- ΠΠ°ΠΊ ΡΠ»ΠΎΠΆΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ
- Π‘ΡΡΠΈΠΆΠΊΠ° Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ
- ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΠΈ, Π²Π°ΡΠΈΠ°Π½ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΠΈ (51 ΡΠΎΡΠΎ)
- ΠΠ°ΠΊ ΡΠ»ΠΎΠΆΠΈΡΡ ΡΡΡΠΈΠΆΠΊΡ ΠΊΠ°ΡΠΊΠ°Π΄: 18 ΡΡΠΈΠ»ΡΠ½ΡΡ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠ²
- Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ: 2 Π²Π°ΡΠΈΠ°Π½ΡΠ°
- ΠΠΎΠΌΠ°ΡΠ½ΠΈΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ Β» ΠΠΎΡΠΎΡΠΊΠ°Ρ ΡΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄ β Π²ΡΠ±Π΅ΡΠΈ ΡΠ²ΠΎΠΉ Π²Π°ΡΠΈΠ°Π½Ρ
- ΡΡΠ΅Π΄Π½ΠΈΠ΅, ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅, Π΄Π»ΠΈΠ½Π½ΡΠ΅ (Ρ ΡΠΎΡΠΎ)
- Windows: ΠΊΠ°ΡΠΊΠ°Π΄ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅, ΠΌΠΎΠ·Π°ΠΈΠΊΠ°, ΡΡΠ΅ΠΊ ΠΈΠ»ΠΈ ΠΏΠ°ΡΠ°Π»Π»Π΅Π»ΡΠ½ΠΎΠ΅ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΎΠΊΠΎΠ½ Ρ ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ
- ΠΠ°ΠΊ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ ΠΈΠ»ΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ΠΈΡΠΎΠ²Π°ΡΡ ΠΎΠΊΠ½Π° ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π² Windows 10
- ΠΠ°ΠΌΠ΅Π½Π½ΡΠΉ ΡΠΏΠΎΠ½ — Stack Stone Cascade
- ΠΠΎΠ΄Π΅Π»ΠΈΡΡΡΡΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΠ΅ ΠΌΠΎΠ΄ΡΠ»ΠΈ — ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅
- ΠΠ°ΠΊ ΡΠΏΡΠ°Π²Π»ΡΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΠΌΠΈ ΠΎΡΠΊΡΡΡΡΠΌΠΈ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΠ°ΠΌΠΈ Microsoft Π½Π° ΡΠ°Π±ΠΎΡΠ΅ΠΌ ΡΡΠΎΠ»Π΅ | Small Business
- ΠΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ z-index — CSS: ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΡΠ°Π±Π»ΠΈΡΡ ΡΡΠΈΠ»Π΅ΠΉ
- ΠΠ°ΡΠΈΠ½Π½ΠΎΠ΅ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠ΅ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Python
- ΠΠ±Π·ΠΎΡ ΡΡΠ΅Π±Π½ΠΎΠ³ΠΎ ΠΏΠΎΡΠΎΠ±ΠΈΡ
- Π‘ΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠ΅ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΠ΅
- Π‘ΡΠ΅ΠΊ Scikit-Learn API
- Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ
- Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ
- ΠΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½Π°Ρ Π»ΠΈΡΠ΅ΡΠ°ΡΡΡΠ°
- Π‘Π²ΠΎΠ΄ΠΊΠ°
- ΠΠΎΠ»ΡΡΠΈΡΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΠΎ ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΠΎΠΌ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠΈ!
ΠΠ°ΠΊ ΡΠ»ΠΎΠΆΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ
ΠΡ ΠΊΡΠΎ Π½Π΅ Π·Π½Π°Π΅Ρ ΠΎ ΡΠ°ΠΊΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠ΅, ΠΊΠ°ΠΊ Π»Π΅ΡΠ΅Π½ΠΊΠ°. ΠΡΠ»ΠΈ Π²Ρ Π½ΠΈΠΊΠΎΠ³Π΄Π° Π½Π΅ ΡΡΠ°Π»ΠΊΠΈΠ²Π°Π»ΠΈΡΡ Ρ ΡΡΠΈΠΌ Π½Π°Π·Π²Π°Π½ΠΈΠ΅ΠΌ ΠΈΠ»ΠΈ Π°Π½Π°Π»ΠΎΠ³ΠΈΡΠ½ΡΠΌ Π΅ΠΌΡ β ΠΊΠ°ΡΠΊΠ°Π΄, ΡΠΎ ΡΡΠΎ Π½Π΅ Π·Π½Π°ΡΠΈΡ, ΡΡΠΎ ΡΡΠ΅Π΄ΠΈ Π²Π°ΡΠ΅Π³ΠΎ ΠΎΠΊΡΡΠΆΠ΅Π½ΠΈΡ Π½Π΅ Π½Π°ΠΉΠ΄ΡΡΡΡ Π΄Π΅Π²ΡΡΠΊΠ°, Π½ΠΎΡΡΡΠ°Ρ ΡΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ. Π Π΅ΡΠ»ΠΈ Π²Ρ ΠΈ ΡΠ°ΠΌΠ° ΠΈΠ· Π΅Ρ Π½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΈΡ, ΡΠΎ Π½Π°Π²Π΅ΡΠ½ΡΠΊΠ° Π·Π°Π΄Π°Π²Π°Π»ΠΈΡΡ Π²ΠΎΠΏΡΠΎΡΠΎΠΌ β Π° ΠΊΠ°ΠΊ ΠΆΠ΅ Π΅Ρ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ Π² Π΄ΠΎΠΌΠ°ΡΠ½ΠΈΡ ΡΡΠ»ΠΎΠ²ΠΈΡΡ ? ΠΠ° ΡΠ°ΠΌΠΎΠΌ Π΄Π΅Π»Π΅, Π»Π΅ΡΠ΅Π½ΠΊΠ° ΠΎΡΠ΅Π½Ρ ΡΠ½ΠΈΠ²Π΅ΡΡΠ°Π»ΡΠ½Π°, ΠΈ ΡΠ΄Π΅Π»Π°ΡΡ Ρ Π½Π΅Ρ ΠΌΠΎΠΆΠ½ΠΎ ΡΡΠΎ ΡΠ³ΠΎΠ΄Π½ΠΎ: Π·Π°Π²ΠΈΠ²ΠΊΠ°, Π²ΡΠΏΡΡΠΌΠ»Π΅Π½ΠΈΠ΅, ΠΈ Π²ΠΎΠ²ΡΠ΅ Π½Π΅ Π²Π°ΠΆΠ½ΠΎ Π΄Π»ΠΈΠ½Π½ΡΠ΅, ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ ΠΏΡΡΠ΄ΠΈ.
ΠΠΎΠ΄Π³ΠΎΡΠΎΠ²ΠΊΠ° Π²ΠΎΠ»ΠΎΡ ΠΏΠ΅ΡΠ΅Π΄ ΡΠΊΠ»Π°Π΄ΠΊΠΎΠΉ
ΠΠΎΠ½Π΅ΡΠ½ΠΎ, ΠΏΠ΅ΡΠ΅Π΄ ΡΠ΅ΠΌ, ΠΊΠ°ΠΊ ΡΠ΄Π΅Π»Π°ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ, ΠΎΡΠ΅Π½Ρ Π²Π°ΠΆΠ½ΠΎ Π²ΠΎΠ»ΠΎΡΡ ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²ΠΈΡΡ. ΠΠ΅Π»Π°Π΅ΡΡΡ ΡΡΠΎ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ°ΡΠ½ΠΎ, ΠΈ Π²ΡΠ΅ΠΌ ΠΈΠ·Π²Π΅ΡΡΠ½ΠΎ, ΡΡΠΎ Π±Π΅Π· ΡΡΠΎΠ³ΠΎ Π½ΠΈΠΊΠ°ΠΊ Π½Π΅ ΠΎΠ±ΠΎΠΉΡΠΈΡΡ. ΠΡΡ ΠΆΠ΅ Π½Π°ΠΏΠΎΠΌΠ½ΠΈΠΌ, ΡΡΠΎ ΠΊΠΎΡΠ½ΠΈ Π³ΠΎΠ»ΠΎΠ²Ρ ΠΎΠ±ΡΠ·Π°ΡΠ΅Π»ΡΠ½ΠΎ Π΄ΠΎΠ»ΠΆΠ½Ρ Π±ΡΡΡ ΡΠΈΡΡΡΠΌΠΈ, ΠΈΠ½Π°ΡΠ΅ ΡΠΊΠ»Π°Π΄ΠΊΠ° Π΄ΠΎΠ»Π³ΠΎ Π½Π΅ ΠΏΡΠΎΠ΄Π΅ΡΠΆΠΈΡΡΡ, Π΄Π° ΠΈ ΠΏΠΎΠΏΡΠΎΡΡΡ Π²Ρ Π±ΡΠ΄Π΅ΡΠ΅ Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ Π½Π΅ΠΎΠΏΡΡΡΠ½ΠΎ.
ΠΡΠ°ΠΊ, ΠΏΠ΅ΡΠ²ΡΠΌ Π΄Π΅Π»ΠΎΠΌ Π²ΡΠΌΠΎΠΉΡΠ΅ Π³ΠΎΠ»ΠΎΠ²Ρ Ρ ΡΠ°ΠΌΠΏΡΠ½Π΅ΠΌ. ΠΠ°, ΡΡΠΎ Π²Π°ΠΆΠ½ΠΎ. Π¨Π°ΠΌΠΏΡΠ½Ρ ΡΡΠΎΠΈΡ Π²ΡΠ±ΠΈΡΠ°ΡΡ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡΠΈΠΉ ΠΈΠΌΠ΅Π½Π½ΠΎ Π΄Π»Ρ Π²Π°ΡΠ΅Π³ΠΎ ΡΠΈΠΏΠ° Π²ΠΎΠ»ΠΎΡ. ΠΡΠ»ΠΈ ΠΎΠ½ΠΈ Π±ΡΡΡΡΠΎ Π·Π°Π³ΡΡΠ·Π½ΡΡΡΡΡ, ΡΠΎ ΠΏΡΠΎΡΠΈΠ² ΠΆΠΈΡΠ½ΠΎΡΡΠΈ. ΠΡΠ»ΠΈ ΡΠ΅ΠΊΡΡΡΡ ΠΊΠΎΠ½ΡΡ (Π½Π΅ ΠΈΠΌΠ΅Π΅Ρ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ ΠΈΠ»ΠΈ Π΄Π»ΠΈΠ½Π½ΡΠ΅) β Π²ΠΎΡΡΡΠ°Π½Π°Π²Π»ΠΈΠ²Π°ΡΡΠΈΠΉ. ΠΡΠ»ΠΈ ΠΏΠ»ΠΎΡ ΠΎ Π΄Π΅ΡΠΆΠ°Ρ ΠΎΠ±ΡΠ΅ΠΌ, ΡΠΎ ΡΠ°ΠΌΠΏΡΠ½Ρ Π΄Π»Ρ ΠΎΠ±ΡΡΠΌΠ° ΠΈ Ρ.Π΄. Π ΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅, ΠΊΠΎΠ³Π΄Π° Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΠΏΡΠΎΠ±Π»Π΅ΠΌ ΠΏΡΠ΅ΡΠ»Π΅Π΄ΡΡΡ Π²Π°Ρ ΠΎΠ΄Π½ΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎ, ΠΌΠΎΠΆΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ ΠΏΡΠΎΡΠΈΠ² Π²ΡΠ΅Ρ Π½Π΅Π΄ΡΠ³.Β
Π‘ΡΠ°Π·Ρ ΠΏΠΎΡΠ»Π΅ ΡΠΎΠ³ΠΎ ΠΊΠ°ΠΊ Π³ΠΎΠ»ΠΎΠ²Π° Π±ΡΠ΄Π΅Ρ ΡΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ ΠΎΡΠΈΡΠ΅Π½Π° ΡΠ°ΠΌΠΏΡΠ½Π΅ΠΌ, ΡΠ»Π΅Π΄ΡΠ΅Ρ Π½Π°Π»ΠΎΠΆΠΈΡΡ Π½Π° ΡΡΡΠΈΠΆΠΊΡ ΠΌΠ°ΡΠΊΡ. ΠΡ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π²ΡΠ±ΡΠ°ΡΡ ΡΡ, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΈΠ΄ΡΡ Π² ΠΊΠΎΠΌΠΏΠ»Π΅ΠΊΡΠ΅ Ρ ΡΠ°ΠΌΠΏΡΠ½Π΅ΠΌ, ΠΌΠ°ΡΠΊΡ Π΄ΡΡΠ³ΠΎΠ³ΠΎ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»Ρ ΠΈΠ»ΠΈ ΡΠ΄Π΅Π»Π°ΡΡ Π΄ΠΎΠΌΠ°ΡΠ½ΡΡ ΠΌΠ°ΡΠΊΡ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ. Π Π΅ΡΠ΅ΠΏΡΠΎΠ² ΡΠ°ΠΊΠΈΡ ΡΡΠ΅Π΄ΡΡΠ² ΠΏΠΎΠ»Π½ΠΎ, Π΄Π΅Π»Π°ΡΡ ΠΈΡ ΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΡΡΠΎ, ΠΈ ΡΡΠΎ Π½Π΅ Π·Π°ΠΉΠΌΡΡ Ρ Π²Π°Ρ ΠΎΡΠΎΠ±ΠΎΠ³ΠΎ ΡΡΡΠ΄Π° ΠΈ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ. ΠΠ°ΠΆΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ Π½Π°Π½ΠΎΡΠΈΡΡ Π΅Ρ ΠΏΠΎΡΠ»Π΅ ΠΌΡΡΡΡ Π³ΠΎΠ»ΠΎΠ²Ρ, Π΄Π΅ΡΠΆΠ°ΡΡ Π² ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ, ΡΠΊΠ°Π·Π°Π½Π½ΠΎΠ³ΠΎ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»Π΅ΠΌ ΠΈΠ»ΠΈ Π² ΡΠ΅ΡΠ΅ΠΏΡΠ΅, Π·Π°ΡΠ΅ΠΌ ΡΠΌΡΡΡ ΠΏΡΠΎΡ Π»Π°Π΄Π½ΠΎΠΉ Π²ΠΎΠ΄ΠΎΠΉ.
Π‘Π»Π΅Π΄ΡΡΡΠΈΠΉ ΡΡΠ°ΠΏ β ΠΊΠΎΠ½Π΄ΠΈΡΠΈΠΎΠ½Π΅Ρ. ΠΠ³ΠΎ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡ Π½Π΅ΠΏΠΎΡΡΠ΅Π΄ΡΡΠ²Π΅Π½Π½ΠΎ ΠΏΠ΅ΡΠ΅Π΄ ΡΠ°ΠΌΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΎΠΉ, ΠΊΠΎΠ³Π΄Π° ΠΏΡΡΠ΄ΠΈ ΡΠ»Π΅Π³ΠΊΠ° ΠΏΠΎΠ΄ΡΡΡΠ΅Π½Ρ ΠΏΠΎΠ»ΠΎΡΠ΅Π½ΡΠ΅ΠΌ. ΠΠ°ΡΠ°Π²Π½Π΅ Ρ Π½ΠΈΠΌ ΠΈΠ»ΠΈ Π²ΠΌΠ΅ΡΡΠΎ Π½Π΅Π³ΠΎ ΠΌΠΎΠΆΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΌΡΡΡ. Π‘ΡΡΠ΅ΡΡΠ²ΡΡΡ ΡΠ°ΠΊΠΆΠ΅ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ ΡΠΏΡΠ΅ΠΈ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΎΠ±Π΅Π·ΠΎΠΏΠ°ΡΡΡ Π»ΠΎΠΊΠΎΠ½Ρ ΠΎΡ Π²ΡΡΠΎΠΊΠΈΡ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡ.Β
ΠΠΎΡΠ»Π΅ ΡΠΎΠ³ΠΎ ΠΊΠ°ΠΊ Π²Ρ Π½Π°Π½Π΅ΡΠ΅ΡΠ΅ Π²ΡΠ΅ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΡΠ΅ ΡΡΠ΅Π΄ΡΡΠ²Π° Π½Π° Π²ΠΎΠ»ΠΎΡΡ, ΠΎΠ½ΠΈ ΡΡΠ°Π½ΡΡ ΠΎΡΠ΅Π½Ρ Π²Π»Π°ΠΆΠ½ΡΠΌΠΈ, Π½ΠΎ Π²ΡΡΠΈΡΠ°ΡΡ ΠΈΡ Π½Π΅ Π½ΡΠΆΠ½ΠΎ. Π§ΡΠΎΠ±Ρ Π»ΠΈΡΠ½ΡΡ Π²Π»Π°Π³Π° ΡΡΠ»Π° Ρ ΠΏΡΡΠ΄Π΅ΠΉ, Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π²ΡΠ΅Π³ΠΎ Π»ΠΈΡΡ ΡΠ΄Π΅Π»Π°ΡΡ ΡΠ»Π΅Π΄ΡΡΡΠ΅Π΅: ΡΠ»Π΅Π³ΠΊΠ° ΠΏΡΠΎΡΡΡΠΈΡΠ΅ ΠΏΡΡΠ΄ΠΈ ΡΠ΅ΠΏΠ»ΡΠΌ ΠΏΠΎΡΠΎΠΊΠΎΠΌ Π²ΠΎΠ·Π΄ΡΡ Π° ΠΈΠ· ΡΠ΅Π½Π°, Π½ΠΎ ΡΠ°ΠΊ, ΡΡΠΎΠ±Ρ ΠΎΠ½ΠΈ ΠΏΠΎ-ΠΏΡΠ΅ΠΆΠ½Π΅ΠΌΡ ΠΎΡΡΠ°Π²Π°Π»ΠΈΡΡ Π²Π»Π°ΠΆΠ½ΡΠΌΠΈ. Π‘ΡΡ ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΠΏΡΠΈ ΡΠΊΠ»Π°Π΄ΠΊΠ΅ ΠΏΠΎΡΡΡΡΡΡ ΠΊΡΠ΄Π° ΡΠΈΠ»ΡΠ½Π΅Π΅, ΡΠ΅ΠΌ ΠΌΠΎΠΊΡΡΠ΅.
