id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | 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 |
|---|---|---|---|---|---|---|---|---|
19,107 | 2026-02-24T15:18:13.093000Z | 2026-02-24T15:18:13.093000Z | Lec. | Пример использования ключа --help и демонстрация подкоманд models | false | true | false | |
19,106 | 2026-02-24T15:18:10.261000Z | 2026-02-24T15:18:10.261000Z | Lec. | Пользователь может получить пути к используемым моделям (рис. 30) | false | true | false | |
19,105 | 2026-02-24T15:18:07.654000Z | 2026-02-24T15:18:07.654000Z | Lec. | Ниже приведено описание функционала, реализованного в рамках команды models (рис. 29) | false | true | false | |
19,104 | 2026-02-24T15:18:04.270000Z | 2026-02-24T15:18:04.270000Z | Lec. | Примеры запуска программы без команд | false | true | false | |
19,103 | 2026-02-24T15:18:01.822000Z | 2026-02-24T15:18:01.822000Z | Lec. | Ниже представлены примеры запуска программы в базовом режиме (рис. 28) | false | true | false | |
19,102 | 2026-02-24T15:17:59.399000Z | 2026-02-24T15:17:59.399000Z | Lec. | Результаты классификации в формате csv | false | false | false | |
19,101 | 2026-02-24T15:17:55.748000Z | 2026-02-24T15:17:55.748000Z | Lec. | Кнопка "Скачать результаты" становится активной после успешного завершения классификации и позволяет сохранить детальный отчет (рис. 27), включающий: | false | true | false | |
19,100 | 2026-02-24T15:17:52.720000Z | 2026-02-24T15:17:52.720000Z | Lec. | Результаты классификации | false | true | false | |
19,099 | 2026-02-24T15:17:50.259000Z | 2026-02-24T15:17:50.259000Z | Lec. | После завершения классификации результаты отображаются в специальной секции, организованной в виде структурированной таблицы (рис. 26) | false | true | false | |
19,098 | 2026-02-24T15:17:47.430000Z | 2026-02-24T15:17:47.430000Z | Lec. | Процесс обработки файлов | false | true | false | |
19,097 | 2026-02-24T15:17:45.112000Z | 2026-02-24T15:17:45.112000Z | Lec. | После нажатия “Подтвердить” возникает модальное окно с индикатором прогресса (рис. 25) | false | true | false | |
19,096 | 2026-02-24T15:17:42.207000Z | 2026-02-24T15:17:42.207000Z | Lec. | Окно подтверждения параметров классификации | false | true | false | |
19,095 | 2026-02-24T15:17:38.984000Z | 2026-02-24T15:17:38.984000Z | Lec. | После нажатия кнопки "Классифицировать" появляется окно для подтверждения выбранных параметров (рис. 24) | false | true | false | |
19,094 | 2026-02-24T15:17:36.068000Z | 2026-02-24T15:17:36.068000Z | Lec. | Настройка параметров классификации | false | true | false | |
19,093 | 2026-02-24T15:17:33.776000Z | 2026-02-24T15:17:33.776000Z | Lec. | Панель настроек позволяет гибко конфигурировать процесс классификации (рис. 23): | false | false | false | |
19,092 | 2026-02-24T15:17:30.362000Z | 2026-02-24T15:17:30.362000Z | Lec. | Отображение общей информации о файлах | false | true | false | |
19,091 | 2026-02-24T15:17:27.200000Z | 2026-02-24T15:17:27.200000Z | Lec. | Система автоматически проверяет загружаемые файлы на соответствие формату (.txt) и отображает список успешно загруженных документов (рис. 22) | false | true | false | |
19,090 | 2026-02-24T15:17:24.622000Z | 2026-02-24T15:17:24.622000Z | Lec. | Drag-and-drop — простое перетаскивание файлов в специально выделенную область (рис 21) | false | true | false | |
19,089 | 2026-02-24T15:17:21.468000Z | 2026-02-24T15:17:21.468000Z | Lec. | Общий вид интерфейса | false | true | false | |
19,088 | 2026-02-24T15:17:19.036000Z | 2026-02-24T15:17:19.036000Z | Lec. | Разработанный веб-интерфейс представляет собой интуитивно понятное решение для классификации научных текстов по рубрикам ГРНТИ (рис. 20) | false | true | false | |
19,087 | 2026-02-24T15:17:16.396000Z | 2026-02-24T15:17:16.396000Z | Lec. | Получены метрики f1_macro=0.864 для первого уровня, 0.758 для второго, и 0.005 для третьего | false | true | false | |
