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 |
|---|---|---|---|---|---|---|---|---|
9,057 | 2026-02-24T09:14:14.481000Z | 2026-02-24T09:14:14.481000Z | Lec. | Расчет метрик для каждого порога | false | true | false | |
9,056 | 2026-02-24T09:14:12.947000Z | 2026-02-24T09:14:12.947000Z | Lec. | Диапазон порогов: от 0.1 до 0.95 с шагом 0.05 | false | true | false | |
9,055 | 2026-02-24T09:14:11.338000Z | 2026-02-24T09:14:11.338000Z | Lec. | Пороговая классификация (threshold): | false | true | false | |
9,054 | 2026-02-24T09:14:09.651000Z | 2026-02-24T09:14:09.651000Z | Lec. | Анализ проводится по двум стратегиям: | false | true | false | |
9,053 | 2026-02-24T09:14:07.150000Z | 2026-02-24T09:14:07.150000Z | Lec. | Оценка качества классификации | false | true | false | |
9,052 | 2026-02-24T09:14:05.443000Z | 2026-02-24T09:14:05.443000Z | Lec. | Количество и доля отказов классификации (Reject). 2.3 | false | false | false | |
9,051 | 2026-02-24T09:14:03.971000Z | 2026-02-24T09:14:03.971000Z | Lec. | Среднее/минимальное/максимальное число предсказанных классов | false | true | false | |
9,050 | 2026-02-24T09:14:01.638000Z | 2026-02-24T09:14:01.638000Z | Lec. | Расчет базовой статистики: | false | true | false | |
9,049 | 2026-02-24T09:13:59.913000Z | 2026-02-24T09:13:59.914000Z | Lec. | Предварительный анализ предсказаний | false | true | false | |
9,048 | 2026-02-24T09:13:58.057000Z | 2026-02-24T09:13:58.057000Z | Lec. | Настройка форматов ячеек. 2.2 | false | true | false | |
9,047 | 2026-02-24T09:13:56.217000Z | 2026-02-24T09:13:56.217000Z | Lec. | Создание Excel-файла с помощью xlsxwriter | false | true | false | |
9,046 | 2026-02-24T09:13:54.714000Z | 2026-02-24T09:13:54.714000Z | Lec. | Инициализация отчета | false | true | false | |
9,045 | 2026-02-24T09:13:53.175000Z | 2026-02-24T09:13:53.175000Z | Lec. | Основные этапы работы. 2.1 | false | true | false | |
9,044 | 2026-02-24T09:13:51.233000Z | 2026-02-24T09:13:51.233000Z | Lec. | Визуализации зависимостей показателей качества. 2 | false | true | false | |
9,043 | 2026-02-24T09:13:49.588000Z | 2026-02-24T09:13:49.588000Z | Lec. | Генерации отчетов в формате Excel | false | true | false | |
9,042 | 2026-02-24T09:13:48.086000Z | 2026-02-24T09:13:48.086000Z | Lec. | Анализа результатов классификации по различным метрикам | false | true | false | |
9,041 | 2026-02-24T09:13:46.379000Z | 2026-02-24T09:13:46.379000Z | Lec. | Комплексной оценки качества предсказаний модели | false | true | false | |
9,040 | 2026-02-24T09:13:44.672000Z | 2026-02-24T09:13:44.672000Z | Lec. | Модуль test_predictons предназначен для: | false | true | false | |
9,039 | 2026-02-24T09:13:42.372000Z | 2026-02-24T09:13:42.372000Z | Lec. | Назначение модуля | false | true | false | |
9,038 | 2026-02-24T09:13:40.978000Z | 2026-02-24T09:13:40.978000Z | Lec. | Поддерживает стандартный интерфейс HuggingFace. 1 | false | true | false | |
9,037 | 2026-02-24T09:13:39.496000Z | 2026-02-24T09:13:39.496000Z | Lec. | Учитывает веса классов при расчете потерь | false | true | false | |
9,036 | 2026-02-24T09:13:38.002000Z | 2026-02-24T09:13:38.002000Z | Lec. | Добавляет взвешенную BCEWithLogitsLoss | false | true | false | |
9,035 | 2026-02-24T09:13:36.517000Z | 2026-02-24T09:13:36.517000Z | Lec. | Класс CustomTrainer расширяет стандартный Trainer: | false | false | false | |
9,034 | 2026-02-24T09:13:34.672000Z | 2026-02-24T09:13:34.672000Z | Lec. | Кастомный тренировочный цикл | false | true | false | |