Π‘ΠΏΠΎΡΠΎΠ±Ρ ΠΏΡΠΈΠ²Π΅ΡΡΠΈ Π»Π΅ΡΠ΅Π½ΠΊΡ Π² ΠΏΠΎΡΡΠ΄ΠΎΠΊ
Π’Π΅ΠΏΠ΅ΡΡ, ΠΊΠΎΠ³Π΄Π° Π²Π°ΡΠΈ Π²ΠΎΠ»ΠΎΡΡ Π³ΠΎΡΠΎΠ²Ρ ΠΊ ΡΠΊΠ»Π°Π΄ΠΊΠ΅, ΡΠ°ΠΌΠΎΠ΅ Π²ΡΠ΅ΠΌΡ Π½Π°ΡΠ°ΡΡ ΡΠ²ΠΎΡΠΈΡΡ Π½Π° Π³ΠΎΠ»ΠΎΠ²Π΅ ΡΠ΅Π΄Π΅Π²Ρ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ. ΠΡΠΎ ΡΠΎΠ»ΡΠΊΠΎ Ρ ΠΏΠ΅ΡΠ²ΠΎΠ³ΠΎ Π²Π·Π³Π»ΡΠ΄Π° ΠΊΠ°ΠΆΠ΅ΡΡΡ, ΡΡΠΎ ΠΎΡΠ²ΠΎΠΈΡΡ ΡΠ΅Ρ Π½ΠΈΠΊΡ ΠΏΡΠΎΡΠ΅ΡΡΠΈΠΎΠ½Π°Π»ΠΎΠ² ΠΏΠΎ ΡΠΊΠ»Π°Π΄ΠΊΠ΅ Π»ΠΎΠΊΠΎΠ½ΠΎΠ² β ΡΡΠΎ ΡΠ»ΠΎΠΆΠ½ΠΎ, Π½ΠΎ Π½Π° ΡΠ°ΠΌΠΎΠΌ Π΄Π΅Π»Π΅ ΡΡΠΎ Π΄Π°Π»Π΅ΠΊΠΎ Π½Π΅ ΡΠ°ΠΊ. ΠΡ ΡΠΌΠΎΠΆΠ΅ΡΠ΅ Π΄Π΅Π»Π°ΡΡ ΠΏΡΠ΅Π²ΠΎΡΡ ΠΎΠ΄Π½ΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ Ρ ΡΠ΅Π±Ρ Π½Π° Π³ΠΎΠ»ΠΎΠ²Π΅, ΠΏΡΠΎΡΡΠΎ ΡΠ΅ΡΠΊΠΎ ΡΠ»Π΅Π΄ΡΡ Π½Π°ΡΠΈΠΌ ΡΠΎΠ²Π΅ΡΠ°ΠΌ ΠΈ ΠΈΠ·ΠΎ Π²ΡΠ΅Ρ ΡΠΈΠ» ΡΡΠ°ΡΠ°ΡΡΡ. ΠΠ°ΡΠΈΠ°Π½ΡΡ ΡΠΊΠ»Π°Π΄ΠΎΠΊ ΠΌΠ½ΠΎΠ³ΠΎΡΠΈΡΠ»Π΅Π½Π½Ρ. Π‘ΠΎΠ²ΡΠ΅ΠΌ Π½Π΅ ΠΈΠΌΠ΅Π΅Ρ Π·Π½Π°ΡΠ΅Π½ΠΈΡ β Ρ ΡΠ΅Π»ΠΊΠΎΠΉ Π²Ρ ΠΈΠ»ΠΈ Π±Π΅Π·, ΡΠ΄Π΅Π»Π°Π»ΠΈ ΠΊΠΎΡΠΎΡΠΊΡΡ ΡΡΡΠΈΠΆΠΊΡ ΠΈΠ»ΠΈ ΠΎΡΡΠ°Π²ΠΈΠ»ΠΈ Π΄Π»ΠΈΠ½Π½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ. ΠΠΎΠΆΠ½ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ Π²ΡΡ, ΡΡΠΎ Π΄ΡΡΠ΅ ΡΠ³ΠΎΠ΄Π½ΠΎ: Π·Π°Π²ΠΈΠ²ΠΊΠ°, Π²ΡΠΏΡΡΠΌΠ»Π΅Π½ΠΈΠ΅, ΠΏΡΠΎΡΡΠΎ ΠΊΡΠ°ΡΠΈΠ²ΠΎ ΡΠ»ΠΎΠΆΠ΅Π½Π½ΡΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ.
ΠΠ΅ΡΠ²ΡΠΌ Π΄Π΅Π»ΠΎΠΌ ΠΏΡΠΈΠ³ΠΎΡΠΎΠ²ΡΡΠ΅ ΡΠ΅Π½. ΠΠ°ΠΆΠ½ΠΎ, ΡΡΠΎΠ±Ρ Π½Π° Π½ΡΠΌ Π±ΡΠ»Π° ΡΠ΄ΠΎΠ±Π½Π°Ρ Π²ΡΡΡΠ½ΡΡΠ°Ρ Π½Π°ΡΠ°Π΄ΠΊΠ°, ΡΡΠΎΠ±Ρ ΠΎΠ½ ΠΌΠΎΠ³ Π²Π·Π°ΠΈΠΌΠΎΠ΄Π΅ΠΉΡΡΠ²ΠΎΠ²Π°ΡΡ Ρ ΡΠ°ΡΡΠ΅ΡΠΊΠΎΠΉ. ΠΡΡΠ°ΡΠΈ, Π½Π°ΡΡΡΡ Π½Π΅Ρ. ΠΡ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π΄Π²Π΅ ΡΡΡΠΊΠΈ β ΠΎΠ΄Π½Ρ ΠΌΠ°ΡΡΠ°ΠΆΠ½ΡΡ Π΄Π»Ρ ΠΏΡΠΎΡΡΡΠΊΠΈ Π²ΠΎΠ»ΠΎΡ ΠΏΠ΅ΡΠ΅Π΄ ΡΠ΅ΠΌ, ΠΊΠ°ΠΊ Π½Π°ΡΠ°ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ, ΠΈ Π΄ΡΡΠ³ΡΡ ΠΊΡΡΠ³Π»ΡΡ, ΡΡΠΎΠ±Ρ Π½Π΅ΠΏΠΎΡΡΠ΅Π΄ΡΡΠ²Π΅Π½Π½ΠΎ ΡΠ»ΠΎΠΆΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ Π² ΠΏΡΠΈΡΡΡΠΊΡ. Π’Π°ΠΊΠΆΠ΅ Π²Π°ΠΌ ΠΌΠΎΠ³ΡΡ ΠΏΠΎΡΡΠ΅Π±ΠΎΠ²Π°ΡΡΡΡ ΠΏΠ»ΠΎΠΉΠΊΠ° ΠΈΠ»ΠΈ ΡΡΡΠΆΠΎΠΊ. Π Π»ΡΠ±ΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ Π±ΡΠ΄ΡΡΠ΅ Π³ΠΎΡΠΎΠ²Ρ, ΡΡΠΎ Π²ΠΎΠ»ΠΎΡΡ Π½Π΅ ΠΎΠ΄ΠΎΠ±ΡΡΡ ΡΠ°ΠΊΡΡ ΡΠ΅ΡΠΌΠΈΡΠ΅ΡΠΊΡΡ ΠΎΠ±ΡΠ°Π±ΠΎΡΠΊΡ, Π΅ΡΠ»ΠΈ Π²Ρ Π½Π΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΡΠ΅ ΡΡΠ΅Π±ΡΠ΅ΠΌΡΠ΅ ΡΡΠ΅Π΄ΡΡΠ²Π° Π΄Π»Ρ ΡΠΎΡ ΡΠ°Π½Π΅Π½ΠΈΡ ΠΈΡ Π·Π΄ΠΎΡΠΎΠ²ΡΡ.
ΠΠ±ΡΡΠ½ΠΎΠ΅ ΡΠΊΠ»Π°Π΄ΡΠ²Π°Π½ΠΈΠ΅ ΠΏΡΡΠ΄Π΅ΠΉ
ΠΠ΅Π²Π°ΠΆΠ½ΠΎ, Π΄Π»ΠΈΠ½Π½ΡΠ΅, ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Ρ Π²Π°Ρ Π»ΠΎΠΊΠΎΠ½Ρ β ΠΏΡΠΈΠ½ΡΠΈΠΏ ΠΎΡΠ½ΠΎΠ²Π½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΎΠ΄ΠΈΠ½ Π΄Π»Ρ Π²ΡΠ΅Ρ . Π‘ΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ, ΠΊΠΎΠ½Π΅ΡΠ½ΠΎ, ΠΌΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ Π²ΠΈΠ΄ΠΎΠ² Π΄ΡΡΠ³ΠΈΡ ΡΠΊΠ»Π°Π΄ΠΎΠΊ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ Π΄Π»ΠΈΠ½Ρ ΠΏΠ΅ΡΡΠΎΠ½Π°Π»ΡΠ½ΠΎ, Π½ΠΎ Π² Π΄Π°Π½Π½ΡΠΉ ΠΌΠΎΠΌΠ΅Π½Ρ ΡΠ΅ΡΡ ΠΈΠ΄Π΅Ρ ΠΎΠ± ΡΠ½ΠΈΠ²Π΅ΡΡΠ°Π»ΡΠ½ΠΎΠΉ. Π Π²Ρ ΡΠΏΠΎΡΠΎΠ±Π½Ρ ΡΠ΄Π΅Π»Π°ΡΡ Π΅Ρ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ, Π΅ΡΠ»ΠΈ ΠΏΠΎΡΠ»Π΅Π΄ΡΠ΅ΡΠ΅ Π²ΡΠ΅ΠΌ ΡΠΎΠ²Π΅ΡΠ°ΠΌ. Π’Π°ΠΊΠΆΠ΅ ΡΠ°ΠΊΠ°Ρ ΡΠΊΠ»Π°Π΄ΠΊΠ° ΡΠ²Π»ΡΠ΅ΡΡΡ ΠΎΡΠ½ΠΎΠ²ΠΎΠΉ Π΄Π»Ρ Π²ΡΠ΅Ρ ΠΏΠΎΡΠ»Π΅Π΄ΡΡΡΠΈΡ .
- Π’ΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ ΡΠ°ΡΡΠ΅ΡΠΈΡΠ΅ ΠΏΡΡΠ΄ΠΈ, ΡΡΠΎΠ±Ρ Π½Π΅ ΠΎΡΡΠ°Π»ΠΎΡΡ Π½ΠΈΠΊΠ°ΠΊΠΈΡ ΠΌΠ΅Π»ΠΊΠΈΡ ΡΠ·Π΅Π»ΠΊΠΎΠ². ΠΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ Π² ΠΏΠ΅ΡΠ²ΡΡ ΠΎΡΠ΅ΡΠ΅Π΄Ρ Π²ΠΎΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡΡΡ ΠΌΠ°ΡΡΠ°ΠΆΠ½ΠΎΠΉ ΡΠ΅ΡΠΊΠΎΠΉ, Π° Π·Π°ΡΠ΅ΠΌ ΡΠΎΠ½ΠΊΠΎΠΉ ΠΏΡΡΠΌΠΎΠΉ Ρ ΡΠ°ΡΡΡΠΌΠΈ Π·ΡΠ±ΡΠΈΠΊΠ°ΠΌΠΈ.
- ΠΠ»Ρ ΡΠ΄ΠΎΠ±ΡΡΠ²Π° ΠΌΠΎΠΆΠ΅ΡΠ΅ Π·Π°ΠΊΡΠ΅ΠΏΠΈΡΡ ΠΊΡΠ°Π±ΠΈΠΊΠ°ΠΌΠΈ Π²Π΅ΡΡ Π½ΠΈΠ΅ ΡΠ»ΠΎΠΈ ΡΡΡΠΈΠΆΠΊΠΈ. ΠΡΠ»ΠΈ ΠΆΠ΅ Π²Ρ ΡΡΠΈΡΠ°Π΅ΡΠ΅, ΡΡΠΎ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΡΠΏΡΠ°Π²ΠΈΡΡΡΡ Π±Π΅Π· ΡΡΠΎΠ³ΠΎ, ΡΠΎ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ Π½Π΅Ρ. Π‘ΠΎΠ²Π΅ΡΡΠ΅ΠΌ Π²ΡΡ ΠΆΠ΅ Π΄Π»Ρ Π½Π°ΡΠ°Π»Π° Π·Π°ΠΊΠΎΠ»ΠΎΡΡ Π²ΠΎΠ»ΠΎΡΡ, ΠΎΡΡΠ°Π²ΠΈΠ² ΡΠΎΠ»ΡΠΊΠΎ Π½ΠΈΠΆΠ½ΠΈΠΉ ΡΠ»ΠΎΠΉ.
- ΠΠΎΠ·ΡΠΌΠΈΡΠ΅ ΠΊΡΡΠ³Π»ΡΡ ΡΠ°ΡΡΡΡΠΊΡ ΠΈ Π½Π°ΠΊΡΡΡΠΈΡΠ΅ Π½Π° Π½Π΅Ρ ΡΠ°ΡΡΡ ΠΏΡΡΠ΄Π΅ΠΉ. ΠΠ°ΡΠ° Π·Π°Π΄Π°ΡΠ° Π½Π° ΡΡΠΎΠΌ ΡΡΠ°ΠΏΠ΅ β ΠΏΡΠΈΠ΄Π°ΡΡ ΠΎΠ±ΡΡΠΌ, ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²Π΅Π½Π½ΠΎ Π²Ρ ΡΠ°ΠΌΠΈ ΠΏΠΎΠ½ΠΈΠΌΠ°Π΅ΡΠ΅, Π² ΠΊΠ°ΠΊΠΎΠΌ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΊΡΡΡΠΈΡΡ ΡΠ°ΡΡΡΡΠΊΡ ΠΏΡΠΈ ΠΏΠΎΠ΄Π°ΡΠ΅ ΠΏΠΎΡΠΎΠΊΠ° Π²ΠΎΠ·Π΄ΡΡ Π° ΠΈΠ· ΡΠ΅Π½Π°. Π‘Π½Π°ΡΠ°Π»Π° ΠΊΡΡΡΠΈΡΠ΅ ΡΠ΅ΡΠΊΡ, ΡΡΠΎΠ±Ρ ΠΏΡΠΈΠΏΠΎΠ΄Π½ΡΡΡ ΠΏΡΡΠ΄ΠΈ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ, Π° Π·Π°ΡΠ΅ΠΌ Π²ΡΡΡΠ³ΠΈΠ²Π°ΠΉΡΠ΅ ΠΈΡ , ΡΠ΄Π΅ΡΠΆΠΈΠ²Π°Ρ ΠΏΠ»ΠΎΡΠ½ΠΎ ΠΌΠ΅ΠΆΠ΄Ρ Π½Π°ΡΠ°Π΄ΠΊΠΎΠΉ ΡΠ΅Π½Π° ΠΈ ΡΠ°ΡΡΠ΅ΡΠΊΠΎΠΉ, ΡΡΠΎΠ±Ρ ΡΠ°ΡΠΏΡΡΠΌΠΈΡΡ Π»ΠΎΠΊΠΎΠ½Ρ.
- ΠΡΠΊΡΠ΅ΠΏΠΈΡΠ΅ ΡΠ»Π΅Π΄ΡΡΡΠΈΠΉ ΡΠ»ΠΎΠΉ Β ΠΈ ΠΏΠΎΠ²ΡΠΎΡΠΈΡΠ΅ ΡΠ΅ ΠΆΠ΅ Π΄Π΅ΠΉΡΡΠ²ΠΈΡ. ΠΡΠ΅Π½Ρ Π²Π°ΠΆΠ½ΠΎ Π΄Π΅Π»Π°ΡΡ Π²ΡΡ ΠΊΠ°ΠΊ ΠΌΠΎΠΆΠ½ΠΎ Π±ΡΡΡΡΠ΅Π΅ ΠΈ Π½Π΅ Π·Π°Π΄Π΅ΡΠΆΠΈΠ²Π°ΡΡ ΡΠ΅Π½ ΡΠ°ΠΊ Π±Π»ΠΈΠ·ΠΊΠΎ ΠΊ Π²ΠΎΠ»ΠΎΡΠ°ΠΌ Π½Π°Π΄ΠΎΠ»Π³ΠΎ, ΠΈΠ½Π°ΡΠ΅ ΠΎΡ ΡΠ°ΠΊΠΈΡ Π΄Π΅ΠΉΡΡΠ²ΠΈΠΉ ΠΎΠ½ΠΈ ΠΌΠΎΠ³ΡΡ ΡΠΈΠ»ΡΠ½ΠΎ ΠΏΠΎΡΡΡΠ°Π΄Π°ΡΡ.
- ΠΠ°ΠΌ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΡΠ΄Π΅Π»Π°ΡΡ ΡΠΎ ΠΆΠ΅ ΠΈ Ρ ΠΎΡΡΠ°Π»ΡΠ½ΡΠΌΠΈ ΡΠ»ΠΎΡΠΌΠΈ. ΠΠ΅ Π·Π°Π±ΡΠ²Π°ΠΉΡΠ΅ ΠΎ ΡΠΊΠΎΡΠΎΡΡΠΈ, Π½ΠΎ Π²ΡΡ Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ Π΄Π»ΠΈΠ½Ρ ΠΏΡΡΠ΄Π΅ΠΉ.
- ΠΠΎΠ³Π΄Π°, Π½Π°ΠΊΠΎΠ½Π΅Ρ, Π²ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ Π±ΡΠ΄ΡΡ ΡΡΡ ΠΈΠΌΠΈ, Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ Π²ΡΠΏΠΎΠ»Π½ΠΈΡΡ ΡΠ΅ ΠΆΠ΅ Π΄Π΅ΠΉΡΡΠ²ΠΈΡ Π΅ΡΡ ΡΠ°Π·, Π½ΠΎ ΡΠΆΠ΅ Π½Π΅ Π³ΠΎΡΡΡΠΈΠΌ, Π° Ρ ΠΎΠ»ΠΎΠ΄Π½ΡΠΌ Π²ΠΎΠ·Π΄ΡΡ ΠΎΠΌ. Π’Π°ΠΊΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ, Π²ΠΎΠ»ΠΎΡΡ ΡΠΎΡ ΡΠ°Π½ΡΡΡ ΡΠΎΡΠΌΡ ΠΈ ΠΎΠ±ΡΡΠΌ, ΠΈ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π½Π΅ ΠΈΡΠΏΠΎΡΡΠΈΡΡΡ ΡΠΆΠ΅ ΡΠ΅ΡΠ΅Π· ΠΏΠΎΠ»ΡΠ°ΡΠ°.
