{"id":486182,"date":"2026-07-04T16:16:28","date_gmt":"2026-07-04T16:16:28","guid":{"rendered":"https:\/\/savepearlharbor.com\/?p=486182"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=486182","title":{"rendered":"\u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u043e\u0442\u0440\u0435\u0431\u043b\u0435\u043d\u0438\u044f \u043f\u0430\u043c\u044f\u0442\u0438 \u0432 ML-\u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435 LANCETNIC"},"content":{"rendered":"<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u041d\u0435\u043c\u043d\u043e\u0433\u043e \u043e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435 LANCETNIC<\/p>\n<figure class=\"\"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/787\/b5c\/96b\/787b5c96b722bf22ffc7042289af06f8.jpg\" alt=\"\u041b\u043e\u0433\u043e\u0442\u0438\u043f\" title=\"\u041b\u043e\u0433\u043e\u0442\u0438\u043f\" width=\"400\" height=\"400\" sizes=\"auto, (max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/upload_files\/787\/b5c\/96b\/787b5c96b722bf22ffc7042289af06f8.jpg 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/787\/b5c\/96b\/787b5c96b722bf22ffc7042289af06f8.jpg 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>\u041b\u043e\u0433\u043e\u0442\u0438\u043f<\/figcaption><\/div>\n<\/figure>\n<p> <strong>LANCETNIC<\/strong> \u044d\u0442\u043e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u043b\u044f \u043f\u043e\u0438\u0441\u043a\u0430 \u0432\u0437\u0430\u0438\u043c\u043e\u0441\u0432\u044f\u0437\u0435\u0439 \u043c\u0435\u0436\u0434\u0443 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0430\u043c\u0438 \u043e\u0431\u044a\u0435\u043a\u0442\u0430 \u0438 \u0446\u0435\u043b\u0435\u0432\u043e\u0439 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439. \u041a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f, \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044f \u0438 \u043c\u043d\u043e\u0433\u043e\u0437\u0430\u0434\u0430\u0447\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 \u0440\u0430\u0437\u043c\u0435\u0447\u0435\u043d\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445.<br \/> \u0421 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 \u043c\u043e\u0436\u043d\u043e \u0432 \u043f\u0430\u0440\u0443 \u0441\u0442\u0440\u043e\u0447\u0435\u043a \u043a\u043e\u0434\u0430 \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u0434\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u0437\u0430\u0434\u0430\u0447 \u041a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u0420\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u0438 \u0438 \u0438\u0445 \u043a\u043e\u043c\u0431\u0438\u043d\u0430\u0446\u0438\u0439.<\/p>\n<p> \u0412\u043e\u0442 GitHub \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0439 \u0434\u043b\u044f \u0442\u0435\u0445 \u043a\u0442\u043e \u0445\u043e\u0447\u0435\u0442 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u044c\u0441\u044f:<\/p>\n<p>\ud83d\udc49 <a href=\"https:\/\/github.com\/Lancet52\/lancetnic\" rel=\"noopener noreferrer nofollow\">https:\/\/github.com\/Lancet52\/lancetnic<\/a><\/p>\n<p>\u041d\u043e \u0432\u0435\u0440\u043d\u0435\u043c\u0441\u044f \u043a \u0442\u043e\u043c\u0443 \u043e \u0447\u0435\u043c \u0445\u043e\u0447\u0443 \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c. <\/p>\n<p>\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0441\u0442\u043e\u043b\u043a\u043d\u0443\u043b\u0441\u044f \u0441 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043e\u0439: \u043c\u043e\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 <code>lancetnic<\/code> \u043f\u0440\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u0435\u0440\u0435\u0433\u0440\u0443\u0436\u0430\u043b\u0430 \u043e\u043f\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c. \u041d\u0430 \u043d\u043e\u0443\u0442\u0435 \u0432 16 \u0413\u0411 RAM \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0435 \u043c\u043e\u0433\u043b\u0430 \u043e\u0431\u0443\u0447\u0438\u0442\u044c\u0441\u044f \u0434\u0430\u0436\u0435 \u043d\u0430 25 \u0442\u044b\u0441. \u0441\u0442\u0440\u043e\u043a. \u0420\u0430\u0437\u0431\u0438\u0440\u0430\u043b\u0441\u044f. \u042f \u043d\u0430\u0447\u0430\u043b \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f \u0438 \u043d\u0430\u0448\u0451\u043b \u043f\u0430\u0440\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u043a\u0440\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u043f\u0435\u0440\u0435\u0440\u0430\u0441\u0445\u043e\u0434\u0430 \u043f\u0430\u043c\u044f\u0442\u0438.  <\/p>\n<h4>\u041f\u0440\u0438\u0447\u0438\u043d\u0430 \u2116 1. \u041f\u043b\u043e\u0442\u043d\u044b\u0435 \u043c\u0430\u0442\u0440\u0438\u0446\u044b \u0432\u043c\u0435\u0441\u0442\u043e \u0440\u0430\u0437\u0440\u044f\u0436\u0435\u043d\u043d\u044b\u0445<\/h4>\n<p><code>TfidfVectorizer<\/code> (\u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0434\u043b\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445) \u0438\u0437 sklearn \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 <strong>\u0440\u0430\u0437\u0440\u0435\u0436\u0435\u043d\u043d\u0443\u044e \u043c\u0430\u0442\u0440\u0438\u0446\u0443<\/strong> (sparse).  \u041e\u043d \u0445\u0440\u0430\u043d\u0438\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043d\u0443\u043b\u0435\u0432\u044b\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f.