9,033 | 2026-02-24T09:13:33.138000Z | 2026-02-24T09:13:33.138000Z | Lec. | Формирование словаря метрик для мониторинга процесса обучения. 4 | false | true | false | |
9,032 | 2026-02-24T09:13:31.240000Z | 2026-02-24T09:13:31.240000Z | Lec. | Для порогов 0.5-0.9 с шагом 0.1 | true | false | false | |
9,031 | 2026-02-24T09:13:29.693000Z | 2026-02-24T09:13:29.693000Z | Lec. | Accuracy (macro/micro/weighted) | false | false | false | |
9,030 | 2026-02-24T09:13:28.165000Z | 2026-02-24T09:13:28.165000Z | Lec. | F1-score (macro/micro/weighted) | false | false | false | |
9,029 | 2026-02-24T09:13:26.630000Z | 2026-02-24T09:13:26.630000Z | Lec. | Расчет multi-label метрик: | false | true | false | |
9,028 | 2026-02-24T09:13:24.920000Z | 2026-02-24T09:13:24.920000Z | Lec. | Метрики оценки Функция prepair_compute_metrics включает: | false | true | false | |
9,027 | 2026-02-24T09:13:23.229000Z | 2026-02-24T09:13:23.229000Z | Lec. | Параметров r, alpha, dropout. 3 | false | false | false | |
9,026 | 2026-02-24T09:13:21.531000Z | 2026-02-24T09:13:21.531000Z | Lec. | Внимания (query/key) | false | false | false | |
9,025 | 2026-02-24T09:13:18.024000Z | 2026-02-24T09:13:18.024000Z | Lec. | Настройку LoRA-адаптеров для: | false | true | false | |
9,024 | 2026-02-24T09:13:16.619000Z | 2026-02-24T09:13:16.619000Z | Lec. | Загрузку предобученной модели ruBERT для multilabel-классификации; | false | true | false | |
9,023 | 2026-02-24T09:13:15.072000Z | 2026-02-24T09:13:15.072000Z | Lec. | Функция prepair_model реализует: | false | true | false | |
9,022 | 2026-02-24T09:13:13.413000Z | 2026-02-24T09:13:13.413000Z | Lec. | Конфигурация модели: | false | true | false | |
9,021 | 2026-02-24T09:13:11.452000Z | 2026-02-24T09:13:11.452000Z | Lec. | Формирование объектов Dataset PyTorch для дальнейшего использования при обучении. 2 | false | true | false | |
9,020 | 2026-02-24T09:13:09.403000Z | 2026-02-24T09:13:09.403000Z | Lec. | Токенизацию текстов с ограничением длины (512 токенов); | false | true | false | |
9,019 | 2026-02-24T09:13:07.889000Z | 2026-02-24T09:13:07.890000Z | Lec. | Расчет весов классов для устранения дисбаланса; | false | true | false | |
9,018 | 2026-02-24T09:13:05.647000Z | 2026-02-24T09:13:05.647000Z | Lec. | Стратифицированное разделение данных на train/valid/test; | false | true | false | |
9,017 | 2026-02-24T09:13:03.925000Z | 2026-02-24T09:13:03.925000Z | Lec. | Загрузку и инициализацию токенезатора для переданного названия модели; | true | true | false | |
9,016 | 2026-02-24T09:13:00.028000Z | 2026-02-24T09:13:00.028000Z | Lec. | Функция prepair_datasets выполняет: | false | true | false | |
9,015 | 2026-02-24T09:12:58.279000Z | 2026-02-24T09:12:58.279000Z | Lec. | Подготовка датасетов для обучения | false | true | false | |
9,014 | 2026-02-24T09:12:56.288000Z | 2026-02-24T09:12:56.288000Z | Lec. | Модуль обучения состоит из следующих элементов:. 1 | false | true | false | |
9,013 | 2026-02-24T09:12:54.665000Z | 2026-02-24T09:12:54.665000Z | Lec. | Предложенный модуль предобработки данных стал основой для подготовки текстов к дальнейшему анализу и применению моделей машинного обучения | false | true | false | |
9,012 | 2026-02-24T09:12:52.917000Z | 2026-02-24T09:12:52.917000Z | Lec. | На основе этих направлений были реализованы следующие этапы:. разработка функции замены распространенных сокращений на полные формы для повышения читаемости и однозначности;. удаление формул, представленных в формате LaTeX, как элементов, не несущих смысловой нагрузки в рамках предсказательной задачи;. добавление класс... | false | false | false | |
