Блог Степана Тимощука

МЖСО-1. Практическое задание №7. Темы текстов - финал Кубка Гагарина, последний матч, поражение Трактора Текст 1: Текст 2:  Прокомментируйте - насколько на ваш взгляд модель текста точно отражает содержание текстов? А word cloud? По какой методике легче определять тематику текстов? Модель текста word cloud точно передает смысл и понятна для восприятия. Особенно это заметно в первом тексте. Сразу выделяются слова «трактор», «локомотив», «кубок», «гагарина», «челябинск», «финал», «проиграли» и «выиграли». Становится ясно, что речь идет о спортивном матче и какие команды участвовали. Модель topic modelling выделила слова: трактор, локомотив, кубок, гагарина, по которым тоже можно понять о чем идет речь в текстах, но word cloud дает более подробный вариант анализа. Поэтому я выберу ее, она для меня оказалась лучше. 

 Практическое задание №5. 1) Сравните результаты из MDS-модели и Image Grid. Есть ли между ними разница? Если да, то какая модель на ваш взгляд точнее. В Image Grid прослеживается некая логика и сходство в объединении изображений. Например, несколько спорткаров сгруппированы вместе, а фото старой «лады» стоит отдельно. Это понятно: она единственная старая машина среди всех. Однако у меня остались вопросы по другим распределениям авто. В MDS-модели все стало еще точнее. Спортивные автомобили объединены в одну группу, отдельно выделена Лада, а внедорожники сгруппированы вместе, особенно два схожих китайских авто. Синий фон, как я понял, символизирует общую тематику автомобилей, которую я и выбрал. Для меня MDS-модель показалась более точной.  2) Опишите, что за фото вы брали для анализа. Почему, на ваш взгляд, они разделились именно на такие группы? Согласны ли вы с такой логикой разделения? Я взял обычные фото автомобилей: спорткаров, двух моделей лада, внедорожников и еще неск...

https://rsport.ria.ru/20250406/khokkey-2009700408.html  https://www.gazeta.ru/sport/2025/04/06/20817164.shtml  https://www.championat.com/hockey/article-5964726-ovechkin-pobil-rekord-gretcki-po-golam-v-nhl-chto-proishodilo-na-ldu-posle-895-go-gola-kommentarii-gretcki-ovechkina-semi-ovi.html  https://kursdela.biz/news/2025-04-07/aleksandr-ovechkin-pobil-vechnyy-rekord-ueyna-grettski-po-golam-v-nhl-5363164?utm_source=yxnews&utm_medium=desktop&utm_referrer=https%3A%2F%2Fdzen.ru%2Fnews%2Fsearch  https://life.ru/p/1741730?utm_source=yxnews&utm_medium=desktop&utm_referrer=https%3A%2F%2Fdzen.ru%2Fnews%2Fsearch https://www.sovsport.ru/hockey/articles/rekord-ovechkina-ne-pobyut-aleks-budet-na-vershine-i-vot-pochemu?utm_source=yxnews&utm_medium=desktop&utm_referrer=https%3A%2F%2Fdzen.ru%2Fnews%2Fsearch https://v-pravda.ru/2025/04/07/ura-aleksandr-ovechkin-pobil-vechnyj-rekord-uejna-gretcki/?utm_source=yxnews&utm_medium=desktop&utm_referrer=https...

1) Сравните результаты из кластеризации, Image Grid и алгоритма t-SNE. Есть ли между ними разница? Если да, то какая модель на ваш взгляд точнее. Все три модели, в целом, успешно справились с классификацией этих изображений и правильно их выстроили. Однако в кластеризации виды Венеции почему-то оказались в отдельном кластере от видов Лондона и домов, хотя они очень похожи. Мне больше всего понравилась модель t-SNE, так как она, на мой взгляд, наиболее точно определила классификацию изображений. 2) Опишите, что за фото вы брали для анализа. Почему, на ваш взгляд, они разделились именно на такие группы? Согласны ли вы с такой логикой разделения? Я выбрал несколько фотографий, связанных с разными темами: баскетбол, бегуны, городские пейзажи, разнообразные дома и автомобили. Как я и ожидал, модели правильно расположили все похожие изображения.

Практическое задание №3. Eye-tracking анализ информации.  Я решил взять за анализ креативную рекламу. Сначала я обратил внимание на руку женщины, потому что она была достаточно странная, программа это сразу показала. После я посмотрел на небольшие детали: баскетбольный мяч, джойстик, теннисную ракетку, программа этого не заметила. Но в большинстве своем программа правильно показывала, куда я смотрел и на что обращал внимание. Вне поля моего зрения остался сам продукт, мазь. Я заметил ее только при повторном просмотре. Здесь мой взгляд упал на первого мужчину, я осмотрел его, и программа это показала, дальше мой взгляд пошел на его голову и второго мужчину. Осталось вне поля зрения — сам дом, зелень в правом углу и значки снизу. На этой картинке интуитивное движение взгляда полностью совпало с программой. На этой картинке сперва мой взгляд привлекла одежда мужчины, куртка, кроссовки, и только потом холодильник и надпись. Осталось без внимания надпись снизу. Движение моего взгляда пр...

 1. GW79+52P Лондон, Великобритания 51°30'46.7"N 0°04'56.7"W   2. C8MQ+8V3 Венеция, Италия 45°25'59.8"N 12°20'22.8"E 3. GV3J+GHQ Лондон, Великобритания 51°30'13.8"N 0°07'06.6"W 4. C8RM+4C6 Венеция, Италия 45°26'25.0"N 12°20'00.7"E 5. C8MQ+JJ9 Венеция, Италия 45°26'02.6"N 12°20'20.8"E