Закончил работу в юпитере

.idea/workspace.xml

@@ -5,11 +5,7 @@
   </component>
   <component name="ChangeListManager">
     <list default="true" id="3e04897b-ba7e-4a69-9cac-cf22f629b929" name="Changes" comment="">
-      <change afterPath="$PROJECT_DIR$/.idea/PythonProject4.iml" afterDir="false" />
+      <change beforePath="$PROJECT_DIR$/.idea/workspace.xml" beforeDir="false" afterPath="$PROJECT_DIR$/.idea/workspace.xml" afterDir="false" />
-      <change afterPath="$PROJECT_DIR$/.idea/inspectionProfiles/profiles_settings.xml" afterDir="false" />
-      <change afterPath="$PROJECT_DIR$/.idea/modules.xml" afterDir="false" />
-      <change afterPath="$PROJECT_DIR$/.idea/vcs.xml" afterDir="false" />
-      <change afterPath="$PROJECT_DIR$/.idea/workspace.xml" afterDir="false" />
     </list>
     <option name="SHOW_DIALOG" value="false" />
     <option name="HIGHLIGHT_CONFLICTS" value="true" />
@@ -33,7 +29,7 @@
     "RunOnceActivity.ShowReadmeOnStart": "true",
     "RunOnceActivity.TerminalTabsStorage.copyFrom.TerminalArrangementManager.252": "true",
     "RunOnceActivity.git.unshallow": "true",
-    "git-widget-placeholder": "master",
+    "git-widget-placeholder": "main",
     "last_opened_file_path": "C:/Users/PC/PycharmProjects/PythonProject4/.venv",
     "settings.editor.selected.configurable": "preferences.lookFeel"
   }

.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
+}