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 |
|---|---|---|---|---|---|---|---|---|
1,557 | 2026-02-23T11:08:33.728000Z | 2026-02-23T11:08:33.728000Z | Lec. | Maier-HeiN: nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation. // arXiv preprint arXiv:1809.10486 - 2018. | false | false | false | |
1,556 | 2026-02-23T11:08:30.771000Z | 2026-02-23T11:08:30.771000Z | Lec. | Norajitra, S | true | false | false | |
1,555 | 2026-02-23T11:08:29.302000Z | 2026-02-23T11:08:29.302000Z | Lec. | Wasserthal, G | false | false | false | |
1,554 | 2026-02-23T11:08:27.764000Z | 2026-02-23T11:08:27.764000Z | Lec. | Zimmerer, P | false | false | false | |
1,553 | 2026-02-23T11:08:26.123000Z | 2026-02-23T11:08:26.123000Z | Lec. | Petersen, A | true | false | false | |
1,552 | 2026-02-23T11:08:24.514000Z | 2026-02-23T11:08:24.514000Z | Lec. | Glocker: Efficient Multi-Scale 3D CNN with Fully Connected CRF for Accurate Brain Lesion Segmentation. // arXiv preprint arXiv:1603.05959 - 2017 | false | false | false | |
1,551 | 2026-02-23T11:08:22.588000Z | 2026-02-23T11:08:22.588000Z | Lec. | Rueckert, B | false | false | false | |
1,550 | 2026-02-23T11:08:20.937000Z | 2026-02-23T13:26:37.535000Z | Lec. | Newcombe, J | Newcombe, J. | false | true | true |
1,549 | 2026-02-23T11:08:19.287000Z | 2026-02-23T11:08:19.287000Z | Lec. | Kamnitsas, C | false | false | false | |
1,548 | 2026-02-23T11:08:17.782000Z | 2026-02-23T11:08:17.782000Z | Lec. | Ahmadi: V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. // arXiv preprint arXiv:1606.04797 - 2016 | false | false | false | |
1,547 | 2026-02-23T11:08:15.860000Z | 2026-02-23T11:08:15.860000Z | Lec. | Brox.: U-Net: Convolutional Networks for Biomedical Image Segmentation. // arXiv preprint arXiv:1505.04597 - 2015 | false | false | false | |
1,546 | 2026-02-23T11:08:13.905000Z | 2026-02-23T11:08:13.905000Z | Lec. | URL: https://github.com/MIC-DKFZ/nnUNet (дата обращения 01.03.2025) | false | false | false | |
1,545 | 2026-02-23T11:08:12.001000Z | 2026-02-23T11:08:12.001000Z | Lec. | Long, J., Shelhamer, E., Darrell T.: Fully: Convolutional Networks for Semantic Segmentation. // arXiv preprint arXiv:1411.4038 - 2015. nnU-net [Электронный ресурс] | false | true | false | |
1,544 | 2026-02-23T11:08:09.947000Z | 2026-02-23T11:08:09.947000Z | Lec. | URL: https://habr.com/ru/companies/otus/articles/810207/ (дата обращения 01.03.2025) | false | false | false | |
1,543 | 2026-02-23T11:08:08.051000Z | 2026-02-23T16:32:25.270000Z | Lec. | Компьютерное зрение в 2024 году: Главные задачи и направления [Электронный ресурс] | Компьютерное зрение в 2024 году: Основные задачи и направления [Электронный ресурс] | false | true | true |
1,542 | 2026-02-23T11:08:06.263000Z | 2026-02-23T13:34:34.153000Z | Lec. | Таким образом, nnU-Net обладает высоким потенциалом для клинического применения, но ее использование должно быть строго контролируемым, выступая как вспомогательный инструмент для ускорения работы врачей, а не заменяя их экспертное мнение | Таким образом, nnU-net обладает высоким потенциалом для клинического применения, но ее использование должно быть строго контролируемым, выступая как вспомогательный инструмент для ускорения работы врачей, а не заменяя их экспертное мнение. | false | true | true |
1,541 | 2026-02-23T11:08:04.535000Z | 2026-02-23T11:08:04.535000Z | Lec. | Разработанная модель сегментации на основе nnU-Net продемонстрировала точность 93% при выделении аорты, сердца и легочной артерии на КТ-снимках | false | true | false | |
1,540 | 2026-02-23T11:08:02.727000Z | 2026-02-23T13:45:31.787000Z | Lec. | Кроме того, требуется разработка четкого протокола взаимодействия, определяющего использование модели врачами, включая определение случаев, в которых автоматическая разметка применяется без изменений, а также ситуаций, требующих ручной корректировки | Кроме того, требуется разработка четкого протокола взаимодействия, определяющего использование модели врачами, включая случаи применения модели без изменения, а также ситуации, требующие ручной корректировки. | false | true | true |