<\/p>\n<p><code>TfidfVectorizer<\/code> \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0435\u0442 \u0432\u0435\u0441\u044c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0438 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0432\u0441\u0435 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0442\u0441\u044f \u0445\u043e\u0442\u044f \u0431\u044b \u0432 \u043e\u0434\u043d\u043e\u043c \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0438. \u0424\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0432\u0430\u0440\u044c.<\/p>\n<p>\u0414\u043b\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e\u0441\u0442\u0438 \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0441\u043f\u0430\u043c \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0439:<\/p>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u2116 \u0441\u0442\u0440\u043e\u043a\u0438<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0422\u0435\u043a\u0441\u0442<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">1<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041c\u0430\u0441\u0442\u0435\u0440 \u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430. \u041e\u0431\u0443\u0447\u0438\u043c \u043e\u0442 7000 \u0432 \u0434\u0435\u043d\u044c<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">2<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041a\u0443\u043f\u043b\u044e iPhone 15 \u043d\u0435\u0434\u043e\u0440\u043e\u0433\u043e. \u0421\u0440\u043e\u0447\u043d\u043e<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">3<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0411\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439 \u043a\u0440\u0435\u0434\u0438\u0442 \u0431\u0435\u0437 \u0441\u043f\u0440\u0430\u0432\u043e\u043a \u0437\u0430 1 \u0447\u0430\u0441<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">4<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041c\u0430\u0441\u0442\u0435\u0440 \u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430.\u041f\u0438\u0448\u0438 \u0432 \u041b\u0438\u0447\u043d\u044b\u0435 \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u044f<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>\u0412\u0435\u043a\u0442\u043e\u0440\u0430\u0439\u0437\u0435\u0440 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 \u0438\u0437 \u0432\u0441\u0435\u0433\u043e \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430: <em>\u043c\u0430\u0441\u0442\u0435\u0440, \u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430, \u043e\u0431\u0443\u0447\u0438\u043c, \u043e\u0442, 7000, \u0432, \u0434\u0435\u043d\u044c, \u043a\u0443\u043f\u043b\u044e, iphone, 15, \u043d\u0435\u0434\u043e\u0440\u043e\u0433\u043e, \u0441\u0440\u043e\u0447\u043d\u043e, \u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439, \u043a\u0440\u0435\u0434\u0438\u0442, \u0431\u0435\u0437, \u0441\u043f\u0440\u0430\u0432\u043e\u043a, \u0437\u0430, 1 \u0447\u0430\u0441, \u043f\u0438\u0448\u0438, \u043b\u0438\u0447\u043d\u044b\u0435, \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u044f<\/em> \u0438 \u0442.\u0434. \u0418\u0437 \u0432\u0441\u0435\u0433\u043e \u044d\u0442\u043e\u0433\u043e \u0444\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0432\u0430\u0440\u044c \u0432 \u0432\u0438\u0434\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u044b, \u0433\u0434\u0435 \u043a\u0430\u0436\u0434\u043e\u0435 \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0435 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442\u0441\u044f \u0432 \u0441\u0442\u0440\u043e\u043a\u0443 \u0438\u0437 \u0431\u043e\u043b\u044c\u0448\u043e\u0433\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u0447\u0438\u0441\u0435\u043b (\u043f\u043e \u043e\u0434\u043d\u043e\u043c\u0443 \u0447\u0438\u0441\u043b\u0443 \u0438\u0437 \u0441\u043b\u043e\u0432\u0430\u0440\u044f):<\/p>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u043c\u0430\u0441\u0442\u0435\u0440<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043e\u0431\u0443\u0447\u0438\u043c<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043e\u0442<\/p>\n<\/th>\n<th>\n<p align=\"left\">7000<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0432<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0434\u0435\u043d\u044c<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043a\u0443\u043f\u043b\u044e<\/p>\n<\/th>\n<th>\n<p align=\"left\">iphone<\/p>\n<\/th>\n<th>\n<p align=\"left\">15<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0441\u0440\u043e\u0447\u043d\u043e<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043a\u0440\u0435\u0434\u0438\u0442<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043f\u0438\u0448\u0438<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043b\u0438\u0447\u043d\u044b\u0435<\/p>\n<\/th>\n<th>\n<p align=\"left\">&#8230;<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">0.12<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.08<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.15<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.02<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.20<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.01<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.04<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">&#8230;<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">0.18<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.25<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.30<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.22<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">&#8230;<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">0.15<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.20<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">&#8230;<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">0.12<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.08<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>0<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">0.18<\/p>\n<\/td>\n<td>\n<p