9,011 | 2026-02-24T09:12:50.802000Z | 2026-02-24T09:12:50.802000Z | Lec. | В процессе работы были выделены основные направления, требующие автоматической обработки до подачи данных в модель | false | true | false | |
9,010 | 2026-02-24T09:12:49.149000Z | 2026-02-24T09:12:49.149000Z | Lec. | При создании модуля предобработки данных были проанализированы особенности исходных текстов, используемых в проекте, а также требования к их структуре и содержанию, предъявляемые на этапе предсказания | false | true | false | |
9,009 | 2026-02-24T09:12:47.477000Z | 2026-02-24T09:12:47.477000Z | Lec. | Email: enpanov@edu.hse.ru | true | false | false | |
9,008 | 2026-02-24T09:12:45.825000Z | 2026-02-24T09:12:45.825000Z | Lec. | Панов Елисей, группа БИВ238 | true | true | false | |
9,007 | 2026-02-24T09:12:44.146000Z | 2026-02-24T09:12:44.146000Z | Lec. | Роль в проекте: Стажер | false | true | false | |
9,006 | 2026-02-24T09:12:42.372000Z | 2026-02-24T09:12:42.372000Z | Lec. | Email: tvetsenkova@edu.hse.ru | true | false | false | |
9,005 | 2026-02-24T09:12:40.627000Z | 2026-02-24T09:12:40.627000Z | Lec. | Телефон: +79292825140 | true | false | false | |
9,004 | 2026-02-24T09:12:39.109000Z | 2026-02-24T09:12:39.109000Z | Lec. | Еценкова Татьяна, группа БИТ233 | true | false | false | |
9,003 | 2026-02-24T09:12:37.475000Z | 2026-02-24T09:12:37.475000Z | Lec. | Роль в проекте: ML-разработчик | false | true | false | |
9,002 | 2026-02-24T09:12:35.882000Z | 2026-02-24T09:12:35.882000Z | Lec. | Email: aagorbuntsov@edu.hse.ru | true | false | false | |
9,001 | 2026-02-24T09:12:34.480000Z | 2026-02-24T09:12:34.480000Z | Lec. | Телефон: +79167127207 | true | false | false | |
9,000 | 2026-02-24T09:12:32.974000Z | 2026-02-24T09:12:32.974000Z | Lec. | Горбунцов Александр, группа МКС244 | true | true | false | |
8,999 | 2026-02-24T09:12:31.365000Z | 2026-02-24T09:12:31.365000Z | Lec. | Роль в проекте: ML-разработчик, тимлид команды | false | true | false | |
8,998 | 2026-02-24T09:12:29.309000Z | 2026-02-24T09:12:29.309000Z | Lec. | Часов работы: | false | true | false | |
8,997 | 2026-02-24T09:12:27.786000Z | 2026-02-24T09:12:27.786000Z | Lec. | Часов работы:. проведена работа над CLI на click. реализована интеграция backend в CLI в интерфейс для развертывания приложений | false | true | false | |
8,996 | 2026-02-24T09:12:26.057000Z | 2026-02-24T09:12:26.057000Z | Lec. | Часов работы:. разработан модуль предобработки данных. проведено интегрирование в систему предобработки данных функции, которые используются для 1-го и 2-го уровня, внесены изменения для обработки данных 3-го уровня. ссоздан постер для постерной сессии. подготовка документации для защиты проекта | false | false | false | |
8,995 | 2026-02-24T09:12:24.235000Z | 2026-02-24T09:12:24.235000Z | Lec. | Часов работы:. создание обзора архитектур нейронных сетей для классификации. проведено тестирование ruBERT-tiny2. написаны тезисы для конференции Арменского. настройки тестирования GigaChat API. проведено тестирование rubert-tiny-turbo. проведено тестирование RoBERTa | false | false | false | |
8,994 | 2026-02-24T09:12:22.216000Z | 2026-02-24T09:12:22.216000Z | Lec. | Совместно выполнено: | false | true | false | |
8,993 | 2026-02-24T09:12:19.520000Z | 2026-02-24T09:12:19.520000Z | Lec. | Всего выполнено карточек: | false | true | false | |
8,992 | 2026-02-24T09:12:17.174000Z | 2026-02-24T09:12:17.174000Z | Lec. | Разработка веб-интерфейса (реализация бэкенда и фронтенда) | false | true | false | |