19,086 | 2026-02-24T15:17:13.705000Z | 2026-02-24T15:17:13.705000Z | Lec. | Повышение f1_macro с 0.001 до 0.2 на полном наборе рубрик | false | false | false | |
19,085 | 2026-02-24T15:17:10.899000Z | 2026-02-24T15:17:10.899000Z | Lec. | Плоский классификатор продемонстрировал более высокие показатели (f1_macro=0.47) по сравнению с иерархическим (f1_macro=0.42) | false | true | false | |
19,084 | 2026-02-24T15:17:08.046000Z | 2026-02-24T15:17:08.046000Z | Lec. | Метод PEFT LoRA показал существенно лучшие результаты (f1_macro=0.79) по сравнению с дообучением только классификационного слоя (f1_macro=0.667) | false | true | false | |
19,083 | 2026-02-24T15:17:05.200000Z | 2026-02-24T15:17:05.200000Z | Lec. | Доказано, что использование словаря сокращений не приводит к значительному улучшению качества классификации (f1_macro без словаря = 0.823, с заменой сокращений = 0.822) | false | true | false | |
19,082 | 2026-02-24T15:17:01.664000Z | 2026-02-24T15:17:01.664000Z | Lec. | Сравнительный анализ моделей Mistral Large (f1_macro=0.4) и GigaChat (f1_macro=0.2) в задаче zero-shot классификации | false | true | false | |
19,081 | 2026-02-24T15:16:58.672000Z | 2026-02-24T15:16:58.672000Z | Lec. | Система получает конфигурацию API из файла config.json, формирует объект FormData с файлами и параметрами, устанавливает соединение для получения прогресса обработки, промежуточных результатов и финальных данных, а также корректно обрабатывает ошибки соединения, обеспечивая стабильность работы | false | true | false | |
19,080 | 2026-02-24T15:16:55.518000Z | 2026-02-24T15:16:55.518000Z | Lec. | Решение отличается высокой интерактивностью благодаря плавной анимации и мгновенной обратной связи, а также отказоустойчивостью за счёт подробных сообщений об ошибках, которые помогают пользователю быстро выявить и устранить проблемы | false | true | false | |
19,079 | 2026-02-24T15:16:52.646000Z | 2026-02-24T15:16:52.646000Z | Lec. | Вывод результатов реализован с группировкой по файлам, сортировкой рубрик по вероятности, подсветкой ключевых параметров и возможностью скачивания в формате CSV | false | true | false | |
19,078 | 2026-02-24T15:16:50.215000Z | 2026-02-24T15:16:50.215000Z | Lec. | Отображение прогресса включает визуальный прогресс-бар, текстовое описание текущего этапа и индикатор обработанных файлов | false | true | false | |
19,077 | 2026-02-24T15:16:46.897000Z | 2026-02-24T15:16:46.897000Z | Lec. | Настройка классификации реализована через интерактивный слайдер вероятности, гибкий выбор уровней рубрик и опцию расшифровки кодов | false | true | false | |
19,076 | 2026-02-24T15:16:43.565000Z | 2026-02-24T15:16:43.565000Z | Lec. | Загрузка файлов поддерживает drag-and-drop, валидацию типа и размера, отображение превью перед отправкой и удаление файлов | false | true | false | |
19,075 | 2026-02-24T15:16:41.105000Z | 2026-02-24T15:16:41.105000Z | Lec. | Модальные окна используются для подтверждения параметров, отображения индикатора прогресса и уведомлений об ошибках, обеспечивая интерактивность и контроль действий пользователя | false | true | false | |
19,074 | 2026-02-24T15:16:38.208000Z | 2026-02-24T15:16:38.208000Z | Lec. | Главная страница предоставляет область загрузки файлов, настройки классификации (выбор уровней ГРНТИ от 1 до 3, настройка порога вероятности через слайдер, опция расшифровки кодов), кнопку запуска классификации и секцию для вывода результатов | false | true | false | |
19,073 | 2026-02-24T15:16:35.385000Z | 2026-02-24T15:16:35.385000Z | Lec. | Основная логика отвечает за управление элементами интерфейса, обработку пользовательского ввода, отображение результатов и генерацию CSV-файлов для скачивания | false | true | false | |
