Merge pull request #2 from d3phys/fix-typos

Fix typos

README.rst

@@ -14,8 +14,8 @@ Machine Learning Seminars
 - `Почта для связи. <[email protected]>`_
 - `Группа в тг 2024. <https://t.me/+IDTQVoUaqatmNGYy>`_
 
-Осений семестр
-==============
+Осенний семестр
+===============
 
 Курсовое домашнее задание:
 --------------------------
@@ -35,11 +35,11 @@ Machine Learning Seminars
     - Выполнить препроцесинг данных:
         - Преобразовать категориальные признаки в вещественные.
         - Отнормировать признаки.
-    - Провести эксперимент для предложеных методов:
+    - Провести эксперимент для предложенных методов:
         - Выполнить подбор гиперпараметров.
         - Подобрать регуляризаторы.
         - Получить итоговые модели.
-    - Описать полученые результаты:
+    - Описать полученные результаты:
         - Какая модель лучше и почему.
         - С какими проблемами столкнулись во время выполнения, возможно недочеты стандартных библиотек.
         - Совпадают ли полученные результаты с ожидаемыми результатами.
@@ -70,23 +70,23 @@ Machine Learning Seminars
 Вводный семинар
 ************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem1/main.ipynb>`_:
-    - Теореотическая часть:
+    - Теоретическая часть:
         - Общие идеи оптимизации, функции ошибки и тд.
     - Практическая часть:
         - При помощи sklearn показать пример Ирисов Фишера.
         - Понятие модели алгоритмов, алгоритм обучения, процесс оптимизации для конкретной задачи.
         - Переход от бинарной к многоклассовой.
-        - Переобучение. Борьба с переобучениям (начало).
+        - Переобучение. Борьба с переобучением (начало).
         - Немного о типах задач машинного обучения: прикладные и исследовательские
 - Домашнее задание:
-    - В задаче по переходу от бинарной классификации к многоклассовой добавить константу и скорректировать соответстветсвующие разделяющие гиперплоскости.
-    - Подсказка: в LogisticRegresion нужно добавить специальный параметр fit_intercept=False, чтобы внутри черного ящика своя константта не добавлялась(влият на результат).
+    - В задаче по переходу от бинарной классификации к многоклассовой добавить константу и скорректировать соответствующие разделяющие гиперплоскости.
+    - Подсказка: в LogisticRegresion нужно добавить специальный параметр fit_intercept=False, чтобы внутри черного ящика своя константа не добавлялась(влияет на результат).
 
 
 Линейные методы классификации и регрессии: метод стохастического градиента
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem2/main.ipynb>`_:
-    - Теореотическая часть:
+    - Теоретическая часть:
         - Анализ стохастического градиента на сходимость.
         - Задача линейной регрессии, МНК в общем случае.
         - Постановка задачи линейной регрессии через правдоподобие, вероятностные предположения о данных + регуляризаций.
@@ -104,14 +104,14 @@ Machine Learning Seminars
 Нейронные сети: Autograd
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem3/main.ipynb>`_:
-    - Теореотическая часть:
-        - Автоматическое диференцирование.
+    - Теоретическая часть:
+        - Автоматическое дифференцирование.
     - Практическая часть:
         - Разбор домашнего задания.
         - Построение простой нейросетевой модели: многослойный персептрон.
         - Обучение персептрона на выборке MNIST.
         - Подбор гиперпараметров модели.
-        - Пррореживание сетей (без кода, только графики).
+        - Прореживание сетей (без кода, только графики).
 - Домашнее задание:
     - Проделать то, что было на семинаре для выборки FashionMnist: подбор гиперпараметров модели (выполнить более подробно чем на семинаре), также провести анализ полученных результатов.
     - Указать какие минусы вы увидели в подборе гиперпараметров на семинаре (их как минимум 3).
@@ -149,14 +149,14 @@ Machine Learning Seminars
         - Многомерная линейная регрессия.
         - Сингулярное разложение.
         - Регуляризация для многомерной регрессии: используя SVD.
-        - Зависимость качества аппроксимации от числа обусловлености.
+        - Зависимость качества аппроксимации от числа обусловленности.
         - Метод главных компонент: визуализация MNIST.
         - Метод главных компонент: для изображений.
 - Домашнее задание:
     - Доказать лемму из семинара.
-    - Для синтетически сгенерированной выборки  (beta=2, mu=0.01) построить график зависимости качества аппроксимации контрольной вбыорки от коэффициента регуляризации. Сравнить скорость работы в случае использования SVD разложения и без него. 
+    - Для синтетически сгенерированной выборки  (beta=2, mu=0.01) построить график зависимости качества аппроксимации контрольной выборки от коэффициента регуляризации. Сравнить скорость работы в случае использования SVD разложения и без него. 
 