1,539 | 2026-02-23T11:08:00.977000Z | 2026-02-23T18:15:55.249000Z | Lec. | В первую очередь, важно протестировать модель на КТ-изображениях из различных медицинских учреждений, учитывая вариативность сканеров и протоколов съемки, чтобы убедиться в ее стабильности и универсальности | В первую очередь важно протестировать модель на КТ-изображениях из различных медицинских учреждений для проверки ее стабильности и универсальности, учитывая вариативность сканеров и протоколов съемки. | false | true | true |
1,538 | 2026-02-23T11:07:59.077000Z | 2026-02-23T11:07:59.077000Z | Lec. | Перед внедрением модели в клиническую практику необходимо провести дополнительные исследования для оценки ее надежности и адаптации к реальным условиям | false | true | false | |
1,537 | 2026-02-23T11:07:57.353000Z | 2026-02-23T11:07:57.353000Z | Lec. | Врач в таком случае выступает в роли финального эксперта, проверяющего и, при необходимости, корректирующего результаты сегментации | false | true | false | |
1,536 | 2026-02-23T11:07:55.496000Z | 2026-02-23T11:07:55.496000Z | Lec. | Разработанная модель сегментации на основе nnU-Net обладает высокой точностью, но в медицинской практике даже минимальные ошибки часто приводят к критическим последствиям, поэтому ее следует использовать под контролем специалистов | false | true | false | |
1,535 | 2026-02-23T11:07:53.705000Z | 2026-02-23T11:07:53.705000Z | Lec. | АНАЛИЗ ПРИМЕНИМОСТИ МОДЕЛИ В КЛИНИЧЕСКОЙ ПРАКТИКЕ | false | true | false | |
1,534 | 2026-02-23T11:07:51.974000Z | 2026-02-23T17:47:54.547000Z | Lec. | В случае медицинской сегментации важно, чтобы метрику было легко проинтерпретировать, поэтому в исследовании используется метрика Pseudo Dice:. | В случае медицинской сегментации важно, чтобы метрика была легко проинтерпретировать, поэтому в исследовании используется метрика Pseudo Dice. | false | true | true |
1,533 | 2026-02-23T11:07:50.300000Z | 2026-02-23T11:07:50.300000Z | Lec. | Выбор метрики качества также является значимой частью обучения, потому что она показывает, насколько точно модель решает, поставленную задачу | false | true | false | |
1,532 | 2026-02-23T11:07:48.527000Z | 2026-02-23T11:07:48.527000Z | Lec. | В качестве функции потерь в модели выбрана комбинация Dice и кросс-энтропии: | false | true | false | |
1,531 | 2026-02-23T11:07:47.003000Z | 2026-02-23T13:49:57.343000Z | Lec. | Важным аспектом при обучении модели является выбор функции потерь, поскольку от нее зависит, насколько качественно алгоритм настраивает веса | Важным аспектом при обучении модели является выбор функции потерь, поскольку от нее зависит, насколько качественно алгоритм оценивает свою ошибку и корректирует свои веса. | false | true | true |
1,530 | 2026-02-23T11:07:45.291000Z | 2026-02-23T13:44:24.295000Z | Lec. | Размеры вокселя или пикселя нередко различаются между разными томографами, поэтому изображения необходимо привести к единому разрешению | Размеры пикселя нередко различаются между разными томографами, поэтому изображения необходимо привести к единому разрешению. | false | true | true |
1,529 | 2026-02-23T11:07:43.527000Z | 2026-02-23T11:07:43.527000Z | Lec. | Затем проводится процедура ресемплинга | false | true | false | |
1,528 | 2026-02-23T11:07:42.020000Z | 2026-02-23T16:43:16.865000Z | Lec. | Такая операция позволяет снизить вычислительную нагрузку при обучении модели, а также сфокусироваться на информативной для сегментации части изображения | Такая операция позволяет снизить вычислительную нагрузку при обучении модели, а также сфокусироваться на информативной части изображения для сегментации | false | true | true |