19,072 | 2026-02-24T15:16:32.805000Z | 2026-02-24T15:16:32.805000Z | Lec. | API взаимодействие включает отправку файлов на классификацию, обработку полученных данных с отображением прогресса, парсинг и передачу результатов, а также корректную обработку ошибок соединения | false | true | false | |
19,071 | 2026-02-24T15:16:30.107000Z | 2026-02-24T15:16:30.107000Z | Lec. | Файловая система реализует drag-and-drop загрузку файлов с поддержкой валидации форматов (.txt), отображает список загруженных файлов и предоставляет возможность управления ими (удаление, просмотр информации) | false | true | false | |
19,070 | 2026-02-24T15:16:27.301000Z | 2026-02-24T15:16:27.301000Z | Lec. | Фронтенд-система построена на основе чистого HTML, CSS и JavaScript без использования сторонних фреймворков, что обеспечивает легковесность и простоту настройки, а модульная структура JavaScript-кода позволяет легко масштабировать и поддерживать функционал | false | true | false | |
19,069 | 2026-02-24T15:16:24.437000Z | 2026-02-24T15:16:24.437000Z | Lec. | Решение отличается высокой эффективностью за счёт использования LoRA для адаптации больших языковых моделей, масштабируемостью благодаря асинхронной обработке запросов, гибкостью настройки через конфигурационный файл и отказоустойчивостью, обеспечиваемой подробным логированием ошибок | false | true | false | |
19,068 | 2026-02-24T15:16:21.840000Z | 2026-02-24T15:16:21.840000Z | Lec. | Для передачи данных используется потоковая передача JSON через HTTP (JSON Streaming), а итоговые результаты возвращаются в формате JSON | false | true | false | |
19,067 | 2026-02-24T15:16:19.418000Z | 2026-02-24T15:16:19.418000Z | Lec. | Клиент отправляет файлы через эндпоинт /classify, после чего сервер последовательно токенизирует текст, запускает классификацию для выбранных уровней, применяет пороговую фильтрацию и декодирует результаты | false | true | false | |
19,066 | 2026-02-24T15:16:16.950000Z | 2026-02-24T15:16:16.950000Z | Lec. | Запуск контейнера автоматизирован с помощью скрипта run-container.sh, который проверяет конфигурацию, собирает образ с правильным вариантом PyTorch и запускает контейнер с пробросом портов | false | true | false | |
19,065 | 2026-02-24T15:16:14.477000Z | 2026-02-24T15:16:14.477000Z | Lec. | Сборка Docker-образа включает многоэтапную установку зависимостей, условную настройку версии PyTorch (CPU/CUDA) и предварительную загрузку модели ruBERT | false | true | false | |
19,064 | 2026-02-24T15:16:11.654000Z | 2026-02-24T15:16:11.654000Z | Lec. | Запуск системы осуществляется путём создания сервера UVicorn | false | true | false | |
19,063 | 2026-02-24T15:16:09.108000Z | 2026-02-24T15:16:09.108000Z | Lec. | Система настраивается через файл config.json, в котором указаны параметры API (хост, порт) и устройство для вычислений (CPU/CUDA) | false | true | false | |
19,062 | 2026-02-24T15:16:06.465000Z | 2026-02-24T15:16:06.465000Z | Lec. | Логика предсказаний включает загрузку и адаптацию моделей через PeFT, токенизацию текстов с помощью ruBERT, генерацию предсказаний с учётом порога вероятности и декодирование кодов рубрик | false | true | false | |
19,061 | 2026-02-24T15:16:03.900000Z | 2026-02-24T15:16:03.900000Z | Lec. | API-интерфейс обеспечивает отображение прогресса обработки входных данных, поддерживает классификацию по трём уровням ГРНТИ, настройку порогов классификации и декодирование кодов в названия рубрик, используя асинхронную обработку файлов | false | true | false | |
19,060 | 2026-02-24T15:16:00.666000Z | 2026-02-24T15:16:00.666000Z | Lec. | Бэкенд-система построена на основе таких компонентов, как FastAPI в качестве основного веб-фреймворка, Docker для контейнеризации, PyTorch и Transformers для реализации ML-моделей, а также PeFT (Parameter-efficient Fine-Tuning) для их адаптации | false | true | false | |