ΠΡΠ»ΠΈ Ρ Π²Π°Ρ ΠΊΠ°ΡΠΊΠ°Π΄ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ, ΡΠΎ Π½Π°Π΄ Π½Π΅ΠΉ ΠΏΡΠΈΠ΄ΡΡΡΡ ΠΏΠΎΡΠ°Π±ΠΎΡΠ°ΡΡ ΠΎΡΠ΄Π΅Π»ΡΠ½ΠΎ. ΠΠ΅ ΠΈΠΌΠ΅Π΅Ρ Π·Π½Π°ΡΠ΅Π½ΠΈΡ, ΠΊΠΎΡΠ°Ρ ΠΎΠ½Π°, ΠΏΡΡΠΌΠ°Ρ, ΠΏΡΡΠ΄ΠΈ Π² Π½Π΅ΠΉ Π΄Π»ΠΈΠ½Π½ΡΠ΅, ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅. ΠΠ°ΠΌ Π½ΡΠΆΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ Π²ΡΡΡΠ½ΡΡΡ Π΅Ρ, Π±Π΅Π· ΠΏΡΠΈΠ΄Π°Π½ΠΈΡ ΡΠΈΠ»ΡΠ½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠΌΠ°. Π‘ΡΠΈΡΠ°Π΅ΡΡΡ, ΡΡΠΎ ΡΠΈΠ»ΡΠ½ΠΎ ΠΎΠ±ΡΠ΅ΠΌΠ½ΠΎΠΉ ΡΠ΅Π»ΠΊΠΎΠΉ Π²Ρ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΏΡΠΈΠ΄Π°ΡΡ ΡΠ΅Π±Π΅ Π³Π»ΡΠΏΠΎΠ΅ Π²ΡΡΠ°ΠΆΠ΅Π½ΠΈΠ΅ Π»ΠΈΡΠ°, Π½ΠΎ Π΅ΡΠ»ΠΈ Π² Π²Π°ΡΠ΅ΠΌ ΡΠ»ΡΡΠ°Π΅ ΡΡΠΎ Π½Π΅ Π΄Π΅ΠΉΡΡΠ²ΡΠ΅Ρ, ΡΠΎ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΏΠΎΡΡΡΠΏΠΈΡΡ ΡΠ°ΠΊ, ΠΊΠ°ΠΊ Π½ΡΠ°Π²ΠΈΡΡΡ Π²Π°ΠΌ Π±ΠΎΠ»ΡΡΠ΅.Β
Π‘ΠΎΠ·Π΄Π°Π½ΠΈΠ΅ Π²ΠΎΠ»Π½ΠΈΡΡΡΡ Π»ΠΎΠΊΠΎΠ½ΠΎΠ²
Π‘Π²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ Π²Ρ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΡΠΎΠ·Π΄Π°ΡΡ Π½Π΅Π²Π΅ΡΠΎΡΡΠ½ΠΎ ΠΊΡΠ°ΡΠΈΠ²ΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ, Π·Π°ΡΡΠ°ΡΠΈΠ² ΠΏΡΠΈ ΡΡΠΎΠΌ ΠΌΠΈΠ½ΠΈΠΌΡΠΌ ΡΡΠΈΠ»ΠΈΠΉ. Π‘ΡΡΠΈΠΆΠΊΡ ΠΊΠ°ΡΠΊΠ°Π΄ ΠΌΠΎΠΆΠ½ΠΎ ΡΠ»ΠΎΠΆΠΈΡΡ ΠΏΠΎ-ΡΠ°Π·Π½ΠΎΠΌΡ, ΠΈ Π²ΡΠ΅ ΡΡΠΎ Π±ΡΠ΄Π΅Ρ ΠΎΠ΄ΠΈΠ½Π°ΠΊΠΎΠ²ΠΎ ΠΊΡΠ°ΡΠΈΠ²ΠΎ, Π½Π΅Π·Π°Π²ΠΈΡΠΈΠΌΠΎ ΠΎΡ ΡΠΎΠ³ΠΎ, Π΄Π»ΠΈΠ½Π½ΡΠ΅ Ρ Π²Π°Ρ, ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ, Ρ ΡΠ΅Π»ΠΊΠΎΠΉ Π²Ρ ΠΈΠ»ΠΈ Π±Π΅Π· Π½Π΅Ρ. ΠΠ΄Π½ΠΎ ΠΈΠ· ΡΠ°ΠΌΡΡ Π³Π»Π°Π²Π½ΡΡ ΡΠΊΡΠ°ΡΠ΅Π½ΠΈΠΉ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ β Π·Π°Π²ΠΈΠ²ΠΊΠ° ΠΏΡΡΠ΄Π΅ΠΉ. ΠΡΠΎ ΠΏΡΠΈΠ΄Π°ΡΡ Π²Π°ΠΌ ΠΎΡΠΎΠ±Π΅Π½Π½ΡΡ ΠΆΠ΅Π½ΡΡΠ²Π΅Π½Π½ΠΎΡΡΡ ΠΈ ΡΡΠΎΠ½ΡΠ΅Π½Π½ΠΎΡΡΡ.
ΠΠ°Π²ΠΈΠ²ΠΊΠ° Π΄Π΅Π»Π°Π΅ΡΡΡ ΡΠ»Π΅Π΄ΡΡΡΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ:
- ΠΡΡΡΡΠ΅Π½Π½ΡΠ΅ ΠΈ ΡΠ»ΠΎΠΆΠ΅Π½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ Π½ΡΠΆΠ½ΠΎ ΡΠ°ΡΡΠ΅ΡΠ°ΡΡ ΡΠ½Π°ΡΠ°Π»Π° ΠΌΠ°ΡΡΠ°ΠΆΠ½ΠΎΠΉ ΡΠ΅ΡΠΊΠΎΠΉ, Π° Π·Π°ΡΠ΅ΠΌ ΡΠΎΠ½ΠΊΠΎΠΉ Ρ ΡΠ°ΡΡΡΠΌΠΈ Π·ΡΠ±ΡΠΈΠΊΠ°ΠΌΠΈ.
- Π‘Π½Π°ΡΠ°Π»Π° Π·Π°ΠΉΠΌΠΈΡΠ΅ΡΡ ΡΠ΅Π»ΠΊΠΎΠΉ, Π΅ΡΠ»ΠΈ ΠΎΠ½Π° Ρ Π²Π°Ρ Π΅ΡΡΡ. ΠΠ΅Π²Π°ΠΆΠ½ΠΎ, ΠΊΠ°ΠΊΠΎΠΉ ΠΎΠ½Π° ΡΠΎΡΠΌΡ, Π½ΠΎ ΠΊΠΎΠ³Π΄Π° Π½Π° Π²ΠΎΠ»ΠΎΡΠ°Ρ Π·Π°Π²ΠΈΠ²ΠΊΠ°, ΡΡΠ° ΡΠ°ΡΡΡ Π»ΠΎΠΊΠΎΠ½ΠΎΠ² Π΄ΠΎΠ»ΠΆΠ½Π° Π»Π΅ΠΆΠ°ΡΡ Π½Π°Π±ΠΎΠΊ. ΠΡΡΠΌΡΡ ΡΠ΅Π»ΠΊΡ ΠΌΠΎΠΆΠ½ΠΎ ΡΠ»Π΅Π³ΠΊΠ° ΠΏΠΎΠ΄ΠΊΡΡΡΠΈΡΡ ΠΈ ΡΠ°Π·Π΄Π΅Π»ΠΈΡΡ Π±ΠΎΠΊΠΎΠ²ΡΠΌ ΠΏΡΠΎΠ±ΠΎΡΠΎΠΌ Π½Π° Π΄Π²Π΅ ΡΠ°ΡΡΠΈ.
- ΠΠ°ΠΊΡΠ΅ΠΏΠΈΡΠ΅ Π²Π΅ΡΡ Π½ΠΈΠ΅ ΡΠ»ΠΎΠΈ, ΠΎΡΡΠ°Π²ΠΈΠ² ΡΠΎΠ»ΡΠΊΠΎ Π½ΠΈΠΆΠ½ΠΈΠΉ. ΠΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ ΡΠ°Π·Π΄Π΅Π»ΠΈΡΠ΅ ΡΡΠΎΡ ΡΠ»ΠΎΠΉ Π½Π° ΠΏΡΡΠ΄ΠΊΠΈ.
- ΠΠ°ΠΏΡΠ°Π²Π»ΡΡ ΠΏΠ»ΠΎΠΉΠΊΡ Π² ΠΎΠ΄Π½ΠΎΠΌ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠΈ, Π½Π°ΠΊΡΡΡΠΈΡΠ΅ Π²ΡΠ΅ ΠΏΡΡΠ΄ΠΈ. Π’ΠΎ ΠΆΠ΅ ΠΏΠΎΠ²ΡΠΎΡΠΈΡΠ΅ Ρ ΠΎΡΡΠ°Π»ΡΠ½ΡΠΌΠΈ ΡΠ»ΠΎΡΠΌΠΈ.
- ΠΡΠ΅ΠΆΠ΄Π΅ ΡΠ΅ΠΌ Π·Π°ΠΊΠΎΠ½ΡΠΈΡΡ, Π·Π°ΠΊΡΠ΅ΠΏΠΈΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΡ Π»Π΅Π³ΠΊΠΈΠΌ Π»Π°ΠΊΠΎΠΌ.
ΠΡΠ»ΠΈ Π²Π°ΡΠΈ Π²ΠΎΠ»ΠΎΡΡ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅, Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ Π½Π°ΠΊΡΡΡΠΈΡΡ ΡΠ΅Π»ΠΈΠΊΠΎΠΌ Π²ΡΡ ΠΏΡΡΠ΄Ρ ΠΎΡ ΠΊΠΎΡΠ½Π΅ΠΉ (ΠΎΡΡΠΎΡΠΎΠΆΠ½ΠΎ, Π½Π΅ ΠΎΠ±ΠΎΠΆΠ³ΠΈΡΠ΅ΡΡ) Π΄ΠΎ ΠΊΠΎΠ½ΡΠΈΠΊΠΎΠ². ΠΡΠ»ΠΈ ΠΆΠ΅ Π²ΠΎΠ»ΠΎΡΡ Ρ Π²Π°Ρ ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈΠ»ΠΈ Π΄Π»ΠΈΠ½Π½ΡΠ΅, ΡΠΎ Π·Π°Π²ΠΈΠ²ΠΊΠ° ΡΠ°ΡΠΏΡΠΎΡΡΡΠ°Π½ΡΠ΅ΡΡΡ ΡΠΎΠ»ΡΠΊΠΎ Π½Π° ΠΊΠΎΠ½ΡΡ.
ΠΡΠΏΡΡΠΌΠ»Π΅Π½ΠΈΠ΅ ΠΏΡΡΠ΄Π΅ΠΉ
ΠΡΡΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ Π²Π°ΡΠΈΠ°Π½ΡΡ, ΠΊΠ°ΠΊ ΡΠ»ΡΡΡΠΈΡΡ ΡΡΡΠΈΠΆΠΊΡ ΠΊΠ°ΡΠΊΠ°Π΄. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, ΡΠΎΠ·Π΄Π°ΡΡ ΡΡΡΠ΅ΠΊΡ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΠΏΡΡΠΌΡΡ ΠΏΡΡΠ΄Π΅ΠΉ. ΠΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΡΡΠΎ ΡΠΌΠΎΡΡΠΈΡΡΡ Π½Π° ΡΠ²Π°Π½Π½ΠΎΠΉ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠ΅ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ. ΠΡΠΏΠΎΠ»Π½ΡΠ΅ΡΡΡ ΡΡΠ° ΠΏΡΠΎΡΠ΅Π΄ΡΡΠ° ΠΏΠΎΡΡΠΈ ΠΊΠ°ΠΊ Π·Π°Π²ΠΈΠ²ΠΊΠ°, ΡΠΎΠ»ΡΠΊΠΎ ΡΠ΅ΠΏΠ΅ΡΡ Π½ΡΠΆΠ½ΠΎ ΡΠΎΠ·Π΄Π°ΡΡ Π½Π΅ ΠΊΡΠ°ΡΠΈΠ²ΡΠ΅ ΠΊΡΠ΄ΡΠΈ, Π° ΡΠ΅ΡΠΊΠΎ ΡΠΎΠ²Π½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ. ΠΡΠ° ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π±ΡΠ΄Π΅Ρ Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ Π½Π΅ΡΠΎΡΠΌΠ°Π»ΡΠ½ΠΎ, Π½ΠΎ ΠΎΠ½Π° ΠΎΡΠ΅Π½Ρ ΠΎΡΠ²Π΅ΠΆΠ°Π΅Ρ ΠΈ ΠΌΠΎΠ»ΠΎΠ΄ΠΈΡ.
- Π Π°ΡΡΠ΅ΡΠΈΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΠΎΠ½ΠΊΠΎΠΉ ΡΠ°ΡΡΡΡΠΊΠΎΠΉ Ρ ΡΠ°ΡΡΡΠΌΠΈ Π·ΡΠ±ΡΠΈΠΊΠ°ΠΌΠΈ. ΠΡΠ΄ΡΡΠ΅ ΠΎΡΡΠΎΡΠΎΠΆΠ½Ρ, Π΅ΡΠ»ΠΈ Π²ΠΎΠ»ΠΎΡΠΊΠΈ ΡΡΠ°Π·Ρ ΠΆΠ΅ ΡΠ»Π΅ΠΊΡΡΠΈΠ·ΡΡΡΡΡ, ΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠΉΡΠ΅ ΠΌΠ°ΡΡΠ°ΠΆΠ½ΡΡ ΡΡΡΠΊΡ Π² ΡΠ°ΠΊΠΎΠΌ ΡΠ»ΡΡΠ°Π΅.
- ΠΡΠ΄Π΅Π»ΠΈΡΠ΅ Π½ΠΈΠΆΠ½ΠΈΠΉ ΡΠ»ΠΎΠΉ, ΠΎΡΡΠ°Π»ΡΠ½ΡΠ΅ Π·Π°ΠΊΡΠ΅ΠΏΠΈΡΠ΅ Π·Π°ΠΊΠΎΠ»ΠΊΠ°ΠΌΠΈ.
- ΠΡΠΈΠ΄Π΅ΡΠΆΠΈΠ²Π°Ρ ΠΏΡΡΠ΄Ρ ΡΠΎΠ½ΠΊΠΎΠΉ ΡΠ°ΡΡΡΡΠΊΠΎΠΉ, ΡΡΡΠΆΠΊΠΎΠΌ Π²ΡΡΡΠ½ΠΈΡΠ΅ Π΅Ρ. ΠΡΠ»ΠΈ ΠΎΠ½Π° Π²ΡΠΏΡΡΠΌΠΈΠ»Π°ΡΡ Π½Π΅Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Ρ ΠΎΡΠΎΡΠΎ, ΠΏΠΎΠ²ΡΠΎΡΠΈΡΠ΅.
- ΠΡΠΎΠ΄Π΅Π»Π°ΠΉΡΠ΅ ΡΠΎ ΠΆΠ΅ Ρ ΠΎΡΡΠ°Π»ΡΠ½ΡΠΌΠΈ ΠΏΡΡΠ΄ΡΠΌΠΈ, Π° Π·Π°ΡΠ΅ΠΌ ΠΈ Ρ ΠΎΡΡΠ°Π»ΡΠ½ΡΠΌΠΈ ΡΠ»ΠΎΡΠΌΠΈ.
- Π’ΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ ΡΠ°ΡΡΠ΅ΡΠΈΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΠ°ΡΡΠ΅ΡΠΊΠΎΠΉ, ΠΎΡ ΠΊΠΎΡΠΎΡΠΎΠΉ Π²ΠΎΠ»ΠΎΡΡ Π½Π΅ ΡΠ»Π΅ΠΊΡΡΠΈΠ·ΡΡΡΡΡ.
- ΠΠΎΠΊΡΠΎΠΉΡΠ΅ ΠΏΡΡΠ΄ΠΈ Π»Π΅Π³ΠΊΠΈΠΌ Π»Π°ΠΊΠΎΠΌ, ΡΡΠΎΠ±Ρ Π·Π°ΠΊΡΠ΅ΠΏΠΈΡΡ ΠΏΠΎΠ»ΡΡΠ΅Π½Π½ΡΠΉ Π±Π»Π°Π³ΠΎΠ΄Π°ΡΡ ΡΡΡΠΈΠΆΠΊΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ.
ΠΠ°Π»Π΅Π΅ ΡΠ°Π·Π±Π΅ΡΠ΅ΠΌΡΡ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ. ΠΠ΄Π΅ΡΡ Π½Π΅ ΡΡΠΎΠ»Ρ Π²Π°ΠΆΠ½ΠΎ, Π½Π° ΠΊΠ°ΠΊΡΡ ΡΡΠΎΡΠΎΠ½Ρ ΠΎΠ½Π° Π»Π΅ΠΆΠΈΡ ΠΈ Π² ΠΊΠ°ΠΊΠΎΠΌ ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠΈ, ΠΊΠ°ΠΊΠΎΠΉ ΡΠΎΡΠΌΡ ΠΈ Π΄Π»ΠΈΠ½Ρ. ΠΡ ΡΠ°ΠΊ ΠΆΠ΅ Π½ΡΠΆΠ½ΠΎ ΡΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ Π²ΡΡΠΎΠ²Π½ΡΡΡ, ΠΏΡΠΈΠ΄Π°Π² Π½Π΅Π·Π½Π°ΡΠΈΡΠ΅Π»ΡΠ½ΡΠΉ ΠΎΠ±ΡΡΠΌ.