1,527 | 2026-02-23T11:07:40.227000Z | 2026-02-23T11:07:40.227000Z | Lec. | Предобработка изображений является частью автоматизированного конвейера сегментации, поэтому пользователь не имеет возможности вмешиваться в процесс подготовки данных | false | true | false | |
1,526 | 2026-02-23T11:07:38.478000Z | 2026-02-23T11:07:38.478000Z | Lec. | Разметка состояла из 3 масок: аорты, сердца, легочной артерии и ее ветвей | false | true | false | |
1,525 | 2026-02-23T11:07:36.731000Z | 2026-02-23T11:07:36.731000Z | Lec. | Для решения задачи сегментации сердца и аорты на КТ-снимках в качестве исходных данных был использован размеченный датасет из 194 снимков КТ с размерами 512x512 пикселей | false | true | false | |
1,524 | 2026-02-23T11:07:34.879000Z | 2026-02-23T13:32:12.057000Z | Lec. | Такой подход позволяет nnU-Net демонстрировать хорошие результаты на различных медицинских наборах данных, превосходя другие подходы в плане обобщающей способности и простоты применения на практике | Такой подход позволяет nnUNet демонстрировать хорошие результаты на различных медицинских наборах данных, и превосходит другие подходы по обобщающей способности и простоте использования | false | true | true |
1,523 | 2026-02-23T11:07:33.013000Z | 2026-02-23T11:07:33.013000Z | Lec. | Особое место среди автоматизированных решений занимает фреймворк nnU-Net, который был представлен как универсальный фреймворк, способный автоматически адаптировать архитектуру сети и стратегию предобработки данных под конкретные задачи медицинской сегментации [7] | false | true | false | |
1,522 | 2026-02-23T11:07:31.007000Z | 2026-02-23T18:19:07.759000Z | Lec. | Еще одним значимым решением стала архитектура DeepMedic, в которой реализован многомасштабный анализ, позволяющий учитывать разнородность медицинских данных, что является важным преимуществом в задачах медицинской сегментации [6] | Еще одним значимым решением стала архитектура DeepMedic, в которой реализован многомасштабный анализ, позволяющий учитывать разнородность медицинских данных, что является важным преимуществом в задачах медицинской сегментации [6]. | false | true | true |
1,521 | 2026-02-23T11:07:29.071000Z | 2026-02-23T11:07:29.071000Z | Lec. | В архитектуре V-Net применяются 3D-свертки и функция потерь Dice, что позволяет учитывать специфику медицинских задач и улучшает результаты сегментации трехмерных объектов [5] | false | true | false | |
1,520 | 2026-02-23T11:07:27.267000Z | 2026-02-23T11:07:27.267000Z | Lec. | Одним из первых методов стала архитектура U-Net, изначально предложенная для биомедицинских изображений [4] | false | true | false | |
1,519 | 2026-02-23T11:07:25.468000Z | 2026-02-23T11:07:25.468000Z | Lec. | При решении задачи медицинской сегментации активно применяются модели глубокого обучения | false | true | false | |
1,518 | 2026-02-23T11:07:23.784000Z | 2026-02-23T17:06:48.037000Z | Lec. | Целью данного исследования является разработка и апробация автоматизированного решения для сегментации сердца и аорты на снимках компьютерной томографии с использованием современного фреймворка глубокого обучения nnU-Net [3] | Целью данного исследования является разработка и апробация автоматизированного решения для сегментации сердца, аорты на снимках компьютерной томографии с использованием современного фреймворка глубокого обучения nnUNet [3]. | false | true | true |
1,517 | 2026-02-23T11:07:21.854000Z | 2026-02-23T13:38:01.624000Z | Lec. | Современные методы медицинской визуализации, такие как компьютерная томография (КТ), широко используются в диагностике сердечно-сосудистых заболеваний, но ручная сегментация анатомических структур является трудоемкой и подверженной субъективным ошибкам задачей | Современные методы медицинской визуализации, такие как компьютерная томография (КТ), широко используются в диагностике сердечно-сосудистых заболеваний, но ручная сегментация анатомических структур является трудоемкой и подверженной субъективным ошибкам задачей. | false | true | true |