19,059 | 2026-02-24T15:15:57.769000Z | 2026-02-24T15:15:57.769000Z | Lec. | Дополнительную информацию о возможностях и параметрах команд можно найти в документации, размещенной в репозитории проекта | false | true | false | |
19,058 | 2026-02-24T15:15:55.167000Z | 2026-02-24T15:15:55.167000Z | Lec. | Каждая команда имеет собственные аргументы и подкоманды, детали которых можно узнать через опцию --help (например, python main.py predict --help) | false | true | false | |
19,057 | 2026-02-24T15:15:52.739000Z | 2026-02-24T15:15:52.739000Z | Lec. | Server — запуск серверной части | false | true | false | |
19,056 | 2026-02-24T15:15:50.552000Z | 2026-02-24T15:15:50.552000Z | Lec. | Predict — запуск процесса предсказания | false | true | false | |
19,055 | 2026-02-24T15:15:47.746000Z | 2026-02-24T15:15:47.746000Z | Lec. | Models — настройка конфигурации моделей | false | true | false | |
19,054 | 2026-02-24T15:15:45.328000Z | 2026-02-24T15:15:45.328000Z | Lec. | Основные команды включают: | false | false | false | |
19,053 | 2026-02-24T15:15:42.619000Z | 2026-02-24T15:15:42.619000Z | Lec. | Программа поддерживает базовые функции, такие как просмотр версии (--version) и смена языка интерфейса (--lang) | false | true | false | |
19,052 | 2026-02-24T15:15:40.155000Z | 2026-02-24T15:15:40.155000Z | Lec. | Через него осуществляется управление всеми модулями приложения | false | true | false | |
19,051 | 2026-02-24T15:15:37.449000Z | 2026-02-24T15:15:37.449000Z | Lec. | Интерфейс построен с использованием библиотеки Click, а центральной точкой входа является файл main.py в корневой директории проекта | false | true | false | |
19,050 | 2026-02-24T15:15:34.958000Z | 2026-02-24T15:15:34.958000Z | Lec. | Система сообщений включает файл messages.py с шаблонами ошибок и статусных уведомлений, а также help_message.py, содержащий локализованные описания команд и аргументов на русском и английском языках | false | true | false | |
19,049 | 2026-02-24T15:15:32.459000Z | 2026-02-24T15:15:32.459000Z | Lec. | Конфигурация программы разделена на два файла: config.json хранит параметры моделей, а prog.json — глобальные настройки программы | false | true | false | |
19,048 | 2026-02-24T15:15:28.885000Z | 2026-02-24T15:15:28.885000Z | Lec. | Логика предсказаний сосредоточена в файле prediction.py, где реализована обработка входных данных, загрузка и применение ML-моделей | false | true | false | |
19,047 | 2026-02-24T15:15:26.453000Z | 2026-02-24T15:15:26.453000Z | Lec. | Он обеспечивает обработку команд пользователя через библиотеку Click, маршрутизацию вызовов к другим модулям приложения и отображение локализованных подсказок и ошибок | false | true | false | |
19,046 | 2026-02-24T15:15:23.639000Z | 2026-02-24T15:15:23.639000Z | Lec. | Основа командной строки программы реализована в файле main.py, который служит ядром интерфейса | false | true | false | |
19,045 | 2026-02-24T15:15:21.175000Z | 2026-02-24T15:15:21.175000Z | Lec. | Результатом работы модуля являются Excel-файл с полной статистикой и набор PNG-графиков, визуализирующих ключевые зависимости | true | true | false | |
19,044 | 2026-02-24T15:15:17.766000Z | 2026-02-24T15:15:17.766000Z | Lec. | Реализация модуля основана на использовании библиотеки torchmetrics для расчета метрик, поддержке многопоточной обработки данных, гибкой системе форматирования отчета и автоматическом определении оптимальных параметров классификации | false | true | false | |
19,043 | 2026-02-24T15:15:15.220000Z | 2026-02-24T15:15:15.220000Z | Lec. | Формирование отчета завершается созданием структурированного Excel-файла, включающего сводную статистику по отказам, усредненные метрики для лучших параметров, детальные метрики по каждому классу и результаты для обеих стратегий классификации | false | true | false | |