align=\"left\">0.11<\/p>\n<\/td>\n<td>\n<p align=\"left\">&#8230;<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>\u041a\u0430\u043a \u0432\u0438\u0434\u043d\u043e, \u0435\u0441\u043b\u0438 \u0441\u043b\u043e\u0432\u0430 \u043d\u0435\u0442 \u0432 \u0441\u0442\u0440\u043e\u043a\u0435 \u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0435\u0446 \u0437\u0430\u043f\u043e\u043b\u043d\u044f\u0435\u0442\u0441\u044f  \u043d\u0443\u043b\u0451\u043c. \u0427\u0435\u043c \u0431\u043e\u043b\u044c\u0448\u0435 \u0434\u0430\u0442\u0430\u0441\u0435\u0442, \u0442\u0435\u043c \u0431\u043e\u043b\u044c\u0448\u0435 \u0441\u043b\u043e\u0432 \u0438 \u0442\u0435\u043c \u0431\u043e\u043b\u044c\u0448\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u0430 (\u0441\u043b\u043e\u0432\u0430\u0440\u044c). <\/p>\n<p>\u0422\u0435\u0445\u043d\u0438\u0447\u0435\u0441\u043a\u0438<code>TfidfVectorizer<\/code> \u0441\u043e\u0437\u0434\u0430\u0451\u0442 \u043c\u0430\u0442\u0440\u0438\u0446\u0443 \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0445\u0440\u0430\u043d\u0438\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043d\u0443\u043b\u0435\u0432\u044b\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f (\u044d\u0442\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f <em>sparse<\/em> \u0438\u043b\u0438 \u0440\u0430\u0437\u0440\u0435\u0436\u0435\u043d\u043d\u0430\u044f \u043c\u0430\u0442\u0440\u0438\u0446\u0430).<\/p>\n<p>\u0412 \u043c\u043e\u0435\u043c \u043a\u043e\u0434\u0435 (\u0432 \u0432\u0435\u0440\u0441\u0438\u0438 <code>lancetnic<\/code> 4.0.0) \u043f\u0440\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u044f \u0441\u043e\u0437\u0434\u0430\u0432\u0430\u043b \u043f\u043e\u043b\u043d\u043e\u0446\u0435\u043d\u043d\u0443\u044e \u043c\u0430\u0442\u0440\u0438\u0446\u0443 \u0441 \u043d\u0443\u043b\u044f\u043c\u0438 \u0438 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b\u043e \u044d\u0442\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b\u043e \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\"># \u0412\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u044f \u0442\u0435\u043a\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445def vectorize_text(text_column, df_train, max_features):\u00a0 \u00a0 if isinstance(text_column, str):\u00a0 \u00a0 \u00a0 \u00a0 text_column = [text_column]\u00a0 \u00a0 text_encoder_list = []\u00a0 \u00a0 vectorizers = []\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 for text_col in text_column:\u00a0 \u00a0 \u00a0 \u00a0 vectorizer_text = TfidfVectorizer(max_features=max_features)        # \u0412\u043e\u0442 \u0442\u0443\u0442\u00a0 \u00a0 \u00a0 \u00a0 text_encoder = vectorizer_text.fit_transform(df_train[text_col].fillna('')).toarray()\u00a0 \u00a0 \u00a0 \u00a0 text_encoder_list.append(text_encoder)\u00a0 \u00a0 \u00a0 \u00a0 vectorizers.append(vectorizer_text)    # \u0418 \u0432\u043e\u0442 \u0442\u0443\u0442\u00a0 \u00a0 combined_text = sp.hstack(text_encoder_list).tocsr()\u00a0 \u00a0 return combined_text, vectorizers<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:87px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0418 \u0435\u0441\u043b\u0438 \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435 \u0432 5000 \u0441\u0442\u0440\u043e\u043a \u044d\u0442\u043e \u043d\u0435 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b\u043e \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u043e \u0434\u043b\u044f \u043d\u043e\u0443\u0442\u0431\u0443\u043a\u0430, \u0442\u043e \u043d\u0430 25000 \u0441\u0442\u0440\u043e\u043a \u044d\u0442\u043e \u0441\u044a\u0435\u0434\u0430\u043b\u043e \u0432\u0441\u044e \u043e\u043f\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u044d\u0442\u043e\u0439 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0431\u044b\u043b\u043e \u043f\u0440\u043e\u0441\u0442\u044b\u043c: \u044f \u0443\u0431\u0440\u0430\u043b <code>.toarray()<\/code> \u0438 \u043e\u0441\u0442\u0430\u0432\u0438\u043b \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 sparse-\u0444\u043e\u0440\u043c\u0430\u0442\u0435:<\/p>\n<pre><code class=\"python\"># \u0412\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u044f \u0442\u0435\u043a\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445def vectorize_text(text_column, df_train, max_features):\u00a0 \u00a0 if isinstance(text_column, str):\u00a0 \u00a0 \u00a0 \u00a0 text_column = [text_column]\u00a0 \u00a0 text_encoder_list = []\u00a0 \u00a0 vectorizers = []\u00a0 \u00a0 for text_col in text_column:\u00a0 \u00a0 \u00a0 \u00a0 vectorizer_text = TfidfVectorizer(max_features=max_features)        # \u0422\u0435\u043f\u0435\u0440\u044c \u0442\u0430\u043a\u00a0 \u00a0 \u00a0 \u00a0 text_encoder = vectorizer_text.fit_transform(df_train[text_col].fillna(''))\u00a0\u00a0 \u00a0 \u00a0 \u00a0 text_encoder_list.append(text_encoder)\u00a0 \u00a0 \u00a0 \u00a0 vectorizers.append(vectorizer_text)    # \u0418 \u0432\u043e\u0442 \u0442\u0430\u043a\u00a0 \u00a0 combined_text = sp.hstack(text_encoder_list).tocsr()\u00a0 \u00a0 return combined_text, vectorizers<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u041d\u0443 \u0438 \u0434\u0430\u043b\u0435\u0435 \u043f\u043e \u043a\u043e\u0434\u0443 \u0432\u0441\u0435 \u043f\u043e\u043f\u0440\u0430\u0432\u0438\u043b.