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 |
|---|---|---|---|---|---|---|---|---|
6,657 | 2026-02-24T08:03:13.267000Z | 2026-02-24T08:03:13.267000Z | Lec. | Несмотря на указанные выше ограничения, подход MVO до сих пор является основой для большинства систем управления инвестициями | false | true | false | |
6,656 | 2026-02-24T08:03:11.702000Z | 2026-02-24T08:03:11.702000Z | Lec. | Во-вторых, в базовой постановке задачи Марковиц не учитывает многие прикладные аспекты, такие как транзакционные издержки, налоги, ограничение на состав портфеля и др | false | true | false | |
6,655 | 2026-02-24T08:03:10.109000Z | 2026-02-24T08:03:10.109000Z | Lec. | Во-первых, в классической модели Марковица предполагается, что доходности распределены по нормальному закону, а корреляция между активами постоянна во времени, что зачастую не выполняется на практике | false | true | false | |
6,654 | 2026-02-24T08:03:08.508000Z | 2026-02-24T08:03:08.508000Z | Lec. | На практике при использовании MVO могут возникнуть сложности | false | true | false | |
6,653 | 2026-02-24T08:03:06.963000Z | 2026-02-24T08:03:06.963000Z | Lec. | Эта модель стала основой для многих дальнейших исследований | false | true | false | |
6,652 | 2026-02-24T08:03:05.236000Z | 2026-02-24T08:03:05.236000Z | Lec. | В модели MVO подразумевается, что инвестор рационален и старается получить максимальную ожидаемую доходность при фиксированном, заданном уровне риска посредством перераспределения долей капитала между активами | false | true | false | |
6,651 | 2026-02-24T08:03:03.578000Z | 2026-02-24T08:03:03.578000Z | Lec. | Марковиц заложил основы современной портфельной теории, представив модель оптимизации среднего отклонения (Mean Variance Optimization, MVO), в которой реализуется оптимизация соотношения доходности и риска при помощи задания оптимальных весов активов [1] | false | true | false | |
6,650 | 2026-02-24T08:03:01.824000Z | 2026-02-24T08:03:01.824000Z | Lec. | Еще в середине двадцатого века, в 1952 году Г | true | true | false | |
6,649 | 2026-02-24T08:03:00.337000Z | 2026-02-24T08:03:00.337000Z | Lec. | Одной из основных задач финансового управления всегда считалась задача оптимизации инвестиционного портфеля | false | true | false | |
6,648 | 2026-02-24T08:02:58.604000Z | 2026-02-24T08:02:58.604000Z | Lec. | В работе содержится п страниц, 7 рисунков, 6 таблиц и 6 приложений | false | true | false | |
6,647 | 2026-02-24T08:02:56.995000Z | 2026-02-24T08:02:56.995000Z | Lec. | Произведен анализ ключевых метрик | false | true | false | |
6,646 | 2026-02-24T08:02:55.150000Z | 2026-02-24T08:02:55.150000Z | Lec. | В заключительной главе представлены результаты обучения и бэкстестинга моделей A2C и DDPG | false | true | false | |
6,645 | 2026-02-24T08:02:53.441000Z | 2026-02-24T08:02:53.441000Z | Lec. | Указаны особенности сбора и обработки данных, методы извлечения признаков | false | true | false | |
6,644 | 2026-02-24T08:02:51.508000Z | 2026-02-24T08:02:51.508000Z | Lec. | Описана техническая реализация симулятора среды разработанного класса | false | true | false | |
6,643 | 2026-02-24T08:02:49.694000Z | 2026-02-24T08:02:49.694000Z | Lec. | Во второй главе задача оптимизации инвестиционного портфеля формализуется как задача марковского процесса принятия решений | false | true | false | |
6,642 | 2026-02-24T08:02:47.935000Z | 2026-02-24T08:02:47.935000Z | Lec. | Отдельный раздел посвящен архитектуре алгоритмов A2C и DDPG | false | true | false | |
6,641 | 2026-02-24T08:02:46.340000Z | 2026-02-24T08:02:46.340000Z | Lec. | В перовой главе представлен обзор классических и современных подходов к задаче оптимизации портфеля, включая модель Марковица, критерии Var и CvaR, коэффициент Шарпа, а также методы глубокого обучения с подкреплением | false | true | false | |