ΠΠΎΠ½ΡΠ°Π²ΠΈΠ»Π°ΡΡ ΡΡΠ°ΡΡΡ? ΠΠΎΠΌΠΎΠ³ΠΈ Π½Π°ΡΠ΅ΠΌΡ ΡΠ°ΠΉΡΡ, ΡΠ°ΡΡΠΊΠ°ΠΆΠΈ ΠΎ ΡΡΠ°ΡΡΠ΅ Π΄ΡΡΠ·ΡΡΠΌ:
Π‘ΡΡΠΈΠΆΠΊΠ° Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ
ΠΡΠ»ΠΈ Π²Ρ ΡΠ΅ΡΠΈΠ»ΠΈ ΠΊΠ°ΡΠ΄ΠΈΠ½Π°Π»ΡΠ½ΠΎ ΡΠΌΠ΅Π½ΠΈΡΡ ΠΈΠΌΠΈΠ΄ΠΆ ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΎ ΠΏΠΎΠ΄ΡΡΡΠΈΡΡΡΡ, ΡΠΎ ΡΠΎΠ²Π΅ΡΡΠ΅ΠΌ Π²Π°ΠΌ ΠΎΠ±ΡΠ°ΡΠΈΡΡ Π²Π½ΠΈΠΌΠ°Π½ΠΈΠ΅ Π½Π° ΠΏΡΠΈΡΠ΅ΡΠΊΡ Β«ΡΡΡΠΈΠΆΠΊΠ° Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡΒ». Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π²ΡΠ³Π»ΡΠ΄ΠΈΡ ΠΎΡΠ΅Π½Ρ ΡΡΠΈΠ»ΡΠ½ΠΎ, ΡΠ°ΠΊ ΡΡΠΎ Π²Ρ Π½Π΅Π²ΠΎΠ»ΡΠ½ΠΎ ΠΎΠΊΠ°ΠΆΠ΅ΡΠ΅ΡΡ Π² ΡΠ΅Π½ΡΡΠ΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΡ ΠΊΠΎΠ»Π»Π΅Π³ ΠΈ ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΠΈΡΠ΅Π»Π΅ΠΉ ΠΏΡΠΎΡΠΈΠ²ΠΎΠΏΠΎΠ»ΠΎΠΆΠ½ΠΎΠ³ΠΎ ΠΏΠΎΠ»Π°. ΠΠ΅Π½ΡΠΈΠ½Ρ Π΄Π΅Π»Π°ΡΡ Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π΄Π»Ρ ΠΊΡΡΠ³Π»ΠΎΠ³ΠΎ Π»ΠΈΡΠ°, ΡΡΠΎΠ±Ρ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ Π΅Π³ΠΎ Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ Π΄Π»ΠΈΠ½Π½Π΅Π΅. ΠΠ°ΠΆΠ΅ Π΅ΡΠ»ΠΈ Π²Π°ΡΠΈ Π»ΠΎΠΊΠΎΠ½Ρ Π½Π΅ ΠΎΠ±Π»Π°Π΄Π°ΡΡ Π³ΡΡΡΠΎΡΠΎΠΉ ΠΈ ΠΎΠ±ΡΠ΅ΠΌΠΎΠΌ, ΡΠΎ ΠΌΠΎΠ΄Π½ΡΠ΅ Π³ΡΠ°Π΄ΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, Β«ΠΠ°ΡΠΊΠ°Π΄Β», ΠΌΠΎΠ³ΡΡ Π»Π΅Π³ΠΊΠΎ ΠΈΡΠΏΡΠ°Π²ΠΈΡΡ Π½Π΅Π΄ΠΎΡΡΠ°ΡΠΎΠΊ. Π ΠΎΡΠ½ΠΎΠ²Π΅ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π»Π΅ΠΆΠ°Ρ Π»ΠΎΠΊΠΎΠ½Ρ ΡΠΎ ΡΡΠ΅Π΄Π½Π΅ΠΉ Π΄Π»ΠΈΠ½ΠΎΠΉ.Β ΠΠΎ-Π΄ΡΡΠ³ΠΎΠΌΡ Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π½Π°Π·ΡΠ²Π°ΡΡ Β«ΠΠ΅ΡΠ΅Π½ΠΊΠΎΠΉΒ».
ΠΠΎ ΠΌΠ½Π΅Π½ΠΈΡ ΠΏΡΠΈΡ ΠΎΠ»ΠΎΠ³ΠΎΠ², ΠΌΠ΅Π½ΡΡΡ ΡΠ²ΠΎΠΉ ΠΈΠΌΠΈΠ΄ΠΆ Π½ΡΠΆΠ½ΠΎ ΡΠ΅Π³ΡΠ»ΡΡΠ½ΠΎ. ΠΠΎΠ΄Π½ΡΠ΅ ΡΡΡΠΈΠΆΠΊΠΈ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΡ ΠΈΠ·Π±Π΅ΠΆΠ°ΡΡ ΠΎΡΡΡΠ΅Π½ΠΈΡ ΡΠ΅ΡΠΎΡΡΠΈ. ΠΡΡΡΠΈΠ΅ΡΡ ΠΏΡΡΠ΄ΠΈ ΠΆΠ΅Π½ΡΠΈΠ½ Π½Π΅ ΠΎΡΠΎΠ±ΠΎ ΠΏΠΎΠ΄Π΄Π°ΡΡΡΡ Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ΅Β». ΠΠ°Π»Π΅ΠΊΠΎ Π½Π΅ Π²ΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ ΠΏΠΎΠ»ΡΡΠ°ΡΡΡΡ ΡΠΊΡΡΠ½ΡΠΌΠΈ. ΠΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ° β ΡΡΠΊΠΎΠ΅ ΡΠΎΠΌΡ ΠΏΠΎΠ΄ΡΠ²Π΅ΡΠΆΠ΄Π΅Π½ΠΈΠ΅. Π’Π°ΠΊΠ°Ρ ΡΡΡΠΈΠΆΠΊΠ° ΠΎΡΠ»ΠΈΡΠ½ΠΎ ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ ΠΌΠΎΠ»ΠΎΠ΄ΠΎΠΉ Π΄Π΅Π²ΡΡΠΊΠ΅ ΠΈ ΡΠΎΠ»ΠΈΠ΄Π½ΠΎΠΉ Π΄Π°ΠΌΠ΅.
Π¦Π²Π΅Ρ Π²ΠΎΠ»ΠΎΡ ΡΠ΅ΡΠ°ΡΡΠ΅Π³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ Π·Π΄Π΅ΡΡ Π½Π΅ ΠΈΠΌΠ΅Π΅Ρ. ΠΠ½Π° ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π±Π»ΠΎΠ½Π΄ΠΈΠ½ΠΊΠ°ΠΌ, Π±ΡΡΠ½Π΅ΡΠΊΠ°ΠΌ, ΡΡΡΡΠΌ. ΠΡΠ»ΠΈ ΡΠ΄Π΅Π»Π°ΡΡ ΠΌΠ΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅, ΡΠΎ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Ρ ΡΠ΅Π»ΠΊΠΎΠΉ ΠΏΠΎΠ»ΡΡΠΈΡΡΡ ΠΎΡΠ΅Π½Ρ ΡΡΠΊΠΎΠΉ. Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β» ΠΏΠΎΠΌΠΎΠΆΠ΅Ρ ΠΈΡΠΏΡΠ°Π²ΠΈΡΡ ΠΊΡΡΠ³Π»ΠΎΠ΅ Π»ΠΈΡΠΎ, ΡΠ»Π΅Π³ΠΊΠ° Π²ΡΡΡΠ½ΡΠ² Π΅Π³ΠΎ Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ. ΠΠ΄Π½Π°ΠΊΠΎ Π΅ΡΠ»ΠΈ Ρ Π²Π°Ρ ΠΊΡΡΠ³Π»Π°Ρ ΡΠΎΡΠΌΠ° Π»ΠΈΡΠ°, ΡΠΎ ΠΌΠΎΠΆΠ½ΠΎ Π²ΡΠ±ΡΠ°ΡΡ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΊΠ°ΡΠ΅. ΠΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ Β«ΠΠ°ΡΠΊΠ°Π΄ Ρ ΡΠ΅Π»ΠΊΠΎΠΉΒ» ΡΠΌΠΎΡΡΠΈΡΡΡ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΡ ΠΈ Π΄Π»ΠΈΠ½Π½ΡΡ ΠΆΠ΅Π½ΡΠΊΠΈΡ ΠΏΡΡΠ΄ΡΡ .
ΠΠ°ΠΊΠΈΠ΅ Π²Π°ΡΠΈΠ°Π½ΡΡ ΡΡΡΠ΅ΡΡΠ²ΡΡΡ?
ΠΠΎΠ»ΡΡΠΎΠ΅ ΠΏΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²ΠΎ ΡΡΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ ΠΈΠ»ΠΈ Π½Π° Π΄Π»ΠΈΠ½Π½ΡΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ Π² ΡΠΎΠΌ, ΡΡΠΎ ΠΎΠ½Π° ΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΡΡΠ° Π² ΡΠΊΠ»Π°Π΄ΠΊΠ΅ ΠΈ Π²ΡΠ΅Π³Π΄Π° Π²ΡΠ³Π»ΡΠ΄ΠΈΡ Π°ΠΊΠΊΡΡΠ°ΡΠ½ΠΎ. Π‘ΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ ΡΡΠΈ Π²Π°ΡΠΈΠ°Π½ΡΠ° Β«ΠΠ°ΡΠΊΠ°Π΄Π°Β» Π΄Π»Ρ ΠΊΠΎΡΠΎΡΠΊΠΈΡ ΠΏΡΡΠ΄Π΅ΠΉ:
- Π³ΡΠ°Π΄ΡΠΈΡΠΎΠ²Π°Π½Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ°;
- ΡΠ²Π°Π½Π°Ρ;
- Π΄Π²ΠΎΠΉΠ½Π°Ρ.
Π§ΡΠΎ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΠ΅Ρ ΠΈΠ· ΡΠ΅Π±Ρ Π³ΡΠ°Π΄ΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠΉ?
ΠΡΠΎΡ Π²Π°ΡΠΈΠ°Π½Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ ΡΠ΅ΠΌ, ΠΊΡΠΎ Ρ ΠΎΡΠ΅Ρ ΠΏΠΎΠΏΡΠΎΠ±ΠΎΠ²Π°ΡΡ ΠΊΠΎΡΠΎΡΠΊΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ, Π½ΠΎ Π½Π΅ ΡΠ΅ΡΠ°Π΅ΡΡΡ ΡΠ΅Π·ΠΊΠΎ ΡΠΌΠ΅Π½ΠΈΡΡ ΠΏΡΠΈΠ²ΡΡΠ½ΡΠΉ ΡΡΠΈΠ»Ρ. ΠΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π΄Π»Ρ Π»ΡΠ±ΠΎΠ³ΠΎ ΡΠΈΠΏΠ° Π»ΠΈΡΠ°. ΠΡΠΎΠ±Π΅Π½Π½ΠΎ ΠΎΠ½ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ ΡΠ΅ΠΌ, Ρ ΠΊΠΎΠ³ΠΎ ΠΏΡΡΠ΄ΠΈ Π²ΡΡΡΠΈΠ΅ΡΡ, Π½ΠΎ ΡΠΎΠ½ΠΊΠΈΠ΅ ΠΎΡ ΠΏΡΠΈΡΠΎΠ΄Ρ. ΠΡΠ°Π΄ΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠΉ Β«ΠΠ°ΡΠΊΠ°Π΄ Ρ ΡΠ΅Π»ΠΊΠΎΠΉΒ» ΠΏΠΎΠ·Π²ΠΎΠ»ΠΈΡ ΠΏΡΠΈΠ΄Π°ΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΠ΅ Π½ΡΠΆΠ½ΡΠΉ ΠΎΠ±ΡΠ΅ΠΌ, ΠΈ Π²Π°ΡΠΈ Π²ΠΎΠ»ΠΎΡΡ Π±ΡΠ΄ΡΡ Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ Π³ΡΡΡΡΠΌΠΈ ΠΈ ΠΏΡΡΠ½ΡΠΌΠΈ. ΠΠ΅ ΡΡΠΎΠΈΡ Π΄Π΅Π»Π°ΡΡ ΡΠ΅Π»ΠΊΡ Π½Π° Π²ΠΎΠ»Π½ΠΈΡΡΡΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ. ΠΠΎΠΏΠΎΠ»Π½ΠΈΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ ΠΌΠΎΠΆΠ½ΠΎ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π°ΡΠΈΠΌΠΌΠ΅ΡΡΠΈΡΠ½ΠΎΠΉ ΡΠ΅Π»ΠΊΠΈ. ΠΠ° ΡΡΠ΅Π΄Π½Π΅ΠΉ Π΄Π»ΠΈΠ½Π΅ ΠΏΡΡΠ΄Π΅ΠΉ ΡΡΡΠΈΠΆΠΊΠ° ΡΠΌΠΎΡΡΠΈΡΡΡ Π·Π°ΠΌΠ΅ΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ.
Π‘Ρ Π΅ΠΌΠ° ΡΡΡΠΈΠΆΠΊΠΈ ΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΡΡΠ°Ρ: Π²ΠΎΠ»ΠΎΡΡ Π³ΡΠ°Π΄ΡΠΈΡΡΡΡ ΡΠ»ΠΎΡΠΌΠΈ Ρ Π±ΠΎΠΊΠΎΠ², ΠΏΠΎΡΡΠ΅ΠΏΠ΅Π½Π½ΠΎ ΡΠΎΠ·Π΄Π°Π΅ΡΡΡ ΠΏΠ»Π°Π²Π½ΡΠΉ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄ ΠΊ Π΄Π»ΠΈΠ½Π½ΡΠΌ Π»ΠΎΠΊΠΎΠ½Π°ΠΌ. Π’Π°ΠΊΠ°Ρ Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β» ΠΏΠΎΠ»ΡΡΠ°Π΅ΡΡΡ ΠΎΠ±ΡΠ΅ΠΌΠ½ΠΎΠΉ, ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π½ΡΠ΅ ΡΡΠ΅Π΄ΡΡΠ²Π° Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π½Π΅Ρ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ. ΠΠ΄Π½Π°ΠΊΠΎ Π΅ΡΠ»ΠΈ Π»ΠΎΠΊΠΎΠ½Ρ ΠΊΡΠ΄ΡΡΠ²ΡΠ΅, ΡΠΎ ΡΠΊΠ»Π°Π΄ΠΊΠ° ΠΌΠΎΠΆΠ΅Ρ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΡΡ ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½Π½ΡΡ ΡΠ»ΠΎΠΆΠ½ΠΎΡΡΡ.
Haircut tutorial.Graded haircut for medium length hair. ΠΡΠ°Π΄ΡΠΈΡΠΎΠ²Π°Π½Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ° «ΠΠ°ΡΠΊΠ°Π΄»
Π§ΡΠΎ ΡΠ°ΠΊΠΎΠ΅ ΡΠ²Π°Π½ΡΠΉ Β«ΠΠ°ΡΠΊΠ°Π΄Β»?
Π Π²Π°Π½ΡΠΉ Β«ΠΠ°ΡΠΊΠ°Π΄ Ρ ΡΠ΅Π»ΠΊΠΎΠΉΒ» ΡΠΎΠ·Π΄Π°Π΅Ρ ΠΈΠ³ΡΠΈΠ²ΡΠΉ ΠΎΠ±ΡΠ°Π·, ΠΎΠ΄Π½Π°ΠΊΠΎ ΡΡΠΎ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΏΠΎΠΏΡΠ»ΡΡΠ½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ° Ρ ΠΌΠΎΠ»ΠΎΠ΄ΡΡ ΠΌΠΎΠ΄Π½ΠΈΡ. Π’Π°ΠΊΠ°Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° ΠΌΠΎΠΆΠ΅Ρ Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ Π²Π΅ΡΡΠΌΠ° ΡΠΎΠ»ΠΈΠ΄Π½ΠΎ. Π‘ΡΡΠΈΠΆΠΊΠ° Π΄Π΅Π»Π°Π΅ΡΡΡ Π½Π° ΠΏΡΡΠ΄ΡΡ , ΠΊΠΎΡΠΎΡΡΠ΅ Π²ΡΡΡΡΠΈΠ³Π°ΡΡ ΡΠ°Π·Π½ΠΎΠΉ Π΄Π»ΠΈΠ½Ρ. ΠΡΡΡΠΈΠ΅ΡΡ Π»ΠΎΠΊΠΎΠ½Ρ ΠΏΠΎΠ΄Π΄Π°ΡΡΡΡ ΡΠ°ΠΊΠΎΠΌΡ Π²Π°ΡΠΈΠ°Π½ΡΡΒ ΡΡΡΠΈΠΆΠΊΠΈ. Π‘Ρ Π΅ΠΌΠ° ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ Π΄Π΅Π»Π°ΡΡ Ρ Π°ΠΎΡΠΈΡΠ½ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ, Π² ΡΠ°ΠΊΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ ΠΎΠ±ΡΠ°Π· ΠΏΠΎΠ»ΡΡΠ°Π΅ΡΡΡ Π²Π΅ΡΡΠΌΠ° ΡΠΎΠΌΠ°Π½ΡΠΈΡΠ½ΡΠΉ. Π‘ΡΡΠΈΠΆΠΊΡ Π΄ΠΎΠΏΠΎΠ»Π½ΡΡΡ ΡΠ΅Π»ΠΊΠΎΠΉ, ΠΈΠ»ΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΎΡΡΠ°Π²ΠΈΡΡ Π΅Π΅ Π΄Π»ΠΈΠ½Π½ΠΎΠΉ.
ΠΠΎΠ΄Π½Π°Ρ ΠΆΠ΅Π½ΡΠΊΠ°Ρ ΡΡΡΠΈΠΆΠΊΠ° ΠΈΠΌΠ΅Π΅Ρ Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΏΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²ΠΎ Π² ΡΠΎΠΌ, ΡΡΠΎ Π΅Π΅ Π½Π΅ Π½ΡΠΆΠ½ΠΎ ΠΏΠΎΡΡΠΎΡΠ½Π½ΠΎ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ. ΠΠ΄Π½Π°ΠΊΠΎ Π΅ΡΡΡ ΠΈ ΠΌΠΈΠ½ΡΡΡ. ΠΠ½Π° ΠΏΡΠΎΡΠΈΠ²ΠΎΠΏΠΎΠΊΠ°Π·Π°Π½Π° Π΄Π΅Π²ΡΡΠΊΠ°ΠΌ Ρ ΠΊΡΡΠ³Π»ΡΠΌ Π»ΠΈΡΠΎΠΌ. Π§Π΅Π»ΠΊΡ Π½ΡΠΆΠ½ΠΎ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ ΠΏΠΎΡΡΠΎΡΠ½Π½ΠΎ. ΠΠ»Ρ ΠΊΡΡΠ³Π»ΠΎΠ³ΠΎ Π»ΠΈΡΠ° ΠΌΠΎΠΆΠ½ΠΎ ΠΏΠΎΠ΄ΠΎΠ±ΡΠ°ΡΡ Π΄ΡΡΠ³ΠΎΠΉ Π²Π°ΡΠΈΠ°Π½Ρ. ΠΡΡΡΠΈΠ΅ΡΡ Π»ΠΎΠΊΠΎΠ½Ρ ΡΠ°ΠΊΠΆΠ΅ Π½Π΅ Π»ΡΠ±ΡΡ ΡΠ΅Π»ΠΊΡ.