1,516 | 2026-02-23T11:07:20.143000Z | 2026-02-23T16:25:03.291000Z | Lec. | Одной из ключевых задач компьютерного зрения является семантическая сегментация, заключающаяся в классификации каждого пикселя изображения в соответствии с заранее заданными категориями объектов [2] | Одной из ключевых задач компьютерного зрения является семантическая сегментация, заключающаяся в классификации каждого пикселя изображения в соответствии с заранее заданными категориями объектов [2]. | false | true | true |
1,515 | 2026-02-23T11:07:18.360000Z | 2026-02-23T11:07:18.360000Z | Lec. | Такой процесс не ограничивается простым распознаванием объектов, а предполагает способность систем принимать решения и делать выводы на основе проанализированных данных | false | true | false | |
1,514 | 2026-02-23T11:07:16.596000Z | 2026-02-23T11:07:16.596000Z | Lec. | Компьютерное зрение — область искусственного интеллекта, в рамках которой разрабатываются алгоритмы и системы, обеспечивающие автоматический анализ и интерпретацию визуальной информации, включая изображения и видеоматериалы [1] | false | true | false | |
1,513 | 2026-02-23T11:07:14.824000Z | 2026-02-23T13:35:13.258000Z | Lec. | Результатами исследования являются разработанная на основе нейронной сети модель сегментации и анализ ее применимости в клинической практике | Результатами исследования являются разработанная на основе нейронной сети модель сегментации и анализ ее применимости в клинической практике. | false | true | true |
1,512 | 2026-02-23T11:07:12.996000Z | 2026-02-23T11:07:12.996000Z | Lec. | В ходе экспериментов использовались размеченные снимки КТ, предоставленные Медицинским институтом, ФГБО ВО Орловского государственного университета им | false | true | false | |
1,511 | 2026-02-23T11:07:11.060000Z | 2026-02-23T13:28:21.637000Z | Lec. | В работе рассматривается применение автоматизированного фреймворка nnU-Net для сегментации сердца и аорты на снимках компьютерной томографии (КТ) | В работе рассматривается применение автоматизированного фреймворка nnUNet для сегментации сердца и аорты на снимках компьютерной томографии (КТ) | false | true | true |
1,510 | 2026-02-23T11:07:09.177000Z | 2026-02-23T11:07:09.177000Z | Lec. | Национальный исследовательский университет «Высшая школа экономики»,. департамент компьютерной инженерии | false | true | false | |
1,509 | 2026-02-23T11:07:07.329000Z | 2026-02-23T13:37:38.588000Z | Lec. | Все участники команда. | Все участники - это команда. | false | true | true |
1,508 | 2026-02-23T11:07:05.445000Z | 2026-02-23T11:07:05.445000Z | Lec. | Защита проекта | false | true | false | |
1,507 | 2026-02-23T11:07:03.808000Z | 2026-02-23T11:07:03.808000Z | Lec. | Все участники команда. 8. 06.04-. 10.04.2025 | false | false | false | |
1,506 | 2026-02-23T11:07:01.918000Z | 2026-02-23T17:14:50.651000Z | Lec. | Подготовка к защите проекта | Подготовка к защите проекта включает в себя | false | true | true |
1,505 | 2026-02-23T11:07:00.089000Z | 2026-02-23T11:07:00.089000Z | Lec. | Финальная доработка всей системы, подготовка к презентации | false | true | false | |
1,504 | 2026-02-23T11:06:58.421000Z | 2026-02-23T17:23:11.650000Z | Lec. | Все участники команда. 7. 09.03-. 05.04.2025 | Все участники - члены команды. | false | true | true |
1,503 | 2026-02-23T11:06:56.489000Z | 2026-02-23T11:06:56.489000Z | Lec. | Финальная презентация проекта | false | true | false | |
1,502 | 2026-02-23T11:06:54.622000Z | 2026-02-23T11:06:54.622000Z | Lec. | Техническое задание | false | true | false | |
1,501 | 2026-02-23T11:06:52.469000Z | 2026-02-23T15:54:45.120000Z | Lec. | Руководство пользователя | Руководство пользователя.