<\/p>\n<h4>\u041f\u0440\u0438\u0447\u0438\u043d\u0430 \u2116 2. \u0414\u0432\u043e\u0439\u043d\u043e\u0435 \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 PyTorch Dataset<\/h4>\n<p>\u041a\u043b\u0430\u0441\u0441 <code>Dataset<\/code> \u043f\u0440\u0438 \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0438 \u0441\u0440\u0430\u0437\u0443 \u043a\u043e\u043d\u0432\u0435\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u043b \u0432\u0435\u0441\u044c \u043c\u0430\u0441\u0441\u0438\u0432 <code>X<\/code> \u0432 PyTorch-\u0442\u0435\u043d\u0437\u043e\u0440 \u0447\u0435\u0440\u0435\u0437 <code>torch.tensor(X)<\/code>.<br \/> \u041d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043a\u043e\u0434\u0430 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438:<\/p>\n<pre><code class=\"python\">class ClassifierDataset(Dataset):    def __init__(self, X, y):        # \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043a\u043e\u043f\u0438\u0438 \u0432 \u043f\u0430\u043c\u044f\u0442\u0438        self.X = torch.tensor(X, dtype=torch.float32)        self.y = torch.tensor(y, dtype=torch.long)    def __len__(self):        return len(self.X)    def __getitem__(self, idx):        return self.X[idx], self.y[idx]<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0412 \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0442\u043e\u0440 \u043a\u043b\u0430\u0441\u0441\u0430 <code>Dataset<\/code> \u043f\u0435\u0440\u0435\u0434\u0430\u0432\u0430\u043b\u0430\u0441\u044c \u043c\u0430\u0442\u0440\u0438\u0446\u0430 \u043f\u043e\u0441\u043b\u0435 TF-IDF, \u0434\u0430 \u043a \u0442\u043e\u043c\u0443 \u0436\u0435 \u0435\u0449\u0435 \u0438 \u0432 \u043f\u043e\u043b\u043d\u043e\u043c \u0432\u0438\u0434\u0435 (\u0441\u043c. \u041f\u0440\u0438\u0447\u0438\u043d\u0443 \u2116 1). \u0421\u0442\u0440\u043e\u043a\u043e\u0439 <code>self.X = torch.tensor(X, dtype=torch.float32)<\/code> \u0432\u0441\u0435 \u044d\u0442\u043e \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u043b\u043e\u0441\u044c \u0432 Pytorch \u0442\u0435\u043d\u0437\u043e\u0440. \u042d\u0442\u043e \u0441\u043e\u0437\u0434\u0430\u0432\u0430\u043b\u043e \u0432\u0442\u043e\u0440\u0443\u044e \u043a\u043e\u043f\u0438\u044e \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 \u043f\u0430\u043c\u044f\u0442\u0438. \u041f\u043e\u043b\u0443\u0447\u0430\u043b\u043e\u0441\u044c, \u0447\u0442\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u0445\u0440\u0430\u043d\u0438\u043b\u0438\u0441\u044c \u0434\u0432\u0430\u0436\u0434\u044b.<br \/> \u041d\u043e\u0432\u044b\u0439 \u043a\u043e\u0434:<\/p>\n<pre><code class=\"python\">class ClassifierDataset(Dataset):\u00a0 \u00a0 def __init__(self, X, y):\u00a0 \u00a0 \u00a0 \u00a0 self.is_sparse = sparse.issparse(X)\u00a0 \u00a0 \u00a0 \u00a0 self.X = X\u00a0 \u00a0 \u00a0 \u00a0 if not self.is_sparse:\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 self.X = torch.tensor(X, dtype=torch.float32)\u00a0 \u00a0 \u00a0 \u00a0 self.y = torch.tensor(y, dtype=torch.long)  \u00a0 \u00a0 def __len__(self):\u00a0 \u00a0 \u00a0 \u00a0 return self.X.shape[0] \u00a0 \u00a0 def __getitem__(self, idx):\u00a0 \u00a0 \u00a0 \u00a0 if self.is_sparse:\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 x = torch.tensor(self.X[idx].toarray(), dtype=torch.float32).squeeze(0)\u00a0 \u00a0 \u00a0 \u00a0 else:\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 x = self.X[idx]\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 return x, self.y[idx]<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0412 \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0442\u043e\u0440\u0435 \u043a\u043b\u0430\u0441\u0441\u0430 \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u0441\u0442\u0430\u0435\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043c\u0430\u0441\u0441\u0438\u0432 \u0438\u0437 TF-IDF. \u0410 \u0432 <code><strong>getitem<\/strong><\/code> \u044f \u0431\u0435\u0440\u0443 \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0434\u043d\u0443 \u0441\u0442\u0440\u043e\u043a\u0443 \u0438\u0437 \u043c\u0430\u0442\u0440\u0438\u0446\u044b \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u044e \u0435\u0435 \u0432 \u0442\u0435\u043d\u0437\u043e\u0440. \u0422\u0435\u043f\u0435\u0440\u044c \u0432 \u043f\u0430\u043c\u044f\u0442\u0438 \u0432 \u043a\u0430\u0436\u0434\u044b\u0439 \u043c\u043e\u043c\u0435\u043d\u0442 \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0434\u0438\u043d \u0431\u0430\u0442\u0447, \u0430 \u043d\u0435 \u0432\u0435\u0441\u044c \u0434\u0430\u0442\u0430\u0441\u0435\u0442.<\/p>\n<h4>\u0420\u0435\u0437\u044e\u043c\u0438\u0440\u0443\u044f<\/h4>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u0438 \u043d\u0430 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0441\u043b\u0430\u0431\u043e\u043c \u0436\u0435\u043b\u0435\u0437\u0435. \u042d\u0442\u043e \u043d\u0435 \u0432\u0441\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0432 \u043c\u043e\u0435\u0439 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435, \u043d\u043e \u043d\u0430 \u043e\u0434\u043d\u0443 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443 \u0441\u0442\u0430\u043b\u043e \u043c\u0435\u043d\u044c\u0448\u0435. \u0412 \u043f\u043b\u0430\u043d\u0430\u0445 \u0440\u0430\u0441\u0448\u0438\u0440\u0438\u0442\u044c \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b.