Β«ΠΠ²ΠΎΠΉΠ½ΠΎΠΉ ΠΊΠ°ΡΠΊΠ°Π΄Β»
ΠΡΠΎΡ Β«ΠΠ°ΡΠΊΠ°Π΄Β» Π²ΡΠΏΠΎΠ»Π½ΡΠ΅ΡΡΡ ΠΌΠ΅Π»ΠΊΠΈΠΌΠΈ ΠΏΡΡΠ΄ΠΊΠ°ΠΌΠΈ, ΠΊΠΎΡΠΎΡΡΠ΅ ΡΠ°ΡΠΏΠΎΠ»Π°Π³Π°ΡΡΡΡ Π² Π²Π΅ΡΡ Π½Π΅ΠΉ ΡΠ°ΡΡΠΈ ΠΌΠ°ΠΊΡΡΠΊΠΈ. ΠΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π΄Π»Ρ Π²ΡΠ΅Ρ ΡΠΈΠΏΠΎΠ² Π»ΠΈΡΠ° ΠΈ Π½Π° Π²ΡΡΡΠΈΠ΅ΡΡ ΠΏΡΡΠ΄ΠΈ. Π Π½ΠΈΠΆΠ½Π΅ΠΉ ΡΠ°ΡΡΠΈ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΏΡΡΠ΄ΠΊΠΈ ΠΎΡΡΠ°Π²Π»ΡΡΡ Π΄Π»ΠΈΠ½Π½ΡΠΌΠΈ. ΠΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠ΅ Β«ΠΠ²ΠΎΠΉΠ½ΠΎΠ³ΠΎ ΠΊΠ°ΡΠΊΠ°Π΄Π°Β» ΡΡΠ΅Π±ΡΠ΅Ρ ΠΎΡ ΠΏΠ°ΡΠΈΠΊΠΌΠ°Ρ Π΅ΡΠ° Π±ΠΎΠ»ΡΡΠΎΠ³ΠΎ ΠΎΠΏΡΡΠ° ΠΈ ΠΏΡΠΎΡΠ΅ΡΡΠΈΠΎΠ½Π°Π»ΠΈΠ·ΠΌΠ°. ΠΡΠ»ΠΈ ΠΌΠΎΠ΄Π½ΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½Ρ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎ, ΡΠΎ ΠΎΠ½ΠΈ ΠΏΠΎΠ»ΡΡΠ°ΡΡΡΡ ΠΏΡΡΠ½ΡΠΌΠΈ, Π΄Π°ΠΆΠ΅ Π΅ΡΠ»ΠΈ Ρ Π²Π°Ρ Π²ΠΎΠ»ΠΎΡΡ ΡΠΎΠ½ΠΊΠΈΠ΅. Β«ΠΠ²ΠΎΠΉΠ½Π°Ρ Π»Π΅ΡΠ΅Π½ΠΊΠ°Β» Π½Π° Π³ΡΡΡΡΡ ΠΈΠ»ΠΈ ΠΊΡΠ΄ΡΡΠ²ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ ΠΏΡΠΈΠ΄Π°ΡΡ Π»ΠΎΠΊΠΎΠ½Π°ΠΌ Π»Π΅Π³ΠΊΠΎΡΡΡ ΠΈ ΡΠΏΡΡΠ³ΠΎΡΡΡ.
- ΠΠ°ΠΊΠΈΠ΅ ΠΏΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²Π° ΠΈΠΌΠ΅Π΅Ρ Β«ΠΠ²ΠΎΠΉΠ½ΠΎΠΉ ΠΊΠ°ΡΠΊΠ°Π΄Β»?
ΠΡΠ° ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π±ΡΠ΄Π΅Ρ ΠΎΡΠ»ΠΈΡΠ½ΠΎ ΡΠΌΠΎΡΡΠ΅ΡΡΡΡ Π½Π° Π²ΡΡΡΠΈΡ ΡΡ, Π³ΡΡΡΡΡ Π»ΠΎΠΊΠΎΠ½Π°Ρ , Π΅ΡΠ»ΠΈ ΠΆΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΠΎΠ½ΠΊΠΈΠ΅, ΡΠΎ ΠΎΠ½ΠΈ ΠΏΠΎΠ»ΡΡΠ°ΡΡΡ ΠΏΡΡΠ½ΡΠΌΠΈ. ΠΠ΄Π½Π°ΠΊΠΎ ΠΈΠΌΠ΅ΡΡΡΡ ΠΈ Π½Π΅Π΄ΠΎΡΡΠ°ΡΠΊΠΈ. ΠΠΎΠ΄Π½ΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΡΠ΅Π±ΡΡΡ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π²Π΅ΡΡ Π°.
ΠΠ°ΠΊ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎ Π²ΡΠΏΠΎΠ»Π½ΠΈΡΡ Β«ΠΠ°ΡΠΊΠ°Π΄Β»?
Π’Π΅Ρ Π½ΠΈΠΊΠ°, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅Ρ ΡΡΡΠΈΠΆΠΊΠ° Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β», β Π½Π΅ΡΠ»ΠΎΠΆΠ½Π°Ρ, ΠΎΠ΄Π½Π°ΠΊΠΎ ΡΡΡΠ΅ΡΡΠ²ΡΡΡ ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½Π½ΡΠ΅ ΡΡΠ°ΠΏΡ Π΅Π΅ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΡ:
- Π΄Π»Ρ ΡΠΎΠ³ΠΎ ΡΡΠΎΠ±Ρ ΡΠΌΠ°ΡΠΈΠ²Π°ΡΡ Π²ΠΎΠ»ΠΎΡΡ Π² ΠΏΡΠΎΡΠ΅ΡΡΠ΅ ΡΡΡΠΈΠΆΠΊΠΈ, ΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΏΡΠ»ΡΠ²Π΅ΡΠΈΠ·Π°ΡΠΎΡ Ρ Π²ΠΎΠ΄ΠΎΠΉ;
- Π·Π°ΠΆΠΈΠΌΡ Π΄Π»Ρ ΡΠΈΠΊΡΠ°ΡΠΈΠΈ ΠΏΡΡΠ΄Π΅ΠΉ;
- ΠΏΠ°ΡΠΈΠΊΠΌΠ°Ρ Π΅ΡΡΠΊΠΈΠ΅ Π½ΠΎΠΆΠ½ΠΈΡΡ ΠΏΡΠΎΡΡΡΠ΅ ΠΈ ΡΠΈΠ»ΠΈΡΠΎΠ²ΠΎΡΠ½ΡΠ΅;
- ΠΌΠ΅Π»ΠΊΠ°Ρ ΡΠ°ΡΡΠ΅ΡΠΊΠ°;
- Π±ΡΠ°ΡΠΈΠ½Π³ Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ;
- ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΠΉ ΡΠ΅Π½.
ΠΠ°ΠΊ Π²ΡΠΏΠΎΠ»Π½ΡΠ΅ΡΡΡ Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β»?
- Π‘Π½Π°ΡΠ°Π»Π° Π½ΡΠΆΠ½ΠΎ ΠΏΠΎΠΌΡΡΡ Π²ΠΎΠ»ΠΎΡΡ ΡΠ°ΠΌΠΏΡΠ½Π΅ΠΌ ΠΈ Π½Π°Π½Π΅ΡΡΠΈ ΠΊΠΎΠ½Π΄ΠΈΡΠΈΠΎΠ½Π΅Ρ, ΠΊΠΎΡΠΎΡΡΠΉ ΠΎΠ±Π»Π΅Π³ΡΠΈΡ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ ΡΡΡΠΈΠΆΠΊΠΈ.
- ΠΠΎΠ»ΠΎΡΡ ΡΠΎΠ±ΠΈΡΠ°ΡΡ Π² Π³ΡΡΡΡΠ΅ ΠΆΠ³ΡΡΡ ΠΈ Π·Π°ΠΊΠ°Π»ΡΠ²Π°ΡΡ Π½Π°Π²Π΅ΡΡ .
- Π‘Π²ΠΎΠ±ΠΎΠ΄Π½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»ΡΡΡ Π½Π° Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π²Π½ΡΡ ΡΠ°ΡΡΠ΅ΠΉ.
- Π‘Π½Π°ΡΠ°Π»Π° ΡΡΡΠΈΠ³ΡΡ ΡΠΎΠ½ΠΊΠΈΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ, ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½Π½ΡΠ΅ ΡΠ»Π΅Π²Π° Π½Π°Π΄ ΡΡ ΠΎΠΌ.
- ΠΠΎΠ»ΠΎΡΡ Π²ΡΡΡΠ³ΠΈΠ²Π°ΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ°ΡΡΠ΅ΡΠΊΠΈ ΠΈ Π½Π°ΡΠΈΠ½Π°ΡΡ ΡΡΡΠΈΡΡ ΠΏΠΎ ΡΠ³Π»ΠΎΠΌ Π² 45 Π³ΡΠ°Π΄ΡΡΠΎΠ².
- ΠΠ°ΡΠ΅ΠΌ Π½Π°ΡΠΈΠ½Π°ΡΡ ΡΡΡΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ, ΠΊΠΎΡΠΎΡΡΠ΅ ΡΠ°ΡΠΏΠΎΠ»Π°Π³Π°Π΅ΡΡΡ Π² ΠΎΠ±Π»Π°ΡΡΠΈ Π²ΠΈΡΠΊΠ°.
- ΠΡ Π½ΡΠΆΠ½ΠΎ ΡΠ°Π·Π΄Π΅Π»ΠΈΡΡ Π½Π° Π΄Π²Π΅ ΡΠ°ΡΡΠΈ, ΠΊΠ°ΠΆΠ΄Π°Ρ ΡΡΡΠΈΠΆΠ΅ΡΡΡ ΠΏΠΎΠ΄ ΡΠ³Π»ΠΎΠΌ Π² 45 Π³ΡΠ°Π΄ΡΡΠΎΠ².
- ΠΠΎΡΠ»Π΅ ΡΠ΅Π³ΠΎ Π½ΡΠΆΠ½ΠΎ ΠΎΡΠ²ΠΎΠ±ΠΎΠ΄ΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ, ΠΊΠΎΡΠΎΡΡΠ΅ Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Ρ Π½Π° ΠΌΠ°ΠΊΡΡΠΊΠ΅. ΠΠ΅Π»Π°ΡΡ ΠΊΠΎΡΠΎΠΉ ΠΏΡΠΎΠ±ΠΎΡ.
- ΠΡΡΠ΄ΠΈ Π²ΡΡΡΠ³ΠΈΠ²Π°ΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ°ΡΡΠ΅ΡΠΊΠΈ ΠΈ ΡΠΎΡΡΡΠΈΠ³Π°ΡΡ Π² Π³ΠΎΡΠΈΠ·ΠΎΠ½ΡΠ°Π»ΡΠ½ΠΎΠΌ ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠΈ, ΠΊΠΎΠ½ΡΠΈΠΊΠΈ ΠΎΠ±ΡΠ°Π±Π°ΡΡΠ²Π°ΡΡ ΡΠΈΠ»ΠΈΡΠΎΠ²ΠΊΠΎΠΉ.
- ΠΠ° Π·Π°Π²Π΅ΡΡΠ°ΡΡΠ΅ΠΌ ΡΡΠ°ΠΏΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΡΡΠ°Ρ ΡΠ΅Π½ΠΎΠΌ ΠΈ ΡΠ³Π»Π°ΠΆΠΈΠ²Π°ΡΡ ΠΊΡΠ°Ρ ΡΠΈΠ»ΠΈΡΠΎΠ²ΠΊΠΎΠΉ.
ΠΠ°ΠΊ ΡΠΊΠΎΠ½ΠΎΠΌΠΈΡΡ 3: ΠΊΠ°ΠΊ ΠΏΠΎΠ΄ΡΡΡΠΈΡΡΡΡ ΡΠ°ΠΌΠΎΡΡΠΎΡΡΠ΅Π»ΡΠ½ΠΎ Π·Π° 5 ΠΌΠΈΠ½ΡΡ. Π‘ΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄ (Π»Π΅ΡΠ΅Π½ΠΊΠ°).
Π‘ ΡΠ΅Π»ΠΊΠΎΠΉ ΠΈΠ»ΠΈ Π±Π΅Π· Π½Π΅Π΅?
ΠΠΎΡΠ΅ΠΌΡ-ΡΠΎ ΠΌΠ½ΠΎΠ³ΠΈΠ΅ ΡΡΠΈΡΠ°ΡΡ, ΡΡΠΎΒ«ΠΠ°ΡΠΊΠ°Π΄ Ρ ΠΊΠΎΡΠΎΠΉ ΡΠ΅Π»ΠΊΠΎΠΉΒ» ΠΏΡΠΎΡΠΈΠ²ΠΎΠΏΠΎΠΊΠ°Π·Π°Π½ ΠΎΠ±Π»Π°Π΄Π°ΡΠ΅Π»ΡΠ½ΠΈΡΠ°ΠΌ ΡΠΎΠ½ΠΊΠΈΡ Π²ΠΎΠ»ΠΎΡ. ΠΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²ΠΎ ΡΡΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ Π² ΡΠΎΠΌ, ΡΡΠΎ ΠΎΠ½Π° Π²ΡΠΏΠΎΠ»Π½ΡΠ΅ΡΡΡ ΡΠ»ΠΎΡΠΌΠΈ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΈΠΌΠ΅ΡΡ ΡΠ°Π·Π½ΡΡ Π΄Π»ΠΈΠ½Ρ. Π’Π΅Ρ Π½ΠΈΠΊΠ° Π΅Π΅ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΡ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΠΏΠΎΠ»ΡΡΠΈΡΡ Π³ΡΡΡΠΎΡΠΎΠΉ ΠΈ ΠΏΡΡΠ½ΡΠΉ Π²Π΅ΡΡ . Π’Π°ΠΊ, Π½Π° Π²ΠΎΠ»Π½ΠΈΡΡΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ Π±ΡΠ΄Π΅Ρ ΠΎΡΠ΅Π½Ρ ΠΊΡΠ°ΡΠΈΠ²ΠΎ ΡΠΌΠΎΡΡΠ΅ΡΡΡΡ ΠΏΡΡΠΌΠ°Ρ ΡΠ΅Π»ΠΊΠ°. ΠΠ»Ρ ΠΏΡΡΠΌΡΡ Π²ΠΎΠ»ΠΎΡ ΠΎΡΠ»ΠΈΡΠ½ΠΎ ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ Π°ΡΠΈΠΌΠΌΠ΅ΡΡΠΈΡΠ½Π°Ρ ΡΠ΅Π»ΠΊΠ°, ΠΌΠΎΠΆΠ½ΠΎ Π²ΡΠ±ΡΠ°ΡΡ ΠΈ Π²Π°ΡΠΈΠ°Π½Ρ Π±Π΅Π· ΡΠ΅Π»ΠΊΠΈ.
ΠΡΠ»ΠΈ ΠΆΠ΅Π½ΡΠΊΠΎΠ΅ Π»ΠΈΡΠΎ ΠΈΠΌΠ΅Π΅Ρ ΠΊΡΡΠ³Π»ΡΡ ΡΠΎΡΠΌΡ, ΡΠΎ ΠΊΠΎΡΡΡ ΡΠ΅Π»ΠΊΡ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΎΡΡΠ°Π²ΠΈΡΡ Π΄Π»ΠΈΠ½Π½ΠΎΠΉ. ΠΠ»Ρ ΠΎΠ²Π°Π»ΡΠ½ΠΎΠ³ΠΎ Π»ΠΈΡΠ° ΡΠ°ΠΊΠΆΠ΅ ΠΆΠ΅Π»Π°ΡΠ΅Π»ΡΠ½ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ ΡΠ΅Π»ΠΊΡ.
ΠΠ°ΠΊ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎ ΡΠ»ΠΎΠΆΠΈΡΡ?
ΠΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎ Π²ΡΠΏΠΎΠ»Π½Π΅Π½Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ° Π² ΡΠ²ΠΎΠ΅ΠΉ ΠΎΡΠ½ΠΎΠ²Π΅ ΡΡΠ΅Π±ΡΠ΅Ρ ΠΌΠΈΠ½ΠΈΠΌΠ°Π»ΡΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ. ΠΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ Π²ΡΠΌΡΡΡ Π³ΠΎΠ»ΠΎΠ²Ρ ΠΈ Π²ΡΡΡΡΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ ΡΠ΅Π½ΠΎΠΌ. ΠΠ»Ρ ΡΠΎΠ³ΠΎ ΡΡΠΎΠ±Ρ ΡΠ»ΠΎΠΆΠΈΡΡ ΡΡΡΠΈΠΆΠΊΡ Π΄Π»Ρ ΡΠΎΡΠΆΠ΅ΡΡΠ²Π΅Π½Π½ΠΎΠ³ΠΎ ΠΌΠ΅ΡΠΎΠΏΡΠΈΡΡΠΈΡ, ΡΠ»Π΅Π΄ΡΠ΅Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΠΏΠ΅ΡΠΈΠ°Π»ΡΠ½ΡΠ΅ ΡΠΊΠ»Π°Π΄ΠΎΡΠ½ΡΠ΅ ΡΡΠ΅Π΄ΡΡΠ²Π°. ΠΡΠ»ΠΈ Π»ΠΈΡΠΎ ΠΊΡΡΠ³Π»ΠΎΠ΅, ΡΠΎ Π»ΡΡΡΠ΅ ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β» Ρ ΡΠ΄Π»ΠΈΠ½Π΅Π½Π½ΡΠΌΠΈ ΠΏΠ΅ΡΠ΅Π΄Π½ΠΈΠΌΠΈ ΠΏΡΡΠ΄ΡΠΌΠΈ ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΎΠΉ ΠΌΠ°ΠΊΡΡΠΊΠΎΠΉ. ΠΡΠΎ ΠΏΠΎΠ·Π²ΠΎΠ»ΠΈΡ Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ ΡΠ΄Π»ΠΈΠ½ΠΈΡΡ Π»ΠΈΡΠΎ.