-Нелинейная регрессия. Обощенные линейные модели. Нестандартные функции потерь.
+Нелинейная регрессия. Обобщенные линейные модели. Нестандартные функции потерь.
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem7/main.ipynb>`_:
     - Практическая часть:
@@ -172,7 +172,7 @@ Machine Learning Seminars
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem8/main.ipynb>`_:
     - Практическая часть:
-        - Оценка качества моделе: внешний и внутрений критерии.
+        - Оценка качества моделей: внешний и внутренний критерии.
         - Отбор признаков: полный перебор, алгоритм Add, алгоритм Add-Del.
         - Качество классификации: Precision, Recall.
         - Пример задачи information retrieval.
@@ -186,27 +186,27 @@ Machine Learning Seminars
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem9/main.ipynb>`_:
     - Практическая часть:
         - Логический классификатор реализация.
-        - Примеры задач для решения логичеким классификатором.
+        - Примеры задач для решения логическим классификатором.
         - Критерии информативности.
         - Решающий список, простая реализация.
         - Решающее дерево.
         - Случайный лес.
 - Домашнее задание:
-    - в реализованый метод построение логистического классификатора добавить возможность оптимизации по критерию Джини.
+    - в реализованный метод построение логистического классификатора добавить возможность оптимизации по критерию Джини.
 
 Поиск ассоциативных правил.
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem10/main.ipynb>`_:
     - Практическая часть:
         - Постановка задачи ассоциативных правил.
-        - Синтетичекий пример.
+        - Синтетический пример.
         - Пример реальных данных из kaggle.
         - Алгоритм APriory.
         - Алгоритм FP-growth.
         - Обобщение для вещественных данных.
         - Обобщенные ассоциативные правила.
 - Домашнее задание:
-    - выполнить анализ ассоциативных правил, которые получены алгоримом FP-growth. Расмоттреть только те правила, которые содержат более 3 элементов
+    - выполнить анализ ассоциативных правил, которые получены алгоритмом FP-growth. Рассмотреть только те правила, которые содержат более 3 элементов
 
 Композиции классификаторов.
 *******************************************************************************
@@ -237,8 +237,8 @@ Machine Learning Seminars
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem13/main.ipynb>`_:
     - Практическая часть:
         - Принцип максимума правдоподобия: визуализация.
-        - Востановление плотности по империческим данным.
-        - LOO для ввыбора ширины окна.
+        - Восстановление плотности по эмпирическим данным.
+        - LOO для выбора ширины окна.
         - Наивный байесовский классификатор.
 - Домашнее задание:
     - Получить оценку параметров нормального распределения из принципа максимума правдоподобия.
@@ -258,8 +258,8 @@ Machine Learning Seminars
 - Домашнее задание:
     - Самому сравнить разные методы кластеризации для трех концентрических окружностей.
 
-Весений семестр
-===============
+Весенний семестр
+================
 
 Курсовое домашнее задание:
 --------------------------
@@ -339,7 +339,7 @@ Attention is all you need. Трансформеры.
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem21/main.ipynb>`_:
     - Практическая часть:
-        - Базовые понятие.
+        - Базовые понятия.
         - Пример задачи ранжирования.
         - Пример рекомендательной системы.
         - Обучение поисковика на базе pyserini.
@@ -357,7 +357,7 @@ Attention is all you need. Трансформеры.
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem23/main.ipynb>`_:
     - Практическая часть:
-        - Авторегрессионая модель.
+        - Авторегрессионная модель.
         - Экспоненциальное сглаживание.
         - Кластерный анализ временных рядов.
 
@@ -378,7 +378,7 @@ Attention is all you need. Трансформеры.
 *******************************************************************************
 - `Семинар <https://github.com/andriygav/MachineLearningSeminars/blob/master/sem26/main.ipynb>`_:
     - Практическая часть:
-        - Активное обучение со случайным добавлчющим элементом.
+        - Активное обучение со случайным добавляющим элементом.
         - Активное обучение с добавлением элемента с максимальной дисперсией.
 
 Заключительное занятие.