6,640 | 2026-02-24T08:02:44.489000Z | 2026-02-24T08:02:44.489000Z | Lec. | Дипломная работа включает введение, три главы, заключение список литературы и приложения | false | true | false | |
6,639 | 2026-02-24T08:02:42.502000Z | 2026-02-24T08:02:42.502000Z | Lec. | Основные задачи дипломной работы: | false | true | false | |
6,638 | 2026-02-24T08:02:40.273000Z | 2026-02-24T08:02:40.273000Z | Lec. | Алгоритмы обучения с подкреплением способны быть адаптивными как на рынке акций, так и на криптовалютном рынке | false | true | false | |
6,637 | 2026-02-24T08:02:38.521000Z | 2026-02-24T08:02:38.521000Z | Lec. | Алгоритмы обучения с подкреплением способны формировать эффективные инвестиционные стратегии | false | true | false | |
6,636 | 2026-02-24T08:02:36.772000Z | 2026-02-24T08:02:36.772000Z | Lec. | Выдвигается несколько гипотез: | false | true | false | |
6,635 | 2026-02-24T08:02:34.809000Z | 2026-02-24T08:02:34.809000Z | Lec. | Цель работы – поиск и реализация оптимального алгоритма глубокого машинного обучения с подкреплением для задачи оптимизации инвестиционного портфеля, а также оценка эффективности разработанных стратегий на рынках акций и криптовалют | false | true | false | |
6,634 | 2026-02-24T08:02:33.035000Z | 2026-02-24T08:02:33.035000Z | Lec. | Предмет исследования – алгоритмы глубокого обучения с подкреплением, применяемые для формирования и оптимизации инвестиционного портфеля на основе рыночных данных | false | true | false | |
6,633 | 2026-02-24T08:02:31.272000Z | 2026-02-24T08:02:31.272000Z | Lec. | Объект исследования – процессы принятия решений по управлению инвестиционным портфелем в условиях нестабильной рыночной среды | false | true | false | |
6,632 | 2026-02-24T08:02:29.527000Z | 2026-02-24T08:02:29.527000Z | Lec. | В связи с этим особый интерес представляют методы глубокого обучения с подкреплением (Deep Reinforcement Learning), которые предоставляют возможность динамического управления портфелем с учетом сложных нелинейных зависимостей со способностью к обучению на основе взаимодействия со средой | false | true | false | |
6,631 | 2026-02-24T08:02:27.732000Z | 2026-02-24T08:02:27.732000Z | Lec. | Сложные макроэкономические события последних лет – пандемия COVID-19, периоды высокой инфляции и нестабильность криптовалютного рынка требуют от инвестиционных стратегий адаптивности и способности быстро подстраиваться под изменения рыночных условий | false | true | false | |
6,630 | 2026-02-24T08:02:25.759000Z | 2026-02-24T08:02:25.759000Z | Lec. | Классические методы портфельной оптимизации, которые основываются на предположениях нормальности распределения доходностей или на стационарности процессов, зачастую оказываются недостаточно гибкими и не очень успешно справляются с моделированием нестабильной рыночной среды | false | true | false | |
6,629 | 2026-02-24T08:02:24.101000Z | 2026-02-24T08:02:24.101000Z | Lec. | В условиях стремительного развития цифровых активов и растущей популярности индивидуального инвестирования задача по формированию оптимального инвестиционного портфеля становится особенно актуальной | false | true | false | |
6,628 | 2026-02-24T08:02:22.339000Z | 2026-02-24T08:02:22.339000Z | Lec. | ПРИЛОЖЕНИЯ 43 | false | false | false | |
6,627 | 2026-02-24T08:02:20.837000Z | 2026-02-24T08:02:20.837000Z | Lec. | СПИСОК ЛИТЕРАТУРЫ 40 | false | false | false | |