Π ΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅, Π΅ΡΠ»ΠΈ Π²ΠΎΠ»ΠΎΡΡ Π²ΡΡΡΠΈΠ΅ΡΡ, ΡΠΎ Π²Π°ΠΆΠ½ΠΎ, ΡΡΠΎΠ±Ρ ΠΏΡΡΠ΄ΠΈ ΠΈΠΌΠ΅Π»ΠΈ ΡΠ°Π·Π½ΡΡ Π΄Π»ΠΈΠ½Ρ. ΠΠΎΠ΄Π½ΡΠ΅ Π²Π°ΡΠΈΠ°Π½ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΡΡ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠ°Π·Π½ΡΠΉ ΠΎΠ±ΡΠ°Π·. ΠΡΠ»ΠΈ Π»ΠΈΡΠΎ ΠΊΡΡΠ³Π»ΠΎΠ΅, ΡΠΎ ΡΡΡΠΈΠΆΠΊΡ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ Π² Π²ΠΈΠ΄Π΅ Β«ΡΠ°ΠΏΠΎΡΠΊΠΈΒ». ΠΠ΄Π΅ΡΡ Π²ΡΠ΅ ΠΏΡΠΎΡΡΠΎ. ΠΡΠΆΠ½ΠΎ Π²ΡΠΌΡΡΡ Π²ΠΎΠ»ΠΎΡΡ, Π° Π·Π°ΡΠ΅ΠΌ Π²ΡΡΡΡΠΈΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ΅Π½Π°, Π΄Π΅Π»Π°Ρ Π²ΡΡΡΠ³ΠΈΠ²Π°Π½ΠΈΠ΅ ΠΏΡΡΠ΄Π΅ΠΉ Π±ΡΠ°ΡΠΈΠ½Π³ΠΎΠΌ. ΠΠ»Ρ ΡΠΎΠ³ΠΎ ΡΡΠΎΠ±Ρ ΠΊΠΎΠ½ΡΠΈΠΊΠΈ Π²ΠΎΠ»ΠΎΡ ΠΎΠΊΠ°Π·Π°Π»ΠΈΡΡ Π²Π½ΡΡΡΠΈ, Π½Π° Π½ΠΈΡ Π½Π°Π½ΠΎΡΡΡ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ Π³Π΅Π»Ρ Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ.
ΡΠΊΠ»Π°Π΄ΠΊΠ° ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ Π΄Π»Ρ ΡΡΡΠΈΠΆΠΊΠΈ ΠΠ°ΡΠΊΠ°Π΄
Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΠΎΠ²Π°Π»ΡΠ½ΠΎΠ³ΠΎ Π»ΠΈΡΠ°
ΠΡΡΡΠΈΠΌ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠΌ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π΄Π»Ρ ΡΠ°ΠΊΠΎΠ³ΠΎ Β«ΠΠ°ΡΠΊΠ°Π΄Π°Β» Π±ΡΠ΄Π΅Ρ ΡΠ²Π»ΡΡΡΡΡ Π²Π°ΡΠΈΠ°Π½Ρ Β«ΡΠΎΠΌΠ°Π½ΡΠΈΡΠ΅ΡΠΊΠ°Ρ Π΅ΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎΡΡΡΒ». ΠΠ»Ρ ΡΠΎΠ³ΠΎ ΡΡΠΎΠ±Ρ ΠΎΠ½ ΠΏΠΎΠ»ΡΡΠΈΠ»ΡΡ, Π½ΡΠΆΠ½ΠΎ ΡΡΡΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ, Π½Π°ΠΊΠ»ΠΎΠ½ΠΈΠ² Π³ΠΎΠ»ΠΎΠ²Ρ Π²ΠΏΠ΅ΡΠ΅Π΄. ΠΠΎΠ·Π΄ΡΡ Π½ΡΠΆΠ½ΠΎ Π½Π°ΠΏΡΠ°Π²Π»ΡΡΡ ΠΊ ΠΊΠΎΡΠ½ΡΠΌ Π²ΠΎΠ»ΠΎΡ, ΡΡΠΎ ΠΏΠΎΠ·Π²ΠΎΠ»ΠΈΡ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ Ρ ΠΎΠ±ΡΠ΅ΠΌΠ½ΠΎΠΉ ΠΌΠ°ΠΊΡΡΠΊΠΎΠΉ.
Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β» ΠΈΠΌΠ΅Π΅Ρ Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΏΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²ΠΎ Π² ΡΠΎΠΌ, ΡΡΠΎ ΠΎΠ½Π° Π²ΡΠ³Π»ΡΠ΄ΠΈΡ Π΅ΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎ. ΠΠΎΠΆΠ½ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ Π½Π° Π³ΠΎΠ»ΠΎΠ²Π΅ Π²Π΅ΡΠ΅Π»ΡΠ΅ ΠΊΡΠ΄ΡΡΡΠΊΠΈ ΠΈΠ»ΠΈ ΡΠΊΠ»Π°Π΄ΠΊΡ Ρ ΡΡΡΠ΅ΠΊΡΠΎΠΌ ΠΌΠΎΠΊΡΡΡ Π²ΠΎΠ»ΠΎΡ. ΠΠ»Ρ ΡΠΎΠ³ΠΎ ΡΡΠΎΠ±Ρ Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ, ΡΠ»Π΅Π³ΠΊΠ° ΡΠ±ΡΡΠ·Π½ΠΈΡΠ΅ Π΅Π΅ Π»Π°ΠΊΠΎΠΌ Π΄Π»Ρ Π²ΠΎΠ»ΠΎΡ. Π’Π°ΠΊΠ°Ρ Β«ΠΠ΅ΡΠ΅Π½ΠΊΠ°Β» Π±ΡΠ΄Π΅Ρ Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ Π²ΡΠ΅Π³Π΄Π° Π°ΠΊΡΡΠ°Π»ΡΠ½ΠΎ.
ΠΠΎΡΠΎΡΠΊΠ°Ρ ΡΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄ ΡΠ»ΠΎΠΈΡΡΠ°Ρ ΡΡΡΠΈΠΆΠΊΠ°
ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΠΈ, Π²Π°ΡΠΈΠ°Π½ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΠΈ (51 ΡΠΎΡΠΎ)
ΠΠ΄Π½ΠΎΠΉ ΠΈΠ· ΠΏΠΎΠΏΡΠ»ΡΡΠ½ΡΡ ΡΡΡΠΈΠΆΠ΅ΠΊ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈ Π΄Π»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΠ²Π»ΡΠ΅ΡΡΡ ΡΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄. Π£ Π½Π΅Π΅ ΡΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ ΠΎΠ³ΡΠΎΠΌΠ½ΠΎΠ΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ Π²Π°ΡΠΈΠ°ΡΠΈΠΉ ΠΈ ΡΠ°Π·Π½ΠΎΠ²ΠΈΠ΄Π½ΠΎΡΡΠ΅ΠΉ. ΠΠ΅ ΠΌΠΎΠΆΠ½ΠΎ Π²ΡΠΏΠΎΠ»Π½ΡΡΡ ΠΊΠ°ΠΊ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ, ΡΠ°ΠΊ ΠΈ Π±Π΅Π·, Π΄ΠΎΠΏΠΎΠ»Π½ΡΡΡ ΠΎΡΠΈΠ³ΠΈΠ½Π°Π»ΡΠ½ΡΠΌ ΠΎΠΊΡΠ°ΡΠΈΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΈΠ»ΠΈ Π΄Π΅Π»Π°ΡΡ ΡΡΠΊΠΎΠ΅ ΠΊΠΎΠ»ΠΎΡΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅. Π Π»ΡΠ±ΠΎΠΌ ΡΠ»ΡΡΠ°Π΅, ΡΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄ ΡΠΌΠΎΡΡΠΈΡΡΡ ΠΎΡΠΈΠ³ΠΈΠ½Π°Π»ΡΠ½ΠΎ ΠΈ ΡΠ²Π΅ΠΆΠΎ. ΠΠ½Π° ΠΏΠΎΡΠ²ΠΈΠ»Π°ΡΡ ΡΠΆΠ΅ Π±ΠΎΠ»Π΅Π΅ 30 Π»Π΅Ρ Π½Π°Π·Π°Π΄, Π½ΠΎ Π΄ΠΎ ΡΠΈΡ ΠΏΠΎΡ Π½Π΅ ΡΠ΅ΡΡΠ΅Ρ ΡΠ²ΠΎΠ΅ΠΉ ΠΏΠΎΠΏΡΠ»ΡΡΠ½ΠΎΡΡΠΈ. Π Π΄Π°Π½Π½ΠΎΠΉ ΡΡΠ°ΡΡΠ΅ ΡΠ°ΡΡΠΌΠΎΡΡΠΈΠΌ ΠΎΡΠ½ΠΎΠ²Π½ΡΠ΅ ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΠΈ Π΄Π°Π½Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ, Π²Π°ΡΠΈΠ°Π½ΡΡ Π΅Π΅ ΠΈΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΡ ΠΈ ΡΠΎΠ²Π΅ΡΡ ΠΏΠΎ ΠΊΡΠ°ΡΠΈΠ²ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠ΅.
ΠΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ
ΠΠΎ ΡΠ²ΠΎΠ΅ΠΉ ΡΡΡΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ° β ΡΡΠΎ ΡΡΡΠΈΠΆΠΊΠ° ΠΏΡΡΠ΄Π΅ΠΉ Π²ΠΎΠ»ΠΎΡ Ρ ΡΠ΅ΡΠ΅Π΄ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΡΠ°Π·Π»ΠΈΡΠ½ΠΎΠΉ Π΄Π»ΠΈΠ½Ρ. ΠΠ° ΠΌΠ°ΠΊΡΡΠΊΠ΅ ΠΏΡΡΠ΄ΠΈ ΡΡΡΠΈΠ³ΡΡΡΡ Π±ΠΎΠ»Π΅Π΅ ΠΊΠΎΡΠΎΡΠΊΠΈΠΌΠΈ, Π° ΠΊ Π·Π°ΡΡΠ»ΠΊΡ ΠΏΠΎΡΡΠ΅ΠΏΠ΅Π½Π½ΠΎ ΡΠ΄Π»ΠΈΠ½ΡΡΡΡΡ. Π§Π°ΡΡΠΎ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΡΡΡΠΈΠΆΠΊΡ ΠΏΡΡΠ°ΡΡ Ρ Π»Π΅ΡΠ΅Π½ΠΊΠΎΠΉ. ΠΠ±ΡΠΈΠ΅ ΡΠ΅ΡΡΡ Ρ Π½ΠΈΡ ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½Π½ΠΎ Π΅ΡΡΡ, Π½ΠΎ ΡΡΡΠ΅ΡΡΠ²ΡΡΡ ΠΈ ΡΠ²ΠΎΠΈ ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΠΈ. ΠΡΠ½ΠΎΠ²Π½ΠΎΠ΅ ΠΎΡΠ»ΠΈΡΠΈΠ΅ Π·Π°ΠΊΠ»ΡΡΠ°Π΅ΡΡΡ ΠΏΡΠ΅ΠΆΠ΄Π΅ Π²ΡΠ΅Π³ΠΎ Π² ΡΠ΅Ρ Π½ΠΈΠΊΠ΅ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΡ.
ΠΡΠΏΠΎΠ»Π½ΡΡΡ ΡΠ°ΠΊΡΡ ΡΡΡΠΈΠΆΠΊΡ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ Ρ ΠΎΠΏΡΡΠ½ΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠ΅ΡΠ°. Π’ΠΎΠ»ΡΠΊΠΎ ΠΏΡΠΎΡΠ΅ΡΡΠΈΠΎΠ½Π°Π» ΠΌΠΎΠΆΠ΅Ρ Π³ΡΠ°ΠΌΠΎΡΠ½ΠΎ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΡΠΎΡΠΌΡ Π²Π°ΡΠ΅Π³ΠΎ Π»ΠΈΡΠ°, ΡΡΠΎΠ±Ρ ΠΏΡΠΈ ΡΠΎΠ·Π΄Π°Π½ΠΈΠΈ ΡΡΡΠΈΠΆΠΊΠΈ ΡΡΠ΅ΡΡΡ Π²ΡΠ΅ ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΠΈ ΠΈ Π² ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠ΅ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΏΠΎΡΡΡΡΠ°ΡΡΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ. ΠΠ»Π°Π²Π½ΠΎΠΉ ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎΡΡΡΡ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ ΡΠ²Π»ΡΠ΅ΡΡΡ ΡΠ²Π°Π½Π°Ρ ΡΠ΅ΠΊΡΡΡΡΠ°, ΠΏΡΡΠ΄ΠΈ ΡΠΊΠΎΡΠ°ΡΠΈΠ²Π°ΡΡΡΡ ΡΠΎΠ²Π΅ΡΡΠ΅Π½Π½ΠΎ Π² Ρ Π°ΠΎΡΠΈΡΠ½ΠΎΠΌ ΠΏΠΎΡΡΠ΄ΠΊΠ΅. ΠΠΌΠ΅Π½Π½ΠΎ Π·Π° ΡΡΠ΅Ρ ΡΡΠΎΠ³ΠΎ ΡΠΎΠ·Π΄Π°Π΅ΡΡΡ ΠΎΡΡΡΠ΅Π½ΠΈΠ΅ ΡΠ°ΠΊΠΎΠΉ Π»Π΅Π³ΠΊΠΎΠΉ Π½Π΅Π±ΡΠ΅ΠΆΠ½ΠΎΡΡΠΈ ΠΈ Π²ΠΎΠ·Π΄ΡΡΠ½ΠΎΡΡΠΈ Π² ΠΏΡΠΈΡΠ΅ΡΠΊΠ΅.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΠΊΠ°ΠΊ ΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΡΡΠΎΠΉ, ΡΠ°ΠΊ ΠΈ ΠΎΡΠ»ΠΈΡΠ°ΡΡΡΡ Π½Π΅ΠΊΠΈΠΌΠΈ ΡΠ»ΠΎΠΆΠ½ΡΠΌΠΈ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ°ΠΌΠΈ, ΡΡΠ΅Π±ΡΡΡΠΈΠΌΠΈ ΠΏΡΠΎΡΠ΅ΡΡΠΈΠΎΠ½Π°Π»ΡΠ½ΠΎΠ³ΠΎ ΠΏΠΎΠ΄Ρ ΠΎΠ΄Π°. ΠΠ΅ΡΠ²ΠΎΠ΅ ΠΎΡ ΡΠ΅Π³ΠΎ Π½ΡΠΆΠ½ΠΎ ΠΎΡΡΠ°Π»ΠΊΠΈΠ²Π°ΡΡΡΡ ΠΏΡΠΈ ΡΠΊΠ»Π°Π΄ΠΊΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ β ΡΡΠΎ Π΄Π»ΠΈΠ½Π° Π²ΠΎΠ»ΠΎΡ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½Π° Π΄Π»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ
ΠΠ»Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΠΈΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ β ΡΡΠΎ Π΄Π»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ. ΠΠ·Π½Π°ΡΠ°Π»ΡΠ½ΠΎ ΠΈΠΌΠ΅Π½Π½ΠΎ Π½Π° Π΄Π»ΠΈΠ½Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ Π²ΡΠΏΠΎΠ»Π½ΡΠ»Π°ΡΡ ΠΊΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ°. Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π°Π½Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ Π½Π° Π΄Π»ΠΈΠ½Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π²Π΅ΡΡΠΌΠ° ΡΠ°Π·Π½ΠΎΠΎΠ±ΡΠ°Π·Π½ΠΎΠΉ, ΠΎΡ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΡΡΡΠ΅ΠΊΡΠ½ΡΡ ΠΏΠ»Π΅ΡΠ΅Π½ΠΈΠΉ ΠΈ ΠΊΠΎΡ, Π΄ΠΎ ΠΊΡΠ°ΡΠΈΠ²ΡΡ Π³ΠΎΠ»Π»ΠΈΠ²ΡΠ΄ΡΠΊΠΈΡ Π»ΠΎΠΊΠΎΠ½ΠΎΠ² ΠΈ ΠΏΡΡΠ½ΡΡ ΠΏΡΠΈΡΠ΅ΡΠΎΠΊ.
ΠΠ΄Π΅Π°Π»ΡΠ½ΡΠΌ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠΌ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ ΡΠ²Π»ΡΡΡΡΡ ΠΊΠΎΡΡ. ΠΠ½ΠΈ ΠΏΠΎΠ»ΡΡΠ°ΡΡΡΡ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π½Π΅Π±ΡΠ΅ΠΆΠ½ΡΠΌΠΈ, Ρ Π²ΡΠΏΠ°Π΄Π°ΡΡΠΈΠΌΠΈ ΠΏΡΡΠ΄ΠΊΠ°ΠΌΠΈ, Π½ΠΎ Π² ΡΡΠΎΠΌ ΠΈ Π·Π°ΠΊΠ»ΡΡΠ°Π΅ΡΡΡ ΠΈΡ ΠΈΠ·ΡΠΌΠΈΠ½ΠΊΠ°. ΠΠΎΡΡ ΠΌΠΎΠ³ΡΡ Π±ΡΡΡ ΡΠΎΠ²Π΅ΡΡΠ΅Π½Π½ΠΎ ΡΠ°Π·Π½ΠΎΠΎΠ±ΡΠ°Π·Π½ΡΠΌΠΈ: Π½Π°ΡΠΈΠ½Π°ΡΡΡΡ Ρ ΠΌΠ°ΠΊΡΡΠΊΠΈ ΠΈΠ»ΠΈ Ρ Π·Π°ΡΡΠ»ΠΊΠ°, ΠΏΠ»Π΅ΡΡΠΈΡΡ Π½Π°ΠΈΡΠΊΠΎΡΠΎΠΊ ΠΈΠ»ΠΈ ΠΏΡΡΠΌΠΎ. ΠΡΠ΅ΠΊΡΠ°ΡΠ½ΠΎ Π½Π° ΠΊΠ°ΡΠΊΠ°Π΄Π΅ ΡΠΌΠΎΡΡΠΈΡΡΡ ΠΊΠΎΠ»ΠΎΡΠΎΠΊ ΠΈΠ»ΠΈ ΡΡΠ±ΠΈΠΉ Ρ Π²ΠΎΡΡ.