19,042 | 2026-02-24T15:15:12.519000Z | 2026-02-24T15:15:12.519000Z | Lec. | На этапе визуализации строятся графики зависимостей F1-score, Precision, Recall от параметра классификации, а также доля пустых предсказаний от порога, которые сохраняются в формате PNG | false | true | false | |
19,041 | 2026-02-24T15:15:09.998000Z | 2026-02-24T15:15:09.998000Z | Lec. | Детализированный анализ по классам включает расчет F1, Precision, Recall для каждого класса, построение матрицы ошибок (TP, FP, TN, FN), сопоставление результатов с кодами рубрик из файла JSON и их сортировку | false | true | false | |
19,040 | 2026-02-24T15:15:06.340000Z | 2026-02-24T15:15:06.340000Z | Lec. | Для каждой стратегии вычисляются F1-score (macro, micro, weighted), Precision (macro, micro, weighted), Recall (macro, micro, weighted), а также определяется оптимальное значение параметра (порога или K) | false | true | false | |
19,039 | 2026-02-24T15:15:03.802000Z | 2026-02-24T15:15:03.802000Z | Lec. | Вторая — топ-K классификация (top_k) — включает выбор K лучших классов с наибольшими значениями вероятности (K от 1 до 3) и расчет соответствующих метрик | false | true | false | |
19,038 | 2026-02-24T15:15:01.390000Z | 2026-02-24T15:15:01.390000Z | Lec. | Первая — пороговая классификация (threshold) — подразумевает расчет метрик для диапазона порогов от 0,1 до 0,95 с шагом 0,05 | false | true | false | |
19,037 | 2026-02-24T15:14:58.787000Z | 2026-02-24T15:14:58.787000Z | Lec. | Оценка качества классификации выполняется по двум стратегиям | false | true | false | |
19,036 | 2026-02-24T15:14:55.906000Z | 2026-02-24T15:14:55.906000Z | Lec. | Далее проводится предварительный анализ предсказаний: рассчитываются базовые статистики, включая среднее, минимальное и максимальное число предсказанных классов, а также количество и доля отказов классификации (значений типа «Reject») | false | true | false | |
19,035 | 2026-02-24T15:14:53.470000Z | 2026-02-24T15:14:53.470000Z | Lec. | Работа модуля начинается с инициализации отчета, при которой создается Excel-файл с помощью библиотеки xlsxwriter и настраивается форматирование ячеек | false | true | false | |
19,034 | 2026-02-24T15:14:48.464000Z | 2026-02-24T15:14:48.464000Z | Lec. | Модуль test_predictions предназначен для комплексной оценки качества предсказаний модели, анализа результатов классификации по различным метрикам, генерации отчетов в формате Excel и визуализации зависимостей показателей качества | false | true | false | |
19,033 | 2026-02-24T15:14:45.758000Z | 2026-02-24T15:14:45.758000Z | Lec. | Поддерживает стандартный интерфейс HuggingFace | false | true | false | |
19,032 | 2026-02-24T15:14:43.398000Z | 2026-02-24T15:14:43.398000Z | Lec. | Функция prepair_compute_metrics включает: | false | true | false | |
19,031 | 2026-02-24T15:14:40.966000Z | 2026-02-24T15:14:40.966000Z | Lec. | Метрики оценки | false | true | false | |
19,030 | 2026-02-24T15:14:38.431000Z | 2026-02-24T15:14:38.431000Z | Lec. | Произведено обучение лучшей модели машинного обучения на 3 уровня ГРНТИ. 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. создан постер для постерной сессии. подготовка документации для защиты проекта. проведена работа над CLI на click. реализована интеграция backend в CLI в интерфейс для развертывания приложений | false | true | false | |
19,029 | 2026-02-24T15:14:34.981000Z | 2026-02-24T15:14:34.981000Z | Lec. | Третий. 0.1. 0.001. 0.005. 0.005 | false | true | false | |
19,028 | 2026-02-24T15:14:31.967000Z | 2026-02-24T15:14:31.967000Z | Lec. | Метрики для классификатора на основе USER-bge-m3 | false | false | false | |
19,027 | 2026-02-24T15:14:29.569000Z | 2026-02-24T15:14:29.569000Z | Lec. | Со всеми рубриками (взвешенные вероятности). 0.2. 0.200. 0.200. 0.350 | false | false | false | |
19,026 | 2026-02-24T15:14:26.873000Z | 2026-02-24T15:14:26.873000Z | Lec. | С сокращенным числом рубрик. 0.5. 0.550. 0.640. 0.610 | false | false | false | |