8,991 | 2026-02-24T09:12:15.635000Z | 2026-02-24T09:12:15.635000Z | Lec. | Проведение сравнительного анализа иерархического и плоского классификаторов для 2-го уровня ГРНТИ | false | true | false | |
8,990 | 2026-02-24T09:12:13.824000Z | 2026-02-24T09:12:13.824000Z | Lec. | Проведение экспериментов по улучшению предсказаний 3-го уровня ГРНТИ с использованием результатов для 1-го и 2-го уровней | false | true | false | |
8,989 | 2026-02-24T09:12:12.235000Z | 2026-02-24T09:12:12.235000Z | Lec. | Проведение экспериментов с использованием словаря сокращений ВИНИТИ РАН | false | true | false | |
8,988 | 2026-02-24T09:12:10.540000Z | 2026-02-24T09:12:10.540000Z | Lec. | Проведение экспериментов по применению метода zero-shot learning для multilabel-классификации | false | true | false | |
8,987 | 2026-02-24T09:12:08.664000Z | 2026-02-24T09:12:08.664000Z | Lec. | Разработка программного обеспечения для обучения языковых моделей, обработки данных и анализа результатов классификации | false | true | false | |
8,986 | 2026-02-24T09:12:06.914000Z | 2026-02-24T09:12:06.914000Z | Lec. | Исследование методов классификации научных работ с использованием машинного обучения | false | true | false | |
8,985 | 2026-02-24T09:12:05.368000Z | 2026-02-24T09:12:05.368000Z | Lec. | Второй. 0.45. 0.758. 0.802. 0.799 | false | false | false | |
8,984 | 2026-02-24T09:12:03.785000Z | 2026-02-24T09:12:03.785000Z | Lec. | Первый. 0.5. 0.864. 0.881. 0.880 | false | false | false | |
8,983 | 2026-02-24T09:12:02.078000Z | 2026-02-24T09:12:02.078000Z | Lec. | Уровень ГРНТИ | false | false | false | |
8,982 | 2026-02-24T09:12:00.606000Z | 2026-02-24T09:12:00.606000Z | Lec. | Таблица 8 – Метрики для классификатора на основе USER-bge-m3 | false | false | false | |
8,981 | 2026-02-24T09:11:58.818000Z | 2026-02-24T09:11:58.818000Z | Lec. | Представлен итоговый результат работы классификатора на основе модели USER-bge-m3 (таб. 8) | false | true | false | |
8,980 | 2026-02-24T09:11:57.022000Z | 2026-02-24T09:11:57.022000Z | Lec. | Классификатор обучался на основе лучшей модели, выявленной в ходе сравнительного тестирования, а также был взят наиболее эффективный метод из представленных выше | false | true | false | |
8,979 | 2026-02-24T09:11:55.407000Z | 2026-02-24T09:11:55.407000Z | Lec. | Со всеми рубриками (взвешенные вероятности). 0.2. 0.2. 0.2. 0.35 | false | false | false | |
8,978 | 2026-02-24T09:11:53.733000Z | 2026-02-24T09:11:53.733000Z | Lec. | Со всеми рубриками. 0.1. 0.001. 0.005. 0.005 | false | false | false | |
8,977 | 2026-02-24T09:11:52.003000Z | 2026-02-24T09:11:52.003000Z | Lec. | С сокращенным числом рубрик. 0.5. 0.55. 0.64. 0.61 | false | false | false | |
8,976 | 2026-02-24T09:11:50.271000Z | 2026-02-24T09:11:50.271000Z | Lec. | Вариант датасета | false | true | false | |
8,975 | 2026-02-24T09:11:48.390000Z | 2026-02-24T09:11:48.390000Z | Lec. | Таблица 7 – Результаты проведения исследования по предсказанию 3-го уровня ГРНТИ | false | true | false | |
8,974 | 2026-02-24T09:11:46.560000Z | 2026-02-24T09:11:46.560000Z | Lec. | Результаты работы классификатора были оценены на тестовом датасете, содержащем все рубрики для классификации и датасете, содержащем только рубрики, находящиеся в тренировочных данных (таб. 7) | false | true | false | |
8,973 | 2026-02-24T09:11:44.558000Z | 2026-02-24T09:11:44.558000Z | Lec. | Рисунок 20 – Диаграмма с параллельными координатами зависимости качества предсказания от значений | false | true | false | |