6,626 | 2026-02-24T08:02:19.107000Z | 2026-02-24T08:02:19.107000Z | Lec. | Практическая реализация методов обучения агентов методами глубокого машинного обучения для формирования оптимального инвестиционного портфеля 31. 3.1 Выбор данных и описание задачи агента 31. 3.2 Метрики качества работы моделей 34. 3.3 Анализ эффективности выбранных методов глубокого машинного обучения в задаче оптимиз... | false | false | false | |
6,625 | 2026-02-24T08:02:17.177000Z | 2026-02-24T08:02:17.177000Z | Lec. | Функционал для первичной обработки данных и их последующего обогащения 27. 2.5.2 Среда для имитации условий рынка 29 | false | false | false | |
6,624 | 2026-02-24T08:02:15.143000Z | 2026-02-24T08:02:15.143000Z | Lec. | Методы 16. 2.1 Формализация задачи оптимизации инвестиционного портфеля как марковского процесса принятия решений в контексте применения алгоритмов глубокого машинного обучения с подкреплением 16. 2.2 Критерий оптимальности 18. 2.3 Алгоритм A2C 19. 2.4 Алгоритм DDPG 23. 2.5 Описание программных методов реализованных дл... | false | false | false | |
6,623 | 2026-02-24T08:02:13.188000Z | 2026-02-24T08:02:13.188000Z | Lec. | Литературный обзор 9. 1.1 Классические подходы оптимизации инвестиционного портфеля 9. 1.2 Эволюция методов портфельной оптимизации: от MVO к CVaR и машинному обучению 11. 1.3 Алгоритмы глубокого обучения с подкреплением для оптимизации инвестиционного портфеля 14. 1.3.1 Классификация алгоритмов глубокого обучения с по... | false | false | false | |
6,622 | 2026-02-24T08:02:11.082000Z | 2026-02-24T08:02:11.082000Z | Lec. | The findings show the potential of reinforcement learning as a helpful tool for portfolio management | false | true | false | |
6,621 | 2026-02-24T08:02:09.355000Z | 2026-02-24T08:02:09.355000Z | Lec. | The findings highlight key differences in performance of selected models considering different market conditions: stocks and cryptocurrency | false | true | false | |
6,620 | 2026-02-24T08:02:07.504000Z | 2026-02-24T08:02:07.504000Z | Lec. | Two reinforcement learning algorithms-A2C and DDPG- were selected for a comparison as these algorithms reflect different approaches to learning strategies | false | true | false | |
6,619 | 2026-02-24T08:02:05.732000Z | 2026-02-24T08:02:05.732000Z | Lec. | The study includes a review of traditional and modern portfolio methods | false | true | false | |
6,618 | 2026-02-24T08:02:04.014000Z | 2026-02-24T08:02:04.014000Z | Lec. | This research paper explores the application of deep reinforcement learning algorithms for investment portfolio optimization in a high volatile market | false | true | false | |
6,617 | 2026-02-24T08:02:02.269000Z | 2026-02-24T08:02:02.269000Z | Lec. | Результаты исследования дают позитивную оценку для использования методов машинного обучения с подкреплением в задачах построения инвестиционных стратегий | false | true | false | |
6,616 | 2026-02-24T08:02:00.503000Z | 2026-02-24T08:02:00.503000Z | Lec. | Сравнительный анализ моделей показал различия в качестве принимаемых алгоритмом решений | false | true | false | |
6,615 | 2026-02-24T08:01:58.763000Z | 2026-02-24T08:01:58.763000Z | Lec. | В качестве основных алгоритмов были выбраны алгоритмы A2C и DDPG, отражающие два разных подхода к обучению с подкреплением | false | true | false | |
6,614 | 2026-02-24T08:01:56.988000Z | 2026-02-24T08:01:56.988000Z | Lec. | В рамках исследования проведен обзор существующих подходов к управлению капиталом, разработана программная среда для обучения агентов на основе двух типов рыночных данных: ценные бумаги и криптовалюта | false | true | false | |
6,613 | 2026-02-24T08:01:55.213000Z | 2026-02-24T08:01:55.213000Z | Lec. | Дипломная работа посвящена исследованию возможности применения алгоритмов глубокого машинного обучения с подкреплением для задачи оптимизации инвестиционного портфеля в условиях нестабильной рыночной среды | false | true | false | |
