Добавлен README для Учебной практике 2.4 по scikit-learn

README.md

@@ -2,3 +2,133 @@
 
 \# Ознакомиться с базовыми принципами построения и обучения искусственных нейронных сетей на Python. Представить библиотеку scikit-learn и её возможности для построения MLP-классификаторов. Научиться применять модели на встроенных и внешних датасетах. Укрепить навыки работы в JupyterLab и визуализации результатов обучения.
 
+\# Искусственные нейронные сети: первые шаги
+
+
+
+Репозиторий содержит материалы по лабораторной работе, посвящённой базовым искусственным нейронным сетям и классификации в библиотеке scikit-learn.
+
+
+
+\## Цель работы
+
+
+
+\- Ознакомиться с базовыми принципами построения и обучения искусственных нейронных сетей на Python.
+
+\- Изучить использование `MLPClassifier` из библиотеки scikit-learn.
+
+\- Научиться применять модели машинного обучения на встроенных и внешних датасетах.
+
+\- Закрепить навыки работы в JupyterLab, Git и визуализации результатов.
+
+
+
+\## Содержимое репозитория
+
+
+
+\- `week4\_scikit\_learn.ipynb` — основной ноутбук с выполнением лабораторной работы.
+
+\- `requirements.txt` — список установленных зависимостей проекта.
+
+\- `.gitignore` — список файлов и папок, исключённых из Git.
+
+\- `README.md` — описание проекта.
+
+
+
+\## Выполненные задания
+
+
+
+\### 1. Базовая нейросеть
+
+
+
+В ноутбуке реализован пример многослойного перцептрона (`MLPClassifier`) на встроенном датасете Iris.
+
+
+
+Рассмотрены параметры:
+
+\- `hidden\_layer\_sizes=(10,)`
+
+\- `activation='relu'`
+
+\- `max\_iter=100`, `500`, `2500`
+
+
+
+Проведён анализ влияния количества итераций на сходимость модели и качество классификации.
+
+
+
+\### 2. Самостоятельное задание
+
+
+
+Для самостоятельной части выбран пример из раздела \*\*Classification\*\* официальной документации scikit-learn:
+
+
+
+\*\*Plot classification probability\*\*
+
+
+
+В работе выполнено:
+
+\- воспроизведение и адаптация примера;
+
+\- сравнение нескольких классификаторов:
+
+  - `LogisticRegression`
+
+  - `Linear SVC`
+
+  - `GaussianProcessClassifier`
+
+\- визуализация вероятностей принадлежности объектов к классам.
+
+
+
+\### 3. Работа с внешним датасетом
+
+
+
+Дополнительно выполнена классификация на внешнем датасете, загруженном через `openml`.
+
+
+
+Использованы этапы:
+
+\- загрузка данных;
+
+\- выбор числовых признаков;
+
+\- удаление пропусков;
+
+\- масштабирование данных;
+
+\- обучение модели `LogisticRegression`;
+
+\- оценка качества с помощью `classification\_report`.
+
+
+
+\## Используемые библиотеки
+
+
+
+\- scikit-learn
+
+\- matplotlib
+
+\- pandas
+
+\- openml
+
+\- jupyterlab
+
+
+