Закончил работу в юпитере

.ipynb_checkpoints/README-checkpoint.md

@@ -0,0 +1 @@
+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.

.ipynb_checkpoints/weel4_scikit_learn2-Copy1-checkpoint.ipynb

@@ -0,0 +1,40 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "id": "dd36cef2-4feb-44ed-900e-0fa6f75d74bd",
+   "metadata": {},
+   "source": [
+    "**Цель задачи:**  \n",
+    "Продемонстрировать применение метода **Comparing anomaly detection algorithms for outlier detection on toy datasets** для обнаружения аномалий в данных на основе их локальной плотности.  \n",
+    "\n",
+    "1. **Использовать** алгоритм LOF из scikit-learn (`LocalOutlierFactor, IsolationForest, OneClassSVM, EllipticEnvelope.`).  \n",
+    "2. **Протестировать** на двух типах данных:  \n",
+    "   - **Сгенерированный датасет**: `make_moons` плюс сгенерированные вбросы. \n",
+    "   - **Реальный датасет**: annthyroid (аномалии в медицинских данных) из openml.org.  \n",
+    "3. **Сравнить** результаты работы алгоритмов (визуализация границ решений для 2D‑случая, метрики классификации), проанализировать, какие типы выбросов лучше обнаруживает каждый метод, и интерпретировать причины различий.  "
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.11.5"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}