<\/p>\n<p>\u0411\u0443\u0434\u0443 \u0440\u0430\u0434 \u0432\u0441\u0435\u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u043c \u043e\u0442\u0437\u044b\u0432\u0430\u043c \u0438 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u0439 \u0441\u0432\u044f\u0437\u0438. \u0417\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043d \u0447\u0442\u043e\u0431\u044b <strong>LANCETNIC<\/strong> \u043f\u0440\u043e\u0448\u0451\u043b \u043e\u0431\u043a\u0430\u0442\u043a\u0443 \u043d\u0430 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0435\u0439\u0441\u0430\u0445. \u041f\u0430\u0440\u043e\u0447\u043a\u0430 \u0442\u0430\u043a\u0438\u0445 \u0443\u0436\u0435 \u0435\u0441\u0442\u044c. \u0418 \u043e\u0434\u0438\u043d \u0438\u0437 \u043d\u0438\u0445 \u044d\u0442\u043e \u0430\u043d\u0442\u0438\u0441\u043f\u0430\u043c\u0431\u043e\u0442 (TAB) \u0434\u043b\u044f \u0442\u0435\u043b\u0435\u0433\u0438. \u041e \u043d\u0451\u043c \u044f \u043f\u0438\u0441\u0430\u043b \u0443\u0436\u0435 \u0432 \u0441\u0432\u043e\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043d\u0430 \u0425\u0430\u0431\u0440\u0435: <a href=\"https:\/\/habr.com\/ru\/articles\/1029034\/\" rel=\"noopener noreferrer nofollow\">\u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u0441\u0442\u0430\u0442\u044c\u044e<\/a><\/p>\n<p>\u041e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u044b\u0439 \u0441\u0430\u0439\u0442 <strong>LANCETNIC<\/strong>: <a href=\"https:\/\/lancetnic.ru\/%EF%BF%BC\" rel=\"noopener noreferrer nofollow\">https:\/\/lancetnic.ru\/<br \/><\/a> GitHub: <a href=\"https:\/\/github.com\/Lancet52\/lancetnic%EF%BF%BC\" rel=\"noopener noreferrer nofollow\">https:\/\/github.com\/Lancet52\/lancetnic<br \/><\/a> \u0411\u043b\u043e\u0433 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0432 \u0422\u0413: <a href=\"https:\/\/t.me\/markovstate%EF%BF%BC\" rel=\"noopener noreferrer nofollow\">https:\/\/t.me\/markovstate<br \/><\/a> \u0414\u0430\u0448\u0431\u043e\u0440\u0434 \u0430\u043d\u0442\u0438\u0441\u043f\u0430\u043c \u0431\u043e\u0442\u0430 <strong>TAB<\/strong>: <a href=\"https:\/\/tab.lancetnic.ru\/\" rel=\"noopener noreferrer nofollow\">https:\/\/tab.lancetnic.ru\/<\/a><\/p>\n<\/div>\n<p>\u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/1055588\/\">https:\/\/habr.com\/ru\/articles\/1055588\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u041d\u0435\u043c\u043d\u043e\u0433\u043e \u043e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435 LANCETNIC\u041b\u043e\u0433\u043e\u0442\u0438\u043f LANCETNIC \u044d\u0442\u043e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u043b\u044f \u043f\u043e\u0438\u0441\u043a\u0430 \u0432\u0437\u0430\u0438\u043c\u043e\u0441\u0432\u044f\u0437\u0435\u0439 \u043c\u0435\u0436\u0434\u0443 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0430\u043c\u0438 \u043e\u0431\u044a\u0435\u043a\u0442\u0430 \u0438 \u0446\u0435\u043b\u0435\u0432\u043e\u0439 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439. \u041a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f, \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044f \u0438 \u043c\u043d\u043e\u0433\u043e\u0437\u0430\u0434\u0430\u0447\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 \u0440\u0430\u0437\u043c\u0435\u0447\u0435\u043d\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445. \u0421 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 \u043c\u043e\u0436\u043d\u043e \u0432 \u043f\u0430\u0440\u0443 \u0441\u0442\u0440\u043e\u0447\u0435\u043a \u043a\u043e\u0434\u0430 \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u0434\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u0437\u0430\u0434\u0430\u0447 \u041a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438, \u0420\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u0438 \u0438 \u0438\u0445 \u043a\u043e\u043c\u0431\u0438\u043d\u0430\u0446\u0438\u0439. \u0412\u043e\u0442 GitHub \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0439 \u0434\u043b\u044f \u0442\u0435\u0445 \u043a\u0442\u043e \u0445\u043e\u0447\u0435\u0442 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u044c\u0441\u044f:\ud83d\udc49 https:\/\/github.com\/Lancet52\/lancetnic\u041d\u043e \u0432\u0435\u0440\u043d\u0435\u043c\u0441\u044f \u043a \u0442\u043e\u043c\u0443 \u043e \u0447\u0435\u043c \u0445\u043e\u0447\u0443 \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c. \u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0441\u0442\u043e\u043b\u043a\u043d\u0443\u043b\u0441\u044f \u0441 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043e\u0439: \u043c\u043e\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 lancetnic \u043f\u0440\u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u0435\u0440\u0435\u0433\u0440\u0443\u0436\u0430\u043b\u0430 \u043e\u043f\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c. \u041d\u0430 \u043d\u043e\u0443\u0442\u0435 \u0432 16 \u0413\u0411 RAM \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0435 \u043c\u043e\u0433\u043b\u0430 \u043e\u0431\u0443\u0447\u0438\u0442\u044c\u0441\u044f \u0434\u0430\u0436\u0435 \u043d\u0430 25 \u0442\u044b\u0441. \u0441\u0442\u0440\u043e\u043a. \u0420\u0430\u0437\u0431\u0438\u0440\u0430\u043b\u0441\u044f. \u042f \u043d\u0430\u0447\u0430\u043b \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f \u0438 \u043d\u0430\u0448\u0451\u043b \u043f\u0430\u0440\u0443 \u043f\u0440\u0438\u0447\u0438\u043d \u043a\u0440\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u043f\u0435\u0440\u0435\u0440\u0430\u0441\u0445\u043e\u0434\u0430 \u043f\u0430\u043c\u044f\u0442\u0438.  \u041f\u0440\u0438\u0447\u0438\u043d\u0430 \u2116 1. \u041f\u043b\u043e\u0442\u043d\u044b\u0435 \u043c\u0430\u0442\u0440\u0438\u0446\u044b \u0432\u043c\u0435\u0441\u0442\u043e \u0440\u0430\u0437\u0440\u044f\u0436\u0435\u043d\u043d\u044b\u0445TfidfVectorizer (\u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0434\u043b\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445) \u0438\u0437 sklearn \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0440\u0430\u0437\u0440\u0435\u0436\u0435\u043d\u043d\u0443\u044e \u043c\u0430\u0442\u0440\u0438\u0446\u0443 (sparse).  \u041e\u043d \u0445\u0440\u0430\u043d\u0438\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043d\u0443\u043b\u0435\u0432\u044b\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f.TfidfVectorizer \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0435\u0442 \u0432\u0435\u0441\u044c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0438 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0432\u0441\u0435 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u044e\u0442\u0441\u044f \u0445\u043e\u0442\u044f \u0431\u044b \u0432 \u043e\u0434\u043d\u043e\u043c \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0438. \u0424\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0432\u0430\u0440\u044c.\u0414\u043b\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e\u0441\u0442\u0438 \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0441\u043f\u0430\u043c \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0439:\u2116 \u0441\u0442\u0440\u043e\u043a\u0438\u0422\u0435\u043a\u0441\u04421\u041c\u0430\u0441\u0442\u0435\u0440 \u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430. \u041e\u0431\u0443\u0447\u0438\u043c \u043e\u0442 7000 \u0432 \u0434\u0435\u043d\u044c2\u041a\u0443\u043f\u043b\u044e iPhone 15 \u043d\u0435\u0434\u043e\u0440\u043e\u0433\u043e. \u0421\u0440\u043e\u0447\u043d\u043e3\u0411\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439 \u043a\u0440\u0435\u0434\u0438\u0442 \u0431\u0435\u0437 \u0441\u043f\u0440\u0430\u0432\u043e\u043a \u0437\u0430 1 \u0447\u0430\u04414\u041c\u0430\u0441\u0442\u0435\u0440 \u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430.\u041f\u0438\u0448\u0438 \u0432 \u041b\u0438\u0447\u043d\u044b\u0435 \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u044f\u0412\u0435\u043a\u0442\u043e\u0440\u0430\u0439\u0437\u0435\u0440 \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u043e\u0432\u0430 \u0438\u0437 \u0432\u0441\u0435\u0433\u043e \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430: \u043c\u0430\u0441\u0442\u0435\u0440, \u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430, \u043e\u0431\u0443\u0447\u0438\u043c, \u043e\u0442, 7000, \u0432, \u0434\u0435\u043d\u044c, \u043a\u0443\u043f\u043b\u044e, iphone, 15, \u043d\u0435\u0434\u043e\u0440\u043e\u0433\u043e, \u0441\u0440\u043e\u0447\u043d\u043e, \u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439, \u043a\u0440\u0435\u0434\u0438\u0442, \u0431\u0435\u0437, \u0441\u043f\u0440\u0430\u0432\u043e\u043a, \u0437\u0430, 1 \u0447\u0430\u0441, \u043f\u0438\u0448\u0438, \u043b\u0438\u0447\u043d\u044b\u0435, \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u044f \u0438 \u0442.\u0434. \u0418\u0437 \u0432\u0441\u0435\u0433\u043e \u044d\u0442\u043e\u0433\u043e \u0444\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0432\u0430\u0440\u044c \u0432 \u0432\u0438\u0434\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u044b, \u0433\u0434\u0435 \u043a\u0430\u0436\u0434\u043e\u0435 \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0435 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442\u0441\u044f \u0432 \u0441\u0442\u0440\u043e\u043a\u0443 \u0438\u0437 \u0431\u043e\u043b\u044c\u0448\u043e\u0433\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u0447\u0438\u0441\u0435\u043b (\u043f\u043e \u043e\u0434\u043d\u043e\u043c\u0443 \u0447\u0438\u0441\u043b\u0443 \u0438\u0437 \u0441\u043b\u043e\u0432\u0430\u0440\u044f):\u043c\u0430\u0441\u0442\u0435\u0440\u043c\u0430\u043d\u0438\u043a\u044e\u0440\u0430\u043e\u0431\u0443\u0447\u0438\u043c\u043e\u04427000\u0432\u0434\u0435\u043d\u044c\u043a\u0443\u043f\u043b\u044eiphone15\u0441\u0440\u043e\u0447\u043d\u043e\u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439\u043a\u0440\u0435\u0434\u0438\u0442\u043f\u0438\u0448\u0438\u043b\u0438\u0447\u043d\u044b\u0435&#8230;0.120.080.150.020.200.010.0400000000&#8230;00000000.180.250.300.220000&#8230;000000000000.150.2000&#8230;0.120.08000000000000.180.11&#8230;\u041a\u0430\u043a \u0432\u0438\u0434\u043d\u043e, \u0435\u0441\u043b\u0438 \u0441\u043b\u043e\u0432\u0430 \u043d\u0435\u0442 \u0432 \u0441\u0442\u0440\u043e\u043a\u0435 \u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0435\u0446 \u0437\u0430\u043f\u043e\u043b\u043d\u044f\u0435\u0442\u0441\u044f  \u043d\u0443\u043b\u0451\u043c. \u0427\u0435\u043c \u0431\u043e\u043b\u044c\u0448\u0435 \u0434\u0430\u0442\u0430\u0441\u0435\u0442, \u0442\u0435\u043c \u0431\u043e\u043b\u044c\u0448\u0435 \u0441\u043b\u043e\u0432 \u0438 \u0442\u0435\u043c \u0431\u043e\u043b\u044c\u0448\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u0430 (\u0441\u043b\u043e\u0432\u0430\u0440\u044c). \u0422\u0435\u0445\u043d\u0438\u0447\u0435\u0441\u043a\u0438TfidfVectorizer \u0441\u043e\u0437\u0434\u0430\u0451\u0442 \u043c\u0430\u0442\u0440\u0438\u0446\u0443 \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0445\u0440\u0430\u043d\u0438\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043d\u0443\u043b\u0435\u0432\u044b\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f (\u044d\u0442\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f sparse \u0438\u043b\u0438 \u0440\u0430\u0437\u0440\u0435\u0436\u0435\u043d\u043d\u0430\u044f \u043c\u0430\u0442\u0440\u0438\u0446\u0430).