных средств для загрузки, предобработки и обогащения финансовых данных, а также обучение и тестирование двух алгоритмов — A2C и DDPG — на исторических данных рынко... | false | true | false | |
6,874 | 2026-02-24T08:09:29.876000Z | 2026-02-24T08:09:29.876000Z | Lec. | В дипломной работе была рассмотрена задача оптимизации инвестиционного портфеля с применением методов глубокого обучения с подкреплением | false | true | false | |
6,873 | 2026-02-24T08:09:28.139000Z | 2026-02-24T08:09:28.139000Z | Lec. | В рамках текущей работы агент, обученный с помощью A2C алгоритма, показал себя как более эффективный инструмент в разрезе выбранных метрик | false | true | false | |
6,872 | 2026-02-24T08:09:26.376000Z | 2026-02-24T08:09:26.376000Z | Lec. | Возможно, так же повышения качества предлагаемой стратегии можно будет достигнуть за счет усложнения архитектуры сети | false | true | false | |
6,871 | 2026-02-24T08:09:24.846000Z | 2026-02-24T08:09:24.846000Z | Lec. | Алгоритм DDPG, несмотря на теоретически потенциально высокую адаптивность, в данной реализации требует более детальной и тонкой настройки гиперпараметров | false | true | false | |
6,870 | 2026-02-24T08:09:23.079000Z | 2026-02-24T08:09:23.079000Z | Lec. | Стоит отметить преимущество этого агента именно в контексте высокой волатильности криптовалютного сегмента | false | true | false | |
6,869 | 2026-02-24T08:09:21.469000Z | 2026-02-24T08:09:21.469000Z | Lec. | Таким образом, агент использующий алгоритм A2C показывает более устойчивое поведение по всем метрикам на двух разных по структуре рынках | false | true | false | |
6,868 | 2026-02-24T08:09:19.708000Z | 2026-02-24T08:09:19.708000Z | Lec. | Таким образом, при условии схожей волатильности, стратегия алгоритма A2C обеспечивает более выгодное распределение риска, что делает стратегию более предпочтительной для инвесторов | false | true | false | |
6,867 | 2026-02-24T08:09:17.949000Z | 2026-02-24T08:09:17.949000Z | Lec. | A2C на обоих рынках показывает более высокие значения: 1.0841 в акциях и 1.4776 в криптовалютах против 0.7649 и 1.1799 у DDPG | false | true | false | |
6,866 | 2026-02-24T08:09:16.070000Z | 2026-02-24T08:09:16.070000Z | Lec. | Коэффициент Шарпа является ключевым индикатором эффективности модели, так как он учитывает соотношение доходности и риска | false | true | false | |
6,865 | 2026-02-24T08:09:14.320000Z | 2026-02-24T08:09:14.320000Z | Lec. | На обоих стратегиях волатильность у моделей примерно одинаковая: на рынке акций 13.81% (A2C) и 13.67% (DDPG), на рынке криптовалют 38.11% и 41.86% соответственно | false | true | false | |
6,864 | 2026-02-24T08:09:12.469000Z | 2026-02-24T08:09:12.469000Z | Lec. | Среднегодовое стандартное отклонение | false | true | false | |
6,863 | 2026-02-24T08:09:10.893000Z | 2026-02-24T08:09:10.893000Z | Lec. | Следовательно, в условиях повышенной волатильности криптовалютного рынка A2С склонен придерживаться более прибыльной стратегии | false | true | false | |
6,862 | 2026-02-24T08:09:09.331000Z | 2026-02-24T08:09:09.331000Z | Lec. | Различие по среднегодовой доходности в пользу алгоритма A2C сохраняется и на рынке криптовалют, 63.01% у A2C против 50% у DDPG | false | true | false | |
6,861 | 2026-02-24T08:09:07.561000Z | 2026-02-24T08:09:07.561000Z | Lec. | Можно сделать вывод, что у алгоритма A2C присутствуют более устойчивые способности к выявлению позитивных трендов и к адаптации к особенностям рынка | false | true | false | |
6,860 | 2026-02-24T08:09:06.003000Z | 2026-02-24T08:09:06.003000Z | Lec. | На рынке акций агент A2C продемонстрировал более высокую доходность – 14.98% в сравнении с 9.97% у DDPG | false | true | false | |
6,859 | 2026-02-24T08:09:04.245000Z | 2026-02-24T08:09:04.245000Z | Lec. | Средняя доходность за год | false | false | false | |
6,858 | 2026-02-24T08:09:02.763000Z | 2026-02-24T08:09:02.763000Z | Lec. | Каждая модель доказала свою работоспособность, однако результаты эффективности работы алгоритмов в разрезе ключевых метрик не идентичны, что позволяет провести их сравнительный анализ | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.