ΠΡΠΎΠΌΠ΅ ΡΠΎΠ³ΠΎ, ΠΊΡΠ°ΡΠΈΠ²ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ ΠΌΠΎΠΆΠ½ΠΎ ΡΠΎΠ·Π΄Π°ΡΡ Π² Π²ΠΈΠ΄Π΅ ΠΏΡΡΠΊΠ° ΠΈΠ»ΠΈ ΡΠ°ΠΊΡΡΠΊΠΈ. ΠΠ½ΠΈ Π±ΡΠ΄ΡΡ ΡΠΌΠΎΡΡΠ΅ΡΡΡΡ ΠΏΠΎ-Π΄Π΅Π»ΠΎΠ²ΠΎΠΌΡ ΡΡΠΈΠ»ΡΠ½ΠΎ ΠΈ ΠΊΡΠ°ΡΠΈΠ²ΠΎ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ
Π‘ΡΠ΅Π΄Π½ΡΡ Π΄Π»ΠΈΠ½Π° Π²ΠΎΠ»ΠΎΡ ΠΏΡΠ΅Π΄ΠΏΠΎΠ»Π°Π³Π°Π΅Ρ Π±ΠΎΠ»ΡΡΠ΅ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠ² ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ. Π§ΡΠΎΠ±Ρ ΡΠΎΠ·Π΄Π°ΡΡ Π΅ΠΆΠ΅Π΄Π½Π΅Π²Π½ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ Π²ΡΠΌΡΡΡ Π²ΠΎΠ»ΠΎΡΡ, ΡΠ±ΡΠ°ΡΡ Π»ΠΈΡΠ½ΡΡ Π²Π»Π°Π³Ρ ΠΏΠΎΠ»ΠΎΡΠ΅Π½ΡΠ΅ΠΌ, ΠΏΠΎΡΠ»Π΅ ΡΠ΅Π³ΠΎ ΠΎΠΏΡΡΡΠΈΡΡ Π³ΠΎΠ»ΠΎΠ²Ρ Π²Π½ΠΈΠ· ΠΈ ΠΏΡΠΎΡΡΡΠΈΡΡ ΡΠ΅Π½ΠΎΠΌ, Π½Π°ΠΏΡΠ°Π²Π»ΡΡ Π΅Π³ΠΎ ΠΎΡ ΠΊΠΎΡΠ½Π΅ΠΉ ΠΊ ΠΊΠΎΠ½ΡΠΈΠΊΠ°ΠΌ. ΠΠΎΠ½ΡΠΈΠΊΠΈ Π²ΡΡΡΡΠ΅Π½Π½ΡΡ Π²ΠΎΠ»ΠΎΡ ΠΎΠ±ΡΠ°Π±ΠΎΡΠ°ΡΡ Π½Π΅Π±ΠΎΠ»ΡΡΠΈΠΌ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎΠΌ ΠΏΠ΅Π½ΠΊΠΈ ΠΈΠ»ΠΈ ΠΌΡΡΡΠ° Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΈ Π°ΠΊΠΊΡΡΠ°ΡΠ½ΡΠΌΠΈ Π΄Π²ΠΈΠΆΠ΅Π½ΠΈΡΠΌΠΈ Π·Π°ΠΊΡΡΡΠΈΡΡ ΠΈΡ Π²Π½ΡΡΡΡ ΠΈΠ»ΠΈ Π½Π°ΡΡΠΆΡ. ΠΠΎΠ΄ΡΡΡΠΈΡΡ ΠΈ Π³ΠΎΡΠΎΠ²ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ Π»Π°ΠΊΠΎΠΌ Π΄Π»Ρ Π²ΠΎΠ»ΠΎΡ.
ΠΠΎΠΌΠΈΠΌΠΎ ΡΠ°ΠΊΠΎΠΉ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π½Π΅Π±ΡΠ΅ΠΆΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΡΠΎΠ·Π΄Π°Π²Π°ΡΡ Π±ΠΎΠ»Π΅Π΅ Π°ΠΊΠΊΡΡΠ°ΡΠ½ΡΠ΅ Π²Π°ΡΠΈΠ°Π½ΡΡ. ΠΠ»Ρ ΡΡΠΎΠ³ΠΎ ΠΌΠΎΠΆΠ½ΠΎ Π²ΠΎΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡΡΡ ΡΡΡΠΆΠΊΠΎΠΌ ΠΈ ΡΠ΄Π΅Π»Π°ΡΡ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ Π³Π»Π°Π΄ΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ. ΠΡΠΎΠΌΠ΅ ΡΠΎΠ³ΠΎ, Π½Π° ΠΊΠ°ΡΠΊΠ°Π΄Π΅ ΠΏΡΠ΅ΠΊΡΠ°ΡΠ½ΠΎ ΡΠΌΠΎΡΡΡΡΡΡ ΠΏΠ»Π°Π²Π½ΡΠ΅ Π²ΠΎΠ»Π½Ρ ΠΈ ΠΊΡΠ°ΡΠΈΠ²ΡΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ
ΠΠ°ΡΠΊΠ°Π΄ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ. ΠΡΠΌΡΡΡΡ Π³ΠΎΠ»ΠΎΠ²Ρ ΠΏΠΎΠ΄ΡΡΡΠΈΠ²Π°Π΅ΠΌ ΡΠ΅Π½ΠΎΠΌ ΠΎΠ΄Π½ΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎ ΠΏΡΠΈΠΏΠΎΠ΄Π½ΠΈΠΌΠ°Ρ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ. ΠΠ΅ΡΠ΅ΠΌ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ Π³Π΅Π»Ρ, Π²ΡΠ±ΠΈΡΠ°Π΅ΠΌ ΠΎΡΠ΄Π΅Π»ΡΠ½ΡΠ΅ ΠΏΡΡΠ΄ΠΊΠΈ ΠΈ ΡΠΎΠ·Π΄Π°Π΅ΠΌ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π³Π΅Π»Ρ ΡΡΡΠ΅ΠΊΡΠ½ΡΠ΅ ΠΏΠ΅ΡΡΡΠΊΠΈ.
ΠΠΈΠ΄Π΅ΠΎ
ΠΠ°ΠΊ ΡΠ»ΠΎΠΆΠΈΡΡ ΡΡΡΠΈΠΆΠΊΡ ΠΊΠ°ΡΠΊΠ°Π΄: 18 ΡΡΠΈΠ»ΡΠ½ΡΡ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠ²
ΠΠ°ΡΠΊΠ°Π΄ β ΠΈΠ·Π»ΡΠ±Π»Π΅Π½Π½Π°Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° ΠΌΠ½ΠΎΠ³ΠΈΡ Π΄Π΅Π²ΡΡΠ΅ΠΊ. ΠΠ±ΡΠ΅ΠΌ, ΠΏΡΡΠ½ΠΎΡΡΡ, ΠΏΠ»Π°Π²Π½ΡΠ΅ Π»ΠΈΠ½ΠΈΠΈ β Π²ΡΠ΅Π³ΠΎ ΡΡΠΎΠ³ΠΎ ΠΌΠΎΠΆΠ½ΠΎ Π΄ΠΎΠ±ΠΈΡΡΡΡ ΠΏΡΠΈ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠ΅. Β Π‘ΠΏΠΎΡΠΎΠ±ΠΎΠ² ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΈΠΌΠ΅Π΅ΡΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ. ΠΠ°ΠΏΠ°ΡΠ°ΠΉΡΠ΅ΡΡ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΡΠΌ Π½Π°Π±ΠΎΡΠΎΠΌ ΠΈΠ½ΡΡΡΡΠΌΠ΅Π½ΡΠΎΠ² ΠΈ ΡΠΎΠ·Π΄Π°Π²Π°ΠΉΡΠ΅ ΡΠ΅Π΄Π΅Π²Ρ.
ΠΠ½ΡΡΡΡΠΌΠ΅Π½ΡΡ ΠΈ ΡΡΠ΅Π΄ΡΡΠ²Π°ΠΡΠ°ΠΊ, Π²Π°ΠΌ ΠΏΠΎΠ½Π°Π΄ΠΎΠ±ΠΈΡΡΡ ΡΠ»Π΅Π΄ΡΡΡΠ΅Π΅.
- Π€Π΅Π½ Ρ Π½Π°ΡΠ°Π΄ΠΊΠΎΠΉ Π΄Π»Ρ Π±ΡΠ°ΡΠΈΠ½Π³Π°;
- ΠΠ²Π΅ ΡΠ°ΡΡΠ΅ΡΠΊΠΈ: ΠΎΠ±ΡΡΠ½Π°Ρ ΠΈ ΠΊΡΡΠ³Π»Π°Ρ;
- Π£ΡΡΠΆΠΎΠΊ Π΄Π»Ρ Π²ΡΠΏΡΡΠΌΠ»Π΅Π½ΠΈΡ.
- Π‘ΡΠ΅Π΄ΡΡΠ²Π° Π΄Π»Ρ ΡΡΠ°ΠΉΠ»ΠΈΠ½Π³Π°.
ΠΠ° Π²Π»Π°ΠΆΠ½ΡΠ΅ ΡΠ°ΡΡΠ΅ΡΠ°Π½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ Π½Π°Π½ΠΎΡΠΈΠΌ ΠΌΡΡΡ. Π‘ΡΡΠΈΠΌ Π²ΠΎΠ»ΠΎΡΡ, ΠΏΡΠΈΠΏΠΎΠ΄Π½ΠΈΠΌΠ°Ρ ΠΈΡ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ Π΄Π»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΠΎΠ±ΡΠ΅ΠΌΠ°. ΠΠΎ Π·Π°Π²Π΅ΡΡΠ΅Π½ΠΈΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌ ΡΠ΅ΠΊΡΡΡΡΠΈΡΡΡΡΠΈΠΉ ΡΠΏΡΠ΅ΠΉ.
https://www.pinterest.ru/ΠΠΎΠ½ΡΠΈΠΊΠΈ Π²Π½ΡΡΡΡΠΠ»Ρ Π½Π°ΡΠ°Π»Π° Π²Π°ΠΌ ΠΏΠΎΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΡΠ΅ΡΠΌΠΎΠ·Π°ΡΠΈΡΠ½ΠΎΠ΅ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ. ΠΠ°ΡΠΈΠ½Π°Π΅ΠΌ ΡΡΡΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ ΡΠΎ ΡΡΠΎΡΠΎΠ½Ρ Π·Π°ΡΡΠ»ΠΊΠ°. ΠΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌ ΠΊΡΡΠ³Π»ΡΡ ΡΠ΅ΡΠΊΡ, Π½Π°ΠΊΡΡΡΠΈΠ²Π°Ρ Π½Π° Π½Π΅Π΅ ΠΏΡΡΠ΄ΠΈ. Π€Π΅Π½ ΠΎΠ±ΡΠ·Π°ΡΠ΅Π»ΡΠ½ΠΎ Π½Π°ΠΏΡΠ°Π²Π»ΡΠ΅ΠΌ ΠΎΡ ΠΊΠΎΡΠ½Π΅ΠΉ ΠΊ ΠΊΠΎΠ½ΡΠΈΠΊΠ°ΠΌ. ΠΠ°ΡΠ΅ΠΌ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π³Π΅Π»Ρ Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΎΠ±ΡΠ°Π±Π°ΡΡΠ²Π°Π΅ΠΌ ΠΊΠΎΠ½ΡΠΈΠΊΠΈ Π²ΠΎΠ»ΠΎΡ, ΠΏΡΠΈΠ΄Π°Π²Π°Ρ ΠΈΠΌ Π½ΡΠΆΠ½ΠΎΠ΅ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠ΅.
https://www.instagram.com/dicasdecortes/ΠΠ±ΡΠ΅ΠΌ Ρ ΠΊΠΎΡΠ½Π΅ΠΉΠΠ° Π²Π»Π°ΠΆΠ½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ Π½Π°Π½ΠΎΡΠΈΠΌ ΠΌΡΡΡ Π΄Π»Ρ ΠΎΠ±ΡΠ΅ΠΌΠ°. Π‘ΡΡΠΈΠΌ Π²ΠΎΠ»ΠΎΡΡ, ΠΏΡΠΈΠΏΠΎΠ΄Π½ΠΈΠΌΠ°Ρ ΠΈΡ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ. ΠΠΎΠΆΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΠ°ΡΡΠ΅ΡΠΊΡ Π΄Π»Ρ ΠΏΡΠΈΠΊΠΎΡΠ½Π΅Π²ΠΎΠ³ΠΎ Π½Π°ΡΠ΅ΡΠ°. Π Π΅Π·ΡΠ»ΡΡΠ°Ρ Π·Π°ΡΠΈΠΊΡΠΈΡΡΠΉΡΠ΅ Π»Π°ΠΊΠΎΠΌ.
https://www.pinterest.ruΠΠ΅Π±ΡΠ΅ΠΆΠ½ΡΠΉ ΠΎΠ±ΡΠ΅ΠΌΠ‘Π»Π΅Π³ΠΊΠ° Π½Π΅Π±ΡΠ΅ΠΆΠ½ΡΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠ΅Π³ΠΎΠ΄Π½Ρ ΠΎΡΠΎΠ±ΠΎ ΡΠ΅Π½ΡΡΡΡ Π·Π° ΡΠ²ΠΎΡ ΠΎΡΠΈΠ³ΠΈΠ½Π°Π»ΡΠ½ΠΎΡΡΡ. Π§ΡΠΎΠ±Ρ ΡΠ°ΠΊΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ ΡΠ»ΠΎΠΆΠΈΡΡ ΠΊΠ°ΡΠΊΠ°Π΄, Π΄Π»Ρ Π½Π°ΡΠ°Π»Π° ΠΏΠΎΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΌΡΡΡ Π΄Π»Ρ ΠΎΠ±ΡΠ΅ΠΌΠ°. Π‘ΡΡΠΈΠΌ Π²ΠΎΠ»ΠΎΡΡ ΠΎΡ ΠΊΠΎΡΠ½Π΅ΠΉ ΠΊ ΠΊΠΎΠ½ΡΠΈΠΊΠ°ΠΌ, Π²ΡΡΡΠ³ΠΈΠ²Π°Ρ ΠΏΡΡΠ΄ΠΈ ΠΊΡΡΠ³Π»ΠΎΠΉ ΡΠ΅ΡΠΊΠΎΠΉ. Π‘ΡΡΠΈΠΌ ΡΠ΅Π²Π΅Π»ΡΡΡ ΠΈ Π·Π°ΠΊΡΠ΅ΠΏΠ»ΡΠ΅ΠΌ ΡΠ΅ΠΊΡΡΡΡΠΈΡΡΡΡΠΈΠΌ ΡΠΏΡΠ΅Π΅ΠΌ.
https://www.instagram.com/salsalhair/https://www.pinterest.ruΠΠΎΡΡΠ΅ΠΠ°ΠΌΠ΅ΡΠ½ΠΎ ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΈΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ Π³ΠΎΡΡΠ΅. Π‘ΡΠΎΠΈΡ ΠΏΠΎΡΡΠ°ΡΠΈΡΡ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ, ΡΡΠΎΠ±Ρ ΡΠΎΠ·Π΄Π°ΡΡ Π½Π΅ΠΏΡΠ΅Π²Π·ΠΎΠΉΠ΄Π΅Π½Π½ΡΠΉ ΠΎΠ±ΡΠ΅ΠΌ. ΠΠΎΡΡΠ΅ β ΡΡΠΈΠ»ΡΠ½ΡΠΉ Π²Π°ΡΠΈΠ°Π½Ρ, ΠΊΠΎΡΠΎΡΡΠΉ ΠΎΡΠ»ΠΈΡΠ½ΠΎ ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ Π΄Π»Ρ ΠΏΡΠ°Π·Π΄Π½ΠΈΡΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ.
ΠΠΎΠΊΡΡΠ΅ Π²ΠΎΠ»ΠΎΡΡΠΡΡΠ΅ΠΊΡ ΠΌΠΎΠΊΡΡΡ Π²ΠΎΠ»ΠΎΡ Π²ΠΎΡΠ΅Π» Π² ΠΌΠΎΠ΄Ρ ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΎ Π½Π΅Π΄Π°Π²Π½ΠΎ. Π‘ΠΎΠ·Π΄Π°ΡΡ Π΅Π³ΠΎ ΠΏΡΠΎΡΡΠΎ. ΠΠ»Ρ Π½Π°ΡΠ°Π»Π° Π½Π°Π½Π΅ΡΠΈΡΠ΅ Π³Π΅Π»Ρ Π½Π° Π²Π»Π°ΠΆΠ½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ, ΠΏΡΠΈΠ΄Π°Π² Π½ΡΠΆΠ½ΡΡ ΡΠΎΡΠΌΡ. ΠΠ°ΡΠ΅ΠΌ ΠΏΡΠΎΡΡΡΠΈΡΠ΅ ΠΈΡ ΠΈ Π·Π°ΡΠΈΠΊΡΠΈΡΡΠΉΡΠ΅ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ Π»Π°ΠΊΠΎΠΌ. Π’ΡΡ Π²Π°ΠΆΠ½ΠΎ Π½Π΅ ΠΏΠ΅ΡΠ΅ΡΡΠ°ΡΠ°ΡΡΡΡ: Π²ΠΎΠ»ΠΎΡΡ Π΄ΠΎΠ»ΠΆΠ½Ρ Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ ΡΠ»Π΅Π³ΠΊΠ° Π²Π»Π°ΠΆΠ½ΡΠΌΠΈ, Π° Π½Π΅ Π³ΡΡΠ·Π½ΡΠΌΠΈ.