8,972 | 2026-02-24T09:11:42.550000Z | 2026-02-24T09:11:42.550000Z | Lec. | Результаты применения подхода для валидационного датасета представлены ниже (рис. 20) | false | true | false | |
8,971 | 2026-02-24T09:11:39.627000Z | 2026-02-24T09:11:39.627000Z | Lec. | Устойчивость к ошибкам: Если модель нижнего уровня выдает низкую вероятность для определенного класса, решение может быть скорректировано вышестоящими уровнями | false | true | false | |
8,970 | 2026-02-24T09:11:38.004000Z | 2026-02-24T09:11:38.004000Z | Lec. | Гибкость: Веса позволяют регулировать влияние каждого уровня | false | true | false | |
8,969 | 2026-02-24T09:11:36.275000Z | 2026-02-24T09:11:36.275000Z | Lec. | Учет контекста иерархии: Для модели нижнего уровня корректирует свои предсказания, благодаря предсказаниям моделей для более общих категорий | false | true | false | |
8,968 | 2026-02-24T09:11:34.727000Z | 2026-02-24T09:11:34.727000Z | Lec. | Преимущества подхода: | false | true | false | |
8,967 | 2026-02-24T09:11:32.991000Z | 2026-02-24T09:11:32.991000Z | Lec. | Аналогично для связи вероятностей 1-го и 2-го уровня | false | true | false | |
8,966 | 2026-02-24T09:11:30.956000Z | 2026-02-24T09:11:30.956000Z | Lec. | Если класс 3-го уровня принадлежит классу 2-го уровня, то вероятность класса 3-го уровня, умноженная на добавляется к вероятности второго уровня, умноженной на | false | true | false | |
8,965 | 2026-02-24T09:11:28.877000Z | 2026-02-24T09:11:28.877000Z | Lec. | Механизм распространения вероятностей: | false | true | false | |
8,964 | 2026-02-24T09:11:27.333000Z | 2026-02-24T09:11:27.333000Z | Lec. | Зададим следующие коэффициенты для учета вероятностей с каждого уровня ГРНТИ:. — вес оригинальных предсказаний 3-го уровня;. — вклад предсказаний 2-го уровня;. — вклад предсказаний 1-го уровня | false | true | false | |
8,963 | 2026-02-24T09:11:25.680000Z | 2026-02-24T09:11:25.680000Z | Lec. | Используя информацию от вышестоящих уровней, можно рассчитать взвешенную сумму вероятностей для корректировки предсказаний модели 3-го уровня | false | true | false | |
8,962 | 2026-02-24T09:11:24.104000Z | 2026-02-24T09:11:24.104000Z | Lec. | Как упоминалось ранее, классы организованы в древовидную иерархию, поэтому мы можем построить связи между классами для разных уровней классификации и использовать предсказания с более высоких уровней классификации для корректировки вероятностей для 3-го уровня ГРНТИ | false | true | false | |
8,961 | 2026-02-24T09:11:22.373000Z | 2026-02-24T09:11:22.373000Z | Lec. | Для этого тестовых датасет был разделен на валидационную выборку, состоящую из 40000 экземпляров и выборку для тестирования из 126183 элементов | false | true | false | |
8,960 | 2026-02-24T09:11:20.052000Z | 2026-02-24T09:11:20.052000Z | Lec. | Для улучшения качества предсказаний был рассмотрен подход вероятностного объединение предсказаний на разных уровнях иерархии классов | false | true | false | |
8,959 | 2026-02-24T09:11:18.484000Z | 2026-02-24T09:11:18.484000Z | Lec. | На тестовом датасесте, состоящем из всех рубрик ГРНТИ было достигнуто малое значение метрик классификации: f1 macro: 0.001, f1 micro: 0.005, f1 weighted: 0.005 | false | false | false | |
8,958 | 2026-02-24T09:11:16.739000Z | 2026-02-24T09:11:16.739000Z | Lec. | Результаты работы классификатора были оценены на тестовом датасете, содержащем все рубрики для классификации и датасете, содержащем только рубрики, находящиеся в тренировочных данных | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.