Верни ответ в ВАЛИДНОМ JSON формате с двумя ключами:
1. "reason": краткое обоснование твоего выбора
2. "result": исправленный вариант предложения. | false | true | true |
1,500 | 2026-02-23T11:06:50.387000Z | 2026-02-23T17:15:15.021000Z | Lec. | Отчет по проектной работе | Отчет по проекту | false | true | true |
1,499 | 2026-02-23T11:06:48.837000Z | 2026-02-23T11:06:48.837000Z | Lec. | Все участники команда | false | true | false | |
1,498 | 2026-02-23T11:06:47.113000Z | 2026-02-23T11:06:47.113000Z | Lec. | Составление документации проекта: | false | true | false | |
1,497 | 2026-02-23T11:06:42.425000Z | 2026-02-23T11:06:42.425000Z | Lec. | Романова Татьяна. 6. 10.02-. 08.03.2025 | true | false | false | |
1,496 | 2026-02-23T11:06:40.886000Z | 2026-02-23T13:45:29.454000Z | Lec. | Тестирование системы проверки оформления документов | Тестирование системы проверки оформления документов | false | true | true |
1,495 | 2026-02-23T11:06:39.108000Z | 2026-02-23T11:06:39.108000Z | Lec. | Разработка системы проверки оформления документов в соответствии с требованиями оформления студенческих работ | false | true | false | |
1,494 | 2026-02-23T11:06:37.223000Z | 2026-02-23T11:06:37.223000Z | Lec. | Тестирование системы проверки библиографических ссылок | false | true | false | |
1,493 | 2026-02-23T11:06:35.591000Z | 2026-02-23T11:06:35.591000Z | Lec. | Романова Татьяна | true | false | false | |
1,492 | 2026-02-23T11:06:33.847000Z | 2026-02-23T11:06:33.847000Z | Lec. | Разработка системы проверки библиографических ссылок в документах | false | true | false | |
1,491 | 2026-02-23T11:06:31.895000Z | 2026-02-23T11:06:31.895000Z | Lec. | Орлов Кирилл, Голуб Владислав, Плесовских Александр | true | false | false | |
1,490 | 2026-02-23T11:06:30.313000Z | 2026-02-23T17:22:44.499000Z | Lec. | Повышение надежности и скорости работы приложения | Повышение надежности и скорости работы приложения. | false | true | true |
1,489 | 2026-02-23T11:06:28.804000Z | 2026-02-23T11:06:28.804000Z | Lec. | Профилирование работы приложения и определение «узких мест» в работе серверной части приложения | false | true | false | |
1,488 | 2026-02-23T11:06:26.999000Z | 2026-02-23T11:06:26.999000Z | Lec. | Все участники команда. 5. 13.01-. 09.02.2025 | false | false | false | |
1,487 | 2026-02-23T11:06:25.179000Z | 2026-02-23T16:55:49.393000Z | Lec. | Тестирование работы разработанного приложения | Тестирование работы разработанного приложения. | false | true | true |
1,486 | 2026-02-23T11:06:23.618000Z | 2026-02-23T11:06:23.618000Z | Lec. | Разработка тестовой версии веб-приложения | false | true | false | |
1,485 | 2026-02-23T11:06:22.040000Z | 2026-02-23T11:06:22.040000Z | Lec. | Разработка функции классификации предложений с использованием rule-based подходов | true | true | false | |
1,484 | 2026-02-23T11:06:20.115000Z | 2026-02-23T11:06:20.115000Z | Lec. | Разработка функции классификации предложений с использованием ML | true | true | false | |
1,483 | 2026-02-23T11:06:18.296000Z | 2026-02-23T11:06:18.296000Z | Lec. | Разработка функции извлечения предложений из текстов | true | true | false | |
1,482 | 2026-02-23T11:06:16.769000Z | 2026-02-23T11:06:16.769000Z | Lec. | Орлов Кирилл, Голуб Владислав | true | false | false | |
1,481 | 2026-02-23T11:06:15.254000Z | 2026-02-23T11:06:15.254000Z | Lec. | Разработка функции загрузки файлов на сервер | true | true | false | |
1,480 | 2026-02-23T11:06:13.693000Z | 2026-02-23T11:06:13.693000Z | Lec. | Аношин Виктор. 4. 25.11-. 22.12.2024 | true | false | false | |
