update expander

app.py

@@ -33,25 +33,40 @@ with st.expander("Описание пайплайна работы", expanded=Tr
     st.write(
             """
                 ## Этапы разработки
-                1. Поиск и сбор данных:
-Был использован датасет из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи. (ссылка на данные [https://www.kaggle.com/datasets/fedesoriano/company-bankruptcy-prediction])
+<b><i>1. Поиск и сбор данных:</b></i>
+Был использован датасет из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи. (<a href="https://www.kaggle.com/datasets/fedesoriano/company-bankruptcy-prediction">Ссылка на данные</a>)
 
-                2. Обработка (препроцессинг):
-Удаление ненужных колонок, one hot encoding категориальных переменных, заполнение пропущенных значений. С использованием библиотек pandas, numpy, seaborn
+<b><i>2. Обработка (препроцессинг):</b></i>
+Удаление ненужных колонок, one hot encoding категориальных переменных, заполнение пропущенных значений. С использованием библиотек pandas, numpy, seaborn.
 
-                3. Анализ статистических показателей и визуализация:
-Инструменты для этого - с использованием библиотек pandas, seaborn
+<b><i>3. Анализ статистических показателей и визуализация:</b></i>
+Инструменты для этого - с использованием библиотек pandas, seaborn.
 
-                4. Выбор моделей, обучение и валидация модели с ними (без фичей):
-С использованием библиотек scikit-learn, pandas, seaborn;
+<b><i>4. Выбор моделей, обучение и валидация модели с ними (без фичей):</b></i>
+С использованием библиотек scikit-learn, pandas, seaborn.
 
-                5. Выбор моделей, обучение и валидация модели с ними (с фичами):
-С использованием библиотек scikit-learn, pandas, seaborn;
+<b><i>5. Выбор моделей, обучение и валидация модели с ними (с фичами):</b></i>
+С использованием библиотек scikit-learn, pandas, seaborn.
 
-                6. Сравнение результатов: 
-Анализ и графическое представление работы алгоритмов. При некорректной работе или плохим результатом проводится п. 4 и п. 5
+<b><i>6. Сравнение результатов:</b></i>
+Анализ и графическое представление работы алгоритмов. При некорректной работе или плохим результатом проводится п. 4 и п. 5.
 
-                7. Оформление микросервиса Streamlit:
-С использованием библиотеки streamlit 
+<b><i>7. Оформление микросервиса Streamlit:</b></i>
+С использованием библиотеки streamlit.
+            """,
+            unsafe_allow_html=True
+        )
+
+with st.expander("Описание пайплайна работы", expanded=True):
+
+    st.write(
             """
+               ## Информация о применении методов машинного обучения для бизнес-задач:
+Прогнозирование финансовой  неустойчивости – важный  компонент управления  компанией.  Из-за банкротства акционеры теряют доходы, бизнес, нарушаются цепочки поставок, фискальные органы лишаются налоговых поступлений, госорганы фиксируют снижение экономического роста и повышение социальной напряженности, а работники вынуждены искать новую работу. Поэтому получение ясной картины  финансового  и имущественного  состояния компаний уже  много  лет  является  целью специалистов самых разных областей знаний.  
+
+Компании активно внедряют современные технологии в основную деятельность, автоматизируя большое  количество  бизнес-процессов.  Это  позволяет  выстраивать,  например, электронную экспертизу,  c  помощью  которой  возможно  оперативно  объединять  множество  экспертов  из  разных предметных  областей  для  полного  охвата  рассматриваемой  проблемы  и  принятия  коллективного решения. Электронная экспертиза также подразумевает взаимодействие людей с интеллектуальными системами,  которые  способны  строить  анализ  и  прогнозы  на  основе  более  широкого  пространства переменных. Так, в частности, методы машинного обучения применяются уже в значительном количестве бизнес-задач, в том числе для интеллектуальной аналитики больших данных, которые компания аккумулирует для построения моделей прогнозирования.
+
+Однако  риски  банкротства  могут  также  возникнуть  из-за некорректного  стратегического  менеджмента.  Такой  менеджмент  подразумевает  разработку долгосрочных  целей  и  действий,  которые  позволят  достичь  более  высоких  результатов  в  будущем, например, стать лидирующей компанией в своей отрасли. Разрабатываемые при этом стратегии обычно носят амбициозный характер, поэтому цели компании в таком случае не направлены на пролонгацию сложившейся  динамики.  Правильный  анализ  стратегической  ситуации  также  важен  для прогнозирования банкротства. Существует множество методов для ее оценки, в том числе и на основе анализа больших данных.<a href="http://infosoc.iis.ru/article/view/509">Источник<a>
+            """,
+            unsafe_allow_html=True
         )