6,612 | 2026-02-24T08:01:53.444000Z | 2026-02-24T08:01:53.444000Z | Lec. | Задание принято к исполнению студентом. «11» ноября 2024 г. ______________ Н.В.Сизых | true | true | false | |
6,611 | 2026-02-24T08:01:51.783000Z | 2026-02-24T08:01:51.783000Z | Lec. | Задание выдано студенту. «11» ноября 2024 г. ______________ Н.В.Сизых | true | true | false | |
6,610 | 2026-02-24T08:01:50.066000Z | 2026-02-24T08:01:50.066000Z | Lec. | Научный руководитель ВКР. «29» апреля 2025г. ______________ Н.В.Сизых | true | true | false | |
6,609 | 2026-02-24T08:01:48.446000Z | 2026-02-24T08:01:48.446000Z | Lec. | Итоговый вариант ВКР предоставлен студентом в срок до «30» апреля 2025г | false | true | false | |
6,608 | 2026-02-24T08:01:46.615000Z | 2026-02-24T08:01:46.615000Z | Lec. | Научный руководитель ВКР. «22» апреля 2025г. ______________ Н.В.Сизых | true | true | false | |
6,607 | 2026-02-24T08:01:45.097000Z | 2026-02-24T08:01:45.097000Z | Lec. | Первый вариант ВКР предоставлен студентом в срок до «22» апреля 2025г | false | true | false | |
6,606 | 2026-02-24T08:01:43.233000Z | 2026-02-24T08:01:43.233000Z | Lec. | Научный руководитель ВКР. «21» февраля 2025г. ______________ Н.В.Сизых | true | true | false | |
6,605 | 2026-02-24T08:01:41.640000Z | 2026-02-24T08:01:41.640000Z | Lec. | Проект ВКР должен быть предоставлен студентом в срок до «21» февраля 2025г | false | true | false | |
6,604 | 2026-02-24T08:01:39.935000Z | 2026-02-24T08:01:39.935000Z | Lec. | Провести сравнительный анализ эффективности моделей на основе метрик | false | true | false | |
6,603 | 2026-02-24T08:01:38.073000Z | 2026-02-24T08:01:38.073000Z | Lec. | Обучить агентов на основе перспективных алгоритмов глубокого обучения и провести их бэктестинг | false | true | false | |
6,602 | 2026-02-24T08:01:36.375000Z | 2026-02-24T08:01:36.375000Z | Lec. | Реализовать среду симуляции рынка и собрать качественные исторические данные по рынкам акций и криптовалют | false | true | false | |
6,601 | 2026-02-24T08:01:34.764000Z | 2026-02-24T08:01:34.764000Z | Lec. | Обозначить задачу управления портфелем как марковский процесс принятия решений | false | true | false | |
6,600 | 2026-02-24T08:01:33.025000Z | 2026-02-24T08:01:33.025000Z | Lec. | Провести обзор современных подходов в задаче оптимизации инвестиционного портфеля, включая классические методы и современные алгоритмы обучения с подкреплением | false | true | false | |
6,599 | 2026-02-24T08:01:31.125000Z | 2026-02-24T08:01:31.125000Z | Lec. | Формулировка задания | false | true | false | |
6,598 | 2026-02-24T08:01:29.586000Z | 2026-02-24T08:01:29.586000Z | Lec. | Цель работы. поиск и реализация оптимального алгоритма глубокого машинного обучения с. подкреплением для задачи оптимизации инвестиционного портфеля, а также. оценка эффективности разработанных стратегий на рынках акций и криптовалют | false | true | false | |
6,597 | 2026-02-24T08:01:27.812000Z | 2026-02-24T08:01:27.812000Z | Lec. | Оптимизация инвестиционных портфелей на основе методов глубокого машинного. обучения: предложения по усовершенствованию | false | true | false | |
6,596 | 2026-02-24T08:01:26.062000Z | 2026-02-24T08:01:26.062000Z | Lec. | Тема работы | false | true | false | |
6,595 | 2026-02-24T08:01:24.498000Z | 2026-02-24T08:01:24.498000Z | Lec. | ЗАДАНИЕ. на выполнение выпускной квалификационной работы. студенту группы БПМ 213 Гусеву Дмитрию Олеговичу | true | false | false | |