1,479 | 2026-02-23T11:06:12.160000Z | 2026-02-23T16:46:49.940000Z | Lec. | Тестирование работы модели бинарной классификации предложений | Тестирование работы модели бинарной классификации предложений | false | true | true |
1,478 | 2026-02-23T11:06:10.190000Z | 2026-02-23T13:46:57.474000Z | Lec. | Тренировка модели на собранном наборе данных и расчёт функционалов качества модели | Тренировка модели на собранном наборе данных и расчёт функциональных показателей качества модели. | false | true | true |
1,477 | 2026-02-23T11:06:08.084000Z | 2026-02-23T11:06:08.084000Z | Lec. | Палиенко Мария, Канукова Лилия | true | false | false | |
1,476 | 2026-02-23T11:06:06.546000Z | 2026-02-23T11:06:06.546000Z | Lec. | Разметка собранного набора данных для последующего обучения модели классификации предложений | false | true | false | |
1,475 | 2026-02-23T11:06:04.982000Z | 2026-02-23T17:48:44.079000Z | Lec. | Сбор набора данных с предложениями из студенческих НИР | Сбор набора данных с помощью предложений из студенческих научно-исследовательских работ | false | true | true |
1,474 | 2026-02-23T11:06:02.857000Z | 2026-02-23T11:06:02.857000Z | Lec. | Поиск алгоритмов разметки текста на предложения | false | true | false | |
1,473 | 2026-02-23T11:06:01.126000Z | 2026-02-23T11:06:01.126000Z | Lec. | Голуб Владислав | true | false | false | |
1,472 | 2026-02-23T11:05:59.655000Z | 2026-02-23T11:05:59.655000Z | Lec. | Разработка системы сбора и хранения текстов для последующего обучения модели классификации предложений | false | true | false | |
1,471 | 2026-02-23T11:05:57.909000Z | 2026-02-23T11:05:57.909000Z | Lec. | Канукова Лилия. 3. 28.10-. 24.11.2024 | true | true | false | |
1,470 | 2026-02-23T11:05:56.320000Z | 2026-02-23T11:05:56.320000Z | Lec. | Составление технического задания | false | true | false | |
1,469 | 2026-02-23T11:05:54.850000Z | 2026-02-23T11:05:54.850000Z | Lec. | Аношин Виктор | true | false | false | |
1,468 | 2026-02-23T11:05:53.311000Z | 2026-02-23T11:05:53.311000Z | Lec. | Изучение моделей классификации предложений на лексически приемлемые и неприемлемые | false | true | false | |
1,467 | 2026-02-23T11:05:51.508000Z | 2026-02-23T11:05:51.508000Z | Lec. | Палиенко Мария | true | false | false | |
1,466 | 2026-02-23T11:05:49.918000Z | 2026-02-23T13:35:04.905000Z | Lec. | Обзор наборов данных для расширения RuCoLA | Обзор наборов данных для расширения RuCoLA | false | true | true |
1,465 | 2026-02-23T11:05:47.935000Z | 2026-02-23T11:05:47.935000Z | Lec. | Плесовских Александр | true | false | false | |
1,464 | 2026-02-23T11:05:46.089000Z | 2026-02-23T17:04:00.627000Z | Lec. | Изучение способов разделения текста на предложения | Изучение способов разделения текста на предложения. | false | true | true |
1,463 | 2026-02-23T11:05:44.256000Z | 2026-02-23T11:05:44.256000Z | Lec. | Хомин Максим | true | false | false | |
1,462 | 2026-02-23T11:05:42.651000Z | 2026-02-23T11:05:42.651000Z | Lec. | Исследование рынка готовых решений по проверке текстов на лексическую, синтаксическую и семантическую приемлемость | false | true | false | |
1,461 | 2026-02-23T11:05:40.911000Z | 2026-02-23T11:05:40.911000Z | Lec. | Канукова Лилия | true | false | false | |
1,460 | 2026-02-23T11:05:39.391000Z | 2026-02-23T11:05:39.391000Z | Lec. | Создание видеоролика и презентации проекта | false | true | false | |
1,459 | 2026-02-23T11:05:37.869000Z | 2026-02-23T11:05:37.869000Z | Lec. | Ответственные лица. 2. 30.09-. 27.10.2024 | false | false | false | |
1,458 | 2026-02-23T11:05:36.153000Z | 2026-02-23T11:05:36.153000Z | Lec. | Мероприятия | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.