\u0412 \u043c\u043e\u0435\u043c \u043a\u043e\u0434\u0435 (\u0432 \u0432\u0435\u0440\u0441\u0438\u0438 lancetnic 4.0.0) \u043f\u0440\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u044f \u0441\u043e\u0437\u0434\u0430\u0432\u0430\u043b \u043f\u043e\u043b\u043d\u043e\u0446\u0435\u043d\u043d\u0443\u044e \u043c\u0430\u0442\u0440\u0438\u0446\u0443 \u0441 \u043d\u0443\u043b\u044f\u043c\u0438 \u0438 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b\u043e \u044d\u0442\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b\u043e \u0442\u0430\u043a:# \u0412\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u044f \u0442\u0435\u043a\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445def vectorize_text(text_column, df_train, max_features):\u00a0 \u00a0 if isinstance(text_column, str):\u00a0 \u00a0 \u00a0 \u00a0 text_column = [text_column]\u00a0 \u00a0 text_encoder_list = []\u00a0 \u00a0 vectorizers = []\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 for text_col in text_column:\u00a0 \u00a0 \u00a0 \u00a0 vectorizer_text = TfidfVectorizer(max_features=max_features)        # \u0412\u043e\u0442 \u0442\u0443\u0442\u00a0 \u00a0 \u00a0 \u00a0 text_encoder = vectorizer_text.fit_transform(df_train[text_col].fillna(&#187;)).toarray()\u00a0 \u00a0 \u00a0 \u00a0 text_encoder_list.append(text_encoder)\u00a0 \u00a0 \u00a0 \u00a0 vectorizers.append(vectorizer_text)    # \u0418 \u0432\u043e\u0442 \u0442\u0443\u0442\u00a0 \u00a0 combined_text = sp.hstack(text_encoder_list).tocsr()\u00a0 \u00a0 return combined_text, vectorizers\u0418 \u0435\u0441\u043b\u0438 \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435 \u0432 5000 \u0441\u0442\u0440\u043e\u043a \u044d\u0442\u043e \u043d\u0435 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b\u043e \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u043e \u0434\u043b\u044f \u043d\u043e\u0443\u0442\u0431\u0443\u043a\u0430, \u0442\u043e \u043d\u0430 25000 \u0441\u0442\u0440\u043e\u043a \u044d\u0442\u043e \u0441\u044a\u0435\u0434\u0430\u043b\u043e \u0432\u0441\u044e \u043e\u043f\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u044d\u0442\u043e\u0439 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0431\u044b\u043b\u043e \u043f\u0440\u043e\u0441\u0442\u044b\u043c: \u044f \u0443\u0431\u0440\u0430\u043b .toarray() \u0438 \u043e\u0441\u0442\u0430\u0432\u0438\u043b \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 sparse-\u0444\u043e\u0440\u043c\u0430\u0442\u0435:# \u0412\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u044f \u0442\u0435\u043a\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445def vectorize_text(text_column, df_train, max_features):\u00a0 \u00a0 if isinstance(text_column, str):\u00a0 \u00a0 \u00a0 \u00a0 text_column = [text_column]\u00a0 \u00a0 text_encoder_list = []\u00a0 \u00a0 vectorizers = []\u00a0 \u00a0 for text_col in text_column:\u00a0 \u00a0 \u00a0 \u00a0 vectorizer_text = TfidfVectorizer(max_features=max_features)        # \u0422\u0435\u043f\u0435\u0440\u044c \u0442\u0430\u043a\u00a0 \u00a0 \u00a0 \u00a0 text_encoder = vectorizer_text.fit_transform(df_train[text_col].fillna(&#187;))\u00a0\u00a0 \u00a0 \u00a0 \u00a0 text_encoder_list.append(text_encoder)\u00a0 \u00a0 \u00a0 \u00a0 vectorizers.append(vectorizer_text)    # \u0418 \u0432\u043e\u0442 \u0442\u0430\u043a\u00a0 \u00a0 combined_text = sp.hstack(text_encoder_list).tocsr()\u00a0 \u00a0 return combined_text, vectorizers\u041d\u0443 \u0438 \u0434\u0430\u043b\u0435\u0435 \u043f\u043e \u043a\u043e\u0434\u0443 \u0432\u0441\u0435 \u043f\u043e\u043f\u0440\u0430\u0432\u0438\u043b.\u041f\u0440\u0438\u0447\u0438\u043d\u0430 \u2116 2. \u0414\u0432\u043e\u0439\u043d\u043e\u0435 \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 PyTorch Dataset\u041a\u043b\u0430\u0441\u0441 Dataset \u043f\u0440\u0438 \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0438 \u0441\u0440\u0430\u0437\u0443 \u043a\u043e\u043d\u0432\u0435\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u043b \u0432\u0435\u0441\u044c \u043c\u0430\u0441\u0441\u0438\u0432 X \u0432 PyTorch-\u0442\u0435\u043d\u0437\u043e\u0440 \u0447\u0435\u0440\u0435\u0437 torch.tensor(X). \u041d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043a\u043e\u0434\u0430 \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438:class ClassifierDataset(Dataset):    def __init__(self, X, y):        # \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043a\u043e\u043f\u0438\u0438 \u0432 \u043f\u0430\u043c\u044f\u0442\u0438        self.X = torch.tensor(X, dtype=torch.float32)        self.y = torch.tensor(y, dtype=torch.long)    def __len__(self):        return len(self.X)    def __getitem__(self, idx):        return self.X[idx], self.y[idx]\u0412 \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0442\u043e\u0440 \u043a\u043b\u0430\u0441\u0441\u0430 Dataset \u043f\u0435\u0440\u0435\u0434\u0430\u0432\u0430\u043b\u0430\u0441\u044c \u043c\u0430\u0442\u0440\u0438\u0446\u0430 \u043f\u043e\u0441\u043b\u0435 TF-IDF, \u0434\u0430 \u043a \u0442\u043e\u043c\u0443 \u0436\u0435 \u0435\u0449\u0435 \u0438 \u0432 \u043f\u043e\u043b\u043d\u043e\u043c \u0432\u0438\u0434\u0435 (\u0441\u043c. \u041f\u0440\u0438\u0447\u0438\u043d\u0443 \u2116 1). \u0421\u0442\u0440\u043e\u043a\u043e\u0439 self.X = torch.tensor(X, dtype=torch.float32) \u0432\u0441\u0435 \u044d\u0442\u043e \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u043b\u043e\u0441\u044c \u0432 Pytorch \u0442\u0435\u043d\u0437\u043e\u0440. \u042d\u0442\u043e \u0441\u043e\u0437\u0434\u0430\u0432\u0430\u043b\u043e \u0432\u0442\u043e\u0440\u0443\u044e \u043a\u043e\u043f\u0438\u044e \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 \u043f\u0430\u043c\u044f\u0442\u0438. \u041f\u043e\u043b\u0443\u0447\u0430\u043b\u043e\u0441\u044c, \u0447\u0442\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u0445\u0440\u0430\u043d\u0438\u043b\u0438\u0441\u044c \u0434\u0432\u0430\u0436\u0434\u044b. \u041d\u043e\u0432\u044b\u0439 \u043a\u043e\u0434:class ClassifierDataset(Dataset):\u00a0 \u00a0 def __init__(self, X, y):\u00a0 \u00a0 \u00a0 \u00a0 self.is_sparse = sparse.issparse(X)\u00a0 \u00a0 \u00a0 \u00a0 self.X = X\u00a0 \u00a0 \u00a0 \u00a0 if not self.is_sparse:\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 self.X = torch.tensor(X, dtype=torch.float32)\u00a0 \u00a0 \u00a0 \u00a0 self.y = torch.tensor(y, dtype=torch.long)  \u00a0 \u00a0 def __len__(self):\u00a0 \u00a0 \u00a0 \u00a0 return self.X.shape[0] \u00a0 \u00a0 def __getitem__(self, idx):\u00a0 \u00a0 \u00a0 \u00a0 if self.is_sparse:\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 x = torch.tensor(self.X[idx].toarray(), dtype=torch.float32).squeeze(0)\u00a0 \u00a0 \u00a0 \u00a0 else:\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 x = self.X[idx]\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 return x, self.y[idx]\u0412 \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0442\u043e\u0440\u0435 \u043a\u043b\u0430\u0441\u0441\u0430 \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u0441\u0442\u0430\u0435\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043c\u0430\u0441\u0441\u0438\u0432 \u0438\u0437 TF-IDF. \u0410 \u0432 getitem \u044f \u0431\u0435\u0440\u0443 \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0434\u043d\u0443 \u0441\u0442\u0440\u043e\u043a\u0443 \u0438\u0437 \u043c\u0430\u0442\u0440\u0438\u0446\u044b \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u044e \u0435\u0435 \u0432 \u0442\u0435\u043d\u0437\u043e\u0440. \u0422\u0435\u043f\u0435\u0440\u044c \u0432 \u043f\u0430\u043c\u044f\u0442\u0438 \u0432 \u043a\u0430\u0436\u0434\u044b\u0439 \u043c\u043e\u043c\u0435\u043d\u0442 \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0434\u0438\u043d \u0431\u0430\u0442\u0447, \u0430 \u043d\u0435 \u0432\u0435\u0441\u044c \u0434\u0430\u0442\u0430\u0441\u0435\u0442.\u0420\u0435\u0437\u044e\u043c\u0438\u0440\u0443\u044f\u0422\u0435\u043f\u0435\u0440\u044c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u0438 \u043d\u0430 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0441\u043b\u0430\u0431\u043e\u043c \u0436\u0435\u043b\u0435\u0437\u0435. \u042d\u0442\u043e \u043d\u0435 \u0432\u0441\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0432 \u043c\u043e\u0435\u0439 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0435, \u043d\u043e \u043d\u0430 \u043e\u0434\u043d\u0443 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443 \u0441\u0442\u0430\u043b\u043e \u043c\u0435\u043d\u044c\u0448\u0435. \u0412 \u043f\u043b\u0430\u043d\u0430\u0445 \u0440\u0430\u0441\u0448\u0438\u0440\u0438\u0442\u044c \u0444\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b.\u0411\u0443\u0434\u0443 \u0440\u0430\u0434 \u0432\u0441\u0435\u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u043c \u043e\u0442\u0437\u044b\u0432\u0430\u043c \u0438 \u043e\u0431\u0440\u0430\u0442\u043d\u043e\u0439 \u0441\u0432\u044f\u0437\u0438. \u0417\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043d \u0447\u0442\u043e\u0431\u044b LANCETNIC \u043f\u0440\u043e\u0448\u0451\u043b \u043e\u0431\u043a\u0430\u0442\u043a\u0443 \u043d\u0430 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0435\u0439\u0441\u0430\u0445. \u041f\u0430\u0440\u043e\u0447\u043a\u0430 \u0442\u0430\u043a\u0438\u0445 \u0443\u0436\u0435 \u0435\u0441\u0442\u044c. \u0418 \u043e\u0434\u0438\u043d \u0438\u0437 \u043d\u0438\u0445 \u044d\u0442\u043e \u0430\u043d\u0442\u0438\u0441\u043f\u0430\u043c\u0431\u043e\u0442 (TAB) \u0434\u043b\u044f \u0442\u0435\u043b\u0435\u0433\u0438. \u041e \u043d\u0451\u043c \u044f \u043f\u0438\u0441\u0430\u043b \u0443\u0436\u0435 \u0432 \u0441\u0432\u043e\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043d\u0430 \u0425\u0430\u0431\u0440\u0435: \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u0441\u0442\u0430\u0442\u044c\u044e\u041e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u044b\u0439 \u0441\u0430\u0439\u0442 LANCETNIC: https:\/\/lancetnic.ru\/ GitHub: https:\/\/github.com\/Lancet52\/lancetnic \u0411\u043b\u043e\u0433 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0432 \u0422\u0413: https:\/\/t.me\/markovstate \u0414\u0430\u0448\u0431\u043e\u0440\u0434 \u0430\u043d\u0442\u0438\u0441\u043f\u0430\u043c \u0431\u043e\u0442\u0430 TAB: https:\/\/tab.lancetnic.ru\/ \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 https:\/\/habr.com\/ru\/articles\/1055588\/<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-486182","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/486182","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=486182"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/486182\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=486182"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=486182"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=486182"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}