6,594 | 2026-02-24T08:01:22.511000Z | 2026-02-24T08:01:22.511000Z | Lec. | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ. «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ. «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ» | false | false | false | |
6,593 | 2026-02-24T08:01:20.604000Z | 2026-02-24T08:01:20.604000Z | Lec. | ПРАВИТЕЛЬСТВО РОССИЙСКОЙ ФЕДЕРАЦИИ | false | false | false | |
6,592 | 2026-02-24T08:01:18.850000Z | 2026-02-24T08:01:18.850000Z | Lec. | Руководитель ВКР. к.т.н., доцент | false | true | false | |
6,591 | 2026-02-24T08:01:17.125000Z | 2026-02-24T08:01:17.125000Z | Lec. | Гусев. подпись | false | false | false | |
6,590 | 2026-02-24T08:01:15.519000Z | 2026-02-24T08:01:15.519000Z | Lec. | Студент. ___________________ Д.О | true | true | false | |
6,589 | 2026-02-24T08:01:14.001000Z | 2026-02-24T08:01:14.001000Z | Lec. | Выпускная квалификационная работа. студента образовательной программы бакалавриата « Прикладная математика». наименование образовательной программы. по направлению 01.03.04 Прикладная математика. шифр наименование направления подготовки | false | true | false | |
6,588 | 2026-02-24T08:01:12.134000Z | 2026-02-24T08:01:12.134000Z | Lec. | Оптимизация инвестиционных портфелей на основе методов глубокого машинного обучения: предложения по усовершенствованию | false | true | false | |
6,587 | 2026-02-24T08:01:10.388000Z | 2026-02-24T08:01:10.388000Z | Lec. | Гусев Дмитрий Олегович | true | false | false | |
6,586 | 2026-02-24T08:01:08.773000Z | 2026-02-24T08:01:08.773000Z | Lec. | URL: https://zenodo.org/records/14608566 (дата обращения: 15.04.2025). . | false | true | false | |
6,585 | 2026-02-24T08:01:06.728000Z | 2026-02-24T08:01:06.728000Z | Lec. | High-resolution UAV Orthomosaic and DSM Dataset [Электронный ресурс]. 2022 | false | false | false | |
6,584 | 2026-02-24T08:01:04.888000Z | 2026-02-24T08:01:04.888000Z | Lec. | URL: https://map.openaerialmap.org (дата обращения: 10.04.2025). 2 | false | false | false | |
6,583 | 2026-02-24T08:01:03.260000Z | 2026-02-24T08:01:03.260000Z | Lec. | OpenAerialMap [Электронный ресурс] | false | false | false | |
6,582 | 2026-02-24T08:01:01.473000Z | 2026-02-24T08:01:01.473000Z | Lec. | Для улучшения качества данных планируется проведение сравнительного анализа изображений с разными коэффициентами для нахождения оптимального значения, которое бы минимизировало появление артефактов и одновременно создавало желаемый эффект. 1 | false | true | false | |
6,581 | 2026-02-24T08:00:59.686000Z | 2026-02-24T08:00:59.686000Z | Lec. | Появление и обусловлено неправильной оценки глубины | false | true | false | |
6,580 | 2026-02-24T08:00:58.164000Z | 2026-02-24T08:00:58.164000Z | Lec. | Например, при использовании разных уровней интенсивности тумана иногда возникали неестественные артефакты в виде резких границ между областями с туманом и без него | false | true | false | |
6,579 | 2026-02-24T08:00:56.593000Z | 2026-02-24T08:00:56.593000Z | Lec. | Для достижения наилучших результатов, необходимо рассмотреть несколько вариаций с различными коэффициентами созданных функций | false | true | false | |
6,578 | 2026-02-24T08:00:55.046000Z | 2026-02-24T08:00:55.046000Z | Lec. | Разработанный конвейер позволяет создавать реалистичные аугментированные изображения, которые используются для обучения и тестирования моделей компьютерного зрения, повышения устойчивости алгоритмов к изменяющимся условиям съемки | false | true | false | |
6,577 | 2026-02-24T08:00:53.154000Z | 2026-02-24T08:00:53.154000Z | Lec. | Практика подтвердила эффективность предложенного подхода к генерации полусинтетических данных | false | true | false | |
6,576 | 2026-02-24T08:00:51.523000Z | 2026-02-24T08:00:51.523000Z | Lec. | Проведена визуальная оценка аугментированных изображений | false | true | false | |