19,025 | 2026-02-24T15:14:24.490000Z | 2026-02-24T15:14:24.490000Z | Lec. | Результаты проведения исследования по предсказанию 3-го уровня ГРНТИ | false | true | false | |
19,024 | 2026-02-24T15:14:21.591000Z | 2026-02-24T15:14:21.591000Z | Lec. | Диаграмма с параллельными координатами зависимости качества предсказания от значений | false | true | false | |
19,023 | 2026-02-24T15:14:19.253000Z | 2026-02-24T15:14:19.253000Z | Lec. | Результаты применения подхода для валидационного датасета представлены ниже (рис. 19) | false | true | false | |
19,022 | 2026-02-24T15:14:15.520000Z | 2026-02-24T15:14:15.520000Z | Lec. | Механизм распространения вероятностей: 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 .Аналогично для связи вероятностей 1-го и 2-го уровня | false | true | false | |
19,021 | 2026-02-24T15:14:12.789000Z | 2026-02-24T15:14:12.789000Z | Lec. | Для решения задачи мультиклассификации для 3-го уровня ГРНТИ был составлен тренировочный датасет:. удалены экземпляры 207 классов ГРНТИ 2-ого уровня, которые имеют <300 текстов;. удалены экземпляры датасета, текст для которых имеет <10 символов | false | true | false | |
19,020 | 2026-02-24T15:14:10.253000Z | 2026-02-24T15:14:10.253000Z | Lec. | Графики для результатов тестирования при использовании плоского классификатора (рис. 17) и иерархического (рис. 18) представлены ниже | false | true | false | |
19,019 | 2026-02-24T15:14:07.766000Z | 2026-02-24T15:14:07.766000Z | Lec. | Иерархический классификатор. 0.30. 0.42. 0.54. 0.51 | false | false | false | |
19,018 | 2026-02-24T15:14:05.002000Z | 2026-02-24T15:14:05.002000Z | Lec. | Метрики в зависимости от вида классификатора: плоский и иерархический | false | true | false | |
19,017 | 2026-02-24T15:14:02.120000Z | 2026-02-24T15:14:02.120000Z | Lec. | Иерархические классификаторы учитывают структуру взаимосвязей между классами, организованную в виде дерева (рис. 16) | false | true | false | |
19,016 | 2026-02-24T15:13:59.254000Z | 2026-02-24T15:13:59.254000Z | Lec. | При использовании плоского классификатора все классы рассматриваются как независимые и равноправные, без учета возможных взаимосвязей между ними (рис. 15) | false | true | false | |
19,015 | 2026-02-24T15:13:56.514000Z | 2026-02-24T15:13:56.514000Z | Lec. | Процесс подготовки данных для тренировки совпадает с процессом подготовки данных для плоского классификатора, но в начало текста каждой статьи добавляются названия рубрик 2-го, порядка, к которым она относится, по мнению экспертов | false | true | false | |
19,014 | 2026-02-24T15:13:53.648000Z | 2026-02-24T15:13:53.648000Z | Lec. | Для решения задачи мультиклассификации для 2-го уровня ГРНТИ был составлен тренировочный датасет:. удалены экземпляры 207 классов ГРНТИ 2-ого уровня, которые имеют <300 текстов;. удалены экземпляры датасета, текст для которых имеет <10 символов | false | true | false | |
19,013 | 2026-02-24T15:13:51.135000Z | 2026-02-24T15:13:51.135000Z | Lec. | Обучение с методом LoRA. 0.45. 0.790. 0.802. 0.800 | false | false | false | |
19,012 | 2026-02-24T15:13:48.365000Z | 2026-02-24T15:13:48.365000Z | Lec. | Обучение слоя для классификации. 0.35. 0.667. 0.710. 0.705 | false | false | false | |
19,011 | 2026-02-24T15:13:45.386000Z | 2026-02-24T15:13:45.386000Z | Lec. | Усредненные метрики для обучения только слоя классификации и только с методом LoRA | false | true | false | |
19,010 | 2026-02-24T15:13:42.662000Z | 2026-02-24T15:13:42.662000Z | Lec. | Расшифровки рядом с сокращениями. 0.5. 0.82. 0.839. 0.838 | false | false | false | |
19,009 | 2026-02-24T15:13:40.283000Z | 2026-02-24T15:13:40.283000Z | Lec. | Замена сокращений расшифровками. 0.5. 0.822. 0.84. 0.838 | false | false | false | |
19,008 | 2026-02-24T15:13:37.263000Z | 2026-02-24T15:13:37.263000Z | Lec. | Без словаря сокращений. 0.45. 0.823. 0.84. 0.839 | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.