6,575 | 2026-02-24T08:00:49.610000Z | 2026-02-24T08:00:49.610000Z | Lec. | Для аугментации применены методы библиотек Augmentor, OpenCV, включая геометрические и оптические искажения, а также разработанный алгоритм синтеза тумана | false | true | false | |
6,574 | 2026-02-24T08:00:48.025000Z | 2026-02-24T08:00:48.025000Z | Lec. | Данное изменение не повлияло на функциональность разрабатываемого генератора данных по следующим причинам: формат и характеристики обрабатываемых файлов остались неизменными, алгоритмы аугментации работают с отдельными изображениями | false | true | false | |
6,573 | 2026-02-24T08:00:46.371000Z | 2026-02-24T08:00:46.371000Z | Lec. | Но они были заменены на реальные аэрофотоснимки | false | true | false | |
6,572 | 2026-02-24T08:00:44.644000Z | 2026-02-24T08:00:44.644000Z | Lec. | В качестве исходных данных предполагалось применение готовых публичных наборов данных, содержащих аэрофотоснимки с БПЛА | false | true | false | |
6,571 | 2026-02-24T08:00:42.796000Z | 2026-02-24T08:00:42.796000Z | Lec. | В ходе практики был разработан генератор полусинтетических данных для расширения коллекции изображений, полученных с БПЛА, с имитацией сложных условий окружающей среды | false | true | false | |
6,570 | 2026-02-24T08:00:41.039000Z | 2026-02-24T08:00:41.039000Z | Lec. | Планируется написание в электронную наукометрическую базу РИНЦ | false | true | false | |
6,569 | 2026-02-24T08:00:39.313000Z | 2026-02-24T08:00:39.313000Z | Lec. | Будет издан сборник тезисов конференции | false | true | false | |
6,568 | 2026-02-24T08:00:37.376000Z | 2026-02-24T08:00:37.376000Z | Lec. | Рисунок 16 – Результат конференции | false | true | false | |
6,567 | 2026-02-24T08:00:35.489000Z | 2026-02-24T08:00:35.489000Z | Lec. | В результате представления доклада присвоен статус призера 3 степени в конкурсе научных работ бакалавров (рисунок 16) | false | true | false | |
6,566 | 2026-02-24T08:00:33.621000Z | 2026-02-24T08:00:33.621000Z | Lec. | Данное мероприятие проходило 3-5 апреля 2025 года в НИЯУ МИФИ | false | false | false | |
6,565 | 2026-02-24T08:00:31.519000Z | 2026-02-24T08:00:31.519000Z | Lec. | Был написан тезис «Генератор полусинтетических данных для задач визуальной локализации БПЛА» для участия в конференции «XII Международная молодежная научная Школа-Конференция «Современные проблемы физики и технологий» | false | false | false | |
6,564 | 2026-02-24T08:00:29.213000Z | 2026-02-24T08:00:29.213000Z | Lec. | Рисунок 15 – Файл метаданных трансформированных изображений | false | true | false | |
6,563 | 2026-02-24T08:00:27.512000Z | 2026-02-24T08:00:27.512000Z | Lec. | Для полусинтетических изображений из папки uav_dataset_augmented часть метаданных (рисунок 15) | false | true | false | |
6,562 | 2026-02-24T08:00:25.750000Z | 2026-02-24T08:00:25.750000Z | Lec. | Рисунок 14 – Файл метаданных исходных изображений | false | true | false | |
6,561 | 2026-02-24T08:00:24.002000Z | 2026-02-24T08:00:24.002000Z | Lec. | Часть файла метаданных из папки uav_dataset (рисунок 14) | false | true | false | |
6,560 | 2026-02-24T08:00:21.820000Z | 2026-02-24T08:00:21.820000Z | Lec. | Рисунок 13 – Сохранение метаданных | false | true | false | |
6,559 | 2026-02-24T08:00:20.178000Z | 2026-02-24T08:00:20.178000Z | Lec. | Метаданные обновляются в соответствии с расширением набора данных и сохраняются в формате csv (рисунок 13) | false | true | false | |
6,558 | 2026-02-24T08:00:18.581000Z | 2026-02-24T08:00:18.581000Z | Lec. | Эффект тумана визуально виден, размытие неравномерно и сосредоточено внизу снимка | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.