https://www.pinterest.ru/https://www.pinterest.ru/Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½Π° Π΄Π»ΠΈΠ½Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°ΡΠΠ° Π΄Π»ΠΈΠ½Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠ² ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½ΠΈ ΡΡΡΡ Π½ΠΈ ΠΌΠ΅Π½ΡΡΠ΅. Π‘Π°ΠΌΡΠΌ ΡΠ°ΡΠΏΡΠΎΡΡΡΠ°Π½Π΅Π½Π½ΡΠΌ ΠΈΠ· Π½ΠΈΡ ΡΠ²Π»ΡΡΡΡΡ Π»Π΅Π³ΠΊΠΈΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ. ΠΡΠΎ Π»Π΅Π³ΠΊΠΎ ΡΠ΄Π΅Π»Π°ΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ»ΠΎΠΉΠΊΠΈ. ΠΠ°ΡΠΈΠ½Π°ΡΡ ΡΠ»Π΅Π΄ΡΠ΅Ρ Ρ ΡΠ΅ΡΠ΅Π΄ΠΈΠ½Ρ Π²ΠΎΠ»ΠΎΡ, Π΄Π²ΠΈΠ³Π°ΡΡΡ Π²Π½ΠΈΠ·. ΠΠ»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΠΏΡΠΈΠΊΠΎΡΠ½Π΅Π²ΠΎΠ³ΠΎ ΠΎΠ±ΡΠ΅ΠΌΠ° Π²Π°ΠΆΠ½ΠΎ Π½Π°ΡΠ΅ΡΠ°ΡΡ ΠΏΡΡΠ΄ΠΈ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ ΠΈ Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ Π»Π°ΠΊΠΎΠΌ. ΠΡΠ΅ΠΊΡΠ°ΡΠ½ΡΠΌ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠΌ ΡΡΠ°Π½Π΅Ρ ΡΡΠ°Π²ΠΊΠ° Π½Π° ΠΏΡΡΠ½ΠΎΡΡΡ. ΠΠ»Ρ Π½Π°ΡΠ°Π»Π° Π½Π°Π½Π΅ΡΠ΅ΠΌ Π½Π° Π²ΠΎΠ»ΠΎΡΡ ΠΏΠ΅Π½ΠΊΡ Π΄Π»Ρ ΠΎΠ±ΡΠ΅ΠΌΠ° ΠΈ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»ΠΈΠΌ ΠΏΠΎ Π²ΡΠ΅ΠΉ Π΄Π»ΠΈΠ½Π΅ Π²ΠΎΠ»ΠΎΡ. ΠΠ°ΡΠ΅ΠΌ ΡΡΡΠΈΠΌ Π²ΠΎΠ»ΠΎΡΡ, ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡ ΡΠ΅Π½ Ρ Π½Π°ΡΠ°Π΄ΠΊΠΎΠΉ Π΄Π»Ρ Π±ΡΠ°ΡΠΈΠ½Π³Π°. Π ΡΡΠΎ ΠΆΠ΅ Π²ΡΠ΅ΠΌΡ ΠΏΡΠΈΠΏΠΎΠ΄Π½ΠΈΠΌΠ°Π΅ΠΌ Π²ΠΎΠ»ΠΎΡΡ ΡΠ΅ΡΠΊΠΎΠΉ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ. Π¨ΠΈΠΊΠ°ΡΠ½Π°Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π³ΠΎΡΠΎΠ²Π°. ΠΡΡΠ°Π΅ΡΡΡ Π»ΠΈΡΡ Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ Π΅Π΅.
https://www.instagram.com/cortesdecabelos/https://www.instagram.com/cortesdecabelos/https://www.instagram.com/cortesdecabelos/https://www.instagram.com/dicasdecortes/Π‘ΠΏΠΎΡΠΎΠ±ΠΎΠ² ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π° ΡΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ ΠΌΠ½ΠΎΠΆΠ΅ΡΡΠ²ΠΎ. Π‘ΡΠ΅Π΄ΠΈ Π½ΠΈΡ ΡΠ°ΠΊΠΆΠ΅ Π·Π°ΡΠ΅Ρ Π½Π° ΠΎΠ΄ΠΈΠ½ Π±ΠΎΠΊ, Π½Π°ΡΠ΅Ρ Π½Π°Π·Π°Π΄, Π°ΠΊΡΠ΅Π½Ρ Π½Π° ΡΠ²ΠΎΡΡΠ΅ΡΠΊΠΈΠΉ Π±Π΅ΡΠΏΠΎΡΡΠ΄ΠΎΠΊ ΠΈ ΠΌΠ½ΠΎΠ³ΠΈΠ΅ Π΄ΡΡΠ³ΠΈΠ΅. ΠΠ°Ρ ΠΏΠΎΠ»Π΅Ρ ΡΠ°Π½ΡΠ°Π·ΠΈΠΈ Π±Π΅Π·Π³ΡΠ°Π½ΠΈΡΠ΅Π½. ΠΡΠΎΠ±ΡΠΉΡΠ΅, ΡΠΎΠ·Π΄Π°Π²Π°ΠΉΡΠ΅ ΠΈ Π±ΡΠ΄ΡΡΠ΅ Π²ΡΠ΅Π³Π΄Π° Π² ΡΠ΅Π½ΡΡΠ΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΡ Ρ Π±Π΅Π·ΡΠΏΡΠ΅ΡΠ½ΠΎΠΉ ΠΏΡΠΈΡΠ΅ΡΠΊΠΎΠΉ.
ΠΠ°ΠΏΠΈΡΠΈΡΠ΅ Π² ΠΊΠΎΠΌΠΌΠ΅Π½ΡΠ°ΡΠΈΡΡ ΠΊΠ°ΠΊΠΈΠ΅ ΠΈΠ΄Π΅ΠΈ ΠΏΠΎΠ½ΡΠ°Π²ΠΈΠ»ΠΈΡΡ ΠΠ°ΠΌ Π±ΠΎΠ»ΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ!Β
ΠΡΠ»ΠΈ ΠΠ°ΠΌ ΠΏΠΎΠ½ΡΠ°Π²ΠΈΠ»Π°ΡΡ ΡΡΠ°ΡΡΡ, ΡΠΎΡ ΡΠ°Π½ΠΈΡΠ΅ ΠΊ ΡΠ΅Π±Π΅ ΠΈ ΠΏΠΎΠ΄Π΅Π»ΠΈΡΠ΅ΡΡ Ρ Π΄ΡΡΠ·ΡΡΠΌ
Β
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ: 2 Π²Π°ΡΠΈΠ°Π½ΡΠ°
ΠΡΠΊΠ»ΡΡΠΈΡΠ΅Π»ΡΠ½Π°Ρ ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΡΡΡ ΡΡΡΠΈΠΆΠΊΠΈ «ΠΊΠ°ΡΠΊΠ°Π΄» Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΠΈ Π΅Ρ Π²Π΅ΡΠ½ΠΎ Π°ΠΊΡΡΠ°Π»ΡΠ½Π°Ρ ΠΊΠ»Π°ΡΡΠΈΠΊΠ° ΠΈΡΡ ΠΎΠ΄ΡΡ ΠΈΠ· ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎΠΉ Π³Π΅ΠΎΠΌΠ΅ΡΡΠΈΠΈ ΠΏΡΠΈΡΠΎΠ΄Π½ΡΡ Π»ΠΈΠ½ΠΈΠΉ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ, ΠΏΠΎΡΡΡΠΎΠ΅Π½Π½ΡΡ Π² Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΠΈ ΠΎΡ ΠΆΠ΅Π½ΡΠΊΠΎΠ³ΠΎ ΡΠΈΠΏΠ° Π»ΠΈΡΠ°, ΡΡΠΎ ΠΏΡΠΈΠ΄Π°Π΅Ρ ΡΡΡΠ΅ΠΊΡΠ½ΡΡ, ΡΡΠΈΠ»ΡΠ½ΡΡ ΡΠΎΠΌΠ°Π½ΡΠΈΠΊΡ ΠΎΠ±ΡΠ°Π·Ρ Π²Π½Π΅ Π²ΠΎΠ·ΡΠ°ΡΡΠ° ΠΈ ΠΏΠΎΠΊΠΎΠ»Π΅Π½ΠΈΠΉ.
ΠΠ΅Π½ΡΠΊΠΈΠ΅ ΠΎΠ±ΡΠ°Π·Ρ ΠΈ «ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΡΡΡ»
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΏΠΎΠ΄ΠΎΠ±Π½ΠΎΠΉ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΡΠ΅Π΄Π½Π΅ΠΉ Π΄Π»ΠΈΠ½Ρ Π²ΡΠ΅Π³Π΄Π° Π±ΡΠ΄Π΅Ρ ΡΠ²ΡΠ·Π°Π½Π° Ρ ΠΏΡΠΈΠ΄Π°Π½ΠΈΠ΅ΠΌ ΠΏΡΡΠ½ΠΎΡΡΠΈ ΠΈ ΠΎΠ±ΡΠ΅ΠΌΠ° Ρ ΠΊΠΎΡΠ½Π΅ΠΉ Π²ΠΎΠ»ΠΎΡ ΠΈ ΠΎΠ±ΡΠ·Π°ΡΠ΅Π»ΡΠ½ΠΎ Ρ ΡΡΠ΅ΡΠΎΠΌ ΡΠΈΠΏΠ° ΠΆΠ΅Π½ΡΠΊΠΎΠ³ΠΎ Π»ΠΈΡΠ°:
- «ΠΠ°ΡΠΊΠ°Π΄» Π΄Π»Ρ ΠΎΠ±Π»Π°Π΄Π°ΡΠ΅Π»ΡΠ½ΠΈΡΡ ΡΠ·ΠΊΠΎΠ³ΠΎ Π»ΠΈΡΠ° Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΏΡΠΈΠΏΠΎΠ΄Π½ΡΡΡ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ Π²ΠΎΠ»ΠΎΡ, ΡΠ°ΠΊΠ°Ρ ΠΎΠ±ΡΠ΅ΠΌΠ½Π°Ρ ΠΏΠΎΠ΄Π°ΡΠ° ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΏΠΎΠ·Π²ΠΎΠ»ΠΈΡ Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ ΡΠ°ΡΡΠΈΡΠΈΡΡ Π²ΠΎΡΠΏΡΠΈΡΡΠΈΠ΅ Π»ΠΈΡΠ°, Π°ΠΊΡΠ΅Π½ΡΠΈΡΡΡ ΡΠΊΡΠ»Ρ, Π° Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΠΎ ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠ½Π΅Ρ Π²ΡΡΠ°Π·ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ Π³Π»Π°Π· Π³ΡΡΡΠ°Ρ ΠΏΡΡΠΌΠ°Ρ ΡΠ΅Π»ΠΊΠ°.
- ΠΠ±Π»Π°Π΄Π°ΡΠ΅Π»ΡΠ½ΠΈΡΠ°ΠΌ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½ΠΎΠ³ΠΎ ΡΠΈΠΏΠ°, ΠΆΠ΅Π»Π°ΡΡΠΈΠΌ ΠΎΠ±Π»Π΅Π³ΡΠΈΡΡ ΠΈ ΡΡΠ·ΠΈΡΡ Π²ΠΎΡΠΏΡΠΈΡΡΠΈΠ΅ ΡΡΡΡ ΡΡΠΆΠ΅Π»ΡΡ ΡΠ΅ΡΡ Π»ΠΈΡΠ°, ΠΏΡΡΠΌΠΎΠΉ ΠΊΠ°ΡΠΊΠ°Π΄ Ρ ΡΠ»ΠΎΠΆΠ΅Π½Π½ΡΠΌΠΈ Π½Π° ΡΠΊΡΠ»Ρ ΠΏΡΡΠ΄ΡΠΌΠΈ Ρ ΡΡΡΡ Π·Π°Π²ΠΈΡΡΠΌΠΈ ΠΊΠΎΠ½ΡΠ°ΠΌΠΈ Π²ΠΎΠ»ΠΎΡ ΡΠΎΠ·Π΄Π°ΡΡ ΡΡΡΠ΅ΠΊΡ ΡΡΠΆΠ΅Π½ΠΈΡ, Π° Π΄Π²ΡΡ ΡΠ²Π΅ΡΠ½Π°Ρ ΠΎΠΊΡΠ°ΡΠΊΠ° Π΄ΠΎΠ±Π°Π²ΠΈΡ ΠΈΠ³ΡΡ ΡΠ΅Π½Π΅ΠΉ, ΡΠ³Π»Π°ΠΆΠΈΠ²Π°Ρ, ΡΠΌΡΠ³ΡΠ°Ρ ΡΠ΅ΡΠΊΠΈΠΉ Π°Π±ΡΠΈΡ Π»ΠΈΡΠ°. ΠΠ»ΠΈΠ½Π½Π°Ρ ΠΊΠΎΡΠ°Ρ ΡΠ΅Π»ΠΊΠ° ΡΠ°ΠΊΠΆΠ΅ ΠΏΠΎΠΌΠΎΠΆΠ΅Ρ ΡΠ΄Π΅Π»Π°ΡΡ Π»ΠΈΡΠΎ Π±ΠΎΠ»Π΅Π΅ ΡΠ·ΠΊΠΈΠΌ.
- Π’Π°ΠΊ ΠΆΠ΅ ΠΊΠ°ΠΊ ΠΈ ΠΊΡΡΠ³Π»ΠΎΠ»ΠΈΡΡΠΌ ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠ½ΡΡΠ°Ρ ΡΠ»ΠΎΠΈΡΡΠΎΡΡΡ «ΠΊΠ°ΡΠΊΠ°Π΄Π°» ΡΠΊΡΠΎΠ΅Ρ ΡΠΈΡΠΎΠΊΠΈΠΉ Π»ΠΎΠ±, ΡΠ΅ΡΠΊΠΈ-ΡΠ±Π»ΠΎΡΠΊΠΈ, Π° ΠΊΠΎΡΠ°Ρ ΡΠ΅Π»ΠΊΠ°, ΡΠ»ΠΎΠΆΠ΅Π½Π½Π°Ρ Ρ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅ΠΌ ΡΡΠ°ΠΉΠ»ΠΈΠ½Π³ΠΎΠ²ΡΡ ΡΡΠ΅Π΄ΡΡΠ² ΠΈ ΡΠ΅ΠΊΡΡΡΡΠ°ΡΠΎΡΠΎΠ² Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ ΡΠ΄Π»ΠΈΠ½ΠΈΡ Π»ΠΈΡΠΎ.
- Π’ΡΠ΅ΡΠ³ΠΎΠ»ΡΠ½ΡΠΉ ΡΠΈΠΏ Π»ΠΈΡΠ° ΡΠΊΡΠ°Π΄ΡΠ²Π°Π΅ΡΡΡ ΡΠΊΠ»Π°Π΄ΠΊΠΎΠΉ ΡΠΈΠ»ΠΈΡΠΎΠ²Π°Π½Π½ΡΡ ΠΏΡΡΠ΄Π΅ΠΉ Ρ ΠΏΠΎΠ΄Π±ΠΎΡΠΎΠ΄ΠΊΠ° ΠΊΠΎΠ½ΡΠΈΠΊΠ°ΠΌΠΈ Π½Π°ΡΡΠΆΡ Π² ΡΠΎΡΠ΅ΡΠ°Π½ΠΈΠΈ Ρ ΡΡΡΠ΅ΠΊΡΠ½ΡΠΌ ΠΎΠ±ΡΠ΅ΠΌΠΎΠΌ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ. ΠΠΎΠ΄ΠΈΠΏ ΡΠ΅ΡΠΊΠ½ΡΡΠ°Ρ ΡΡΡΡΠΊΡΡΡΠ½ΠΎΡΡΡ ΠΎΠ±ΡΠ°Π·Π° Π·Π° ΡΡΠ΅Ρ Π²ΡΠ΄Π΅Π»Π΅Π½ΠΈΡ Π²Π½ΡΡΡΠ΅Π½Π½Π΅Π³ΠΎ Π½ΠΈΠΆΠ½Π΅Π³ΠΎ ΡΠ»ΠΎΡ, Π΄ΠΎΠ±Π°Π²Π»ΡΠ΅Ρ ΡΠ΅Π»ΡΠ΅ΡΠ½ΠΎΡΡΠΈ ΠΈ ΡΠ°ΠΈΠ½ΡΡΠ²Π΅Π½Π½ΠΎΠΉ ΠΏΡΠΈΡΡΠ³Π°ΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ
Β«ΠΠ°ΡΠΊΠ°Π΄Π½Π°ΡΒ» Π²Π°ΡΠΈΠ°ΡΠΈΡ
Π Π°ΡΡΠΌΠΎΡΡΠΈΠΌ Π²ΡΠ΅ ΠΎΡΠ½ΠΎΠ²Π½ΡΠ΅ Π²ΠΈΠ΄Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ .
ΠΡΡΠΌΠΎΠΉ Π±Π»Π΅ΡΠΊ ΠΈ ΠΎΠ±ΡΠ΅ΠΌ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ΅Π½Π°
Π‘Π°ΠΌΡΠΌ ΠΏΡΠΎΡΡΡΠΌ ΠΈ Π±ΡΡΡΡΡΠΌ ΡΠΏΠΎΡΠΎΠ±ΠΎΠΌ ΡΠΊΠ»Π°Π΄ΠΊΠΈ «ΠΊΠ°ΡΠΊΠ°Π΄Π°» Π½Π° ΡΡΠ΅Π΄Π½ΠΈΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ — ΡΡΠΎ Π²Π°ΡΠΈΠ°Π½Ρ ΠΏΠΎΡΠ»ΠΎΠΉΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΡΠ΅Π½Π° ΠΈ Π±ΡΠ°ΡΠΈΠ½Π³Π° Ρ Π½Π΅Π±ΠΎΠ»ΡΡΠΈΠΌ Π°ΠΊΡΠ΅Π½ΡΠΎΠΌ ΠΏΠΎΠ΄ΠΊΡΡΡΠΈΠ²Π°Π½ΠΈΡ ΡΠΈΠ»ΠΈΡΠΎΠ²Π°Π½Π½ΡΡ ΠΊΠΎΠ½ΡΠΈΠΊΠΎΠ² ΠΈ Π΄ΠΎΠ±Π°Π²Π»Π΅Π½ΠΈΠ΅ΠΌ ΠΎΠ±ΡΠ΅ΠΌΠ° Ρ ΠΊΠΎΡΠ½Π΅ΠΉ.
Π‘ΡΠ΅Π΄ΡΡΠ²Π° ΠΈ ΡΡΡΡΠΎΠΉΡΡΠ²Π° Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΡΠ΅Π½ΠΎΠΌ:
- ΠΌΠ°ΡΡΠ°ΠΆΠ½Π°Ρ ΡΠ΅ΡΠΊΠ°;
- ΡΠ΅Π½ Ρ ΡΠ΅Π»Π΅Π²ΠΎΠΉ Π½Π°ΡΠ°Π΄ΠΊΠΎΠΉ;
- ΡΠ°ΡΡΠ΅ΡΠΊΠ°-Π±ΡΠ°ΡΠΈΠ½Π³ ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ Π΄ΠΈΠ°ΠΌΠ΅ΡΡΠ°;
- ΡΠΊΠ»Π°Π΄ΠΎΡΠ½ΡΠΉ ΠΌΡΡΡ ΠΈΠ»ΠΈ Π»ΡΠ±ΠΎΠ΅ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ-ΡΠ΅ΠΊΡΡΡΡΠΈΠ·Π°ΡΠΎΡ Π΄Π»Ρ ΠΏΡΠΈΠ΄Π°Π½ΠΈΡ ΠΎΠ±ΡΠ΅ΠΌΠ°.
ΠΠ»Π³ΠΎΡΠΈΡΠΌ Π΄Π΅ΠΉΡΡΠ²ΠΈΠΉ ΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΡΡ ΠΈ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π»ΡΠ±ΠΎΠΌΡ ΡΠΈΠΏΡ Π²ΠΎΠ»ΠΎΡ Π·Π° ΠΈΡΠΊΠ»ΡΡΠ΅Π½ΠΈΠ΅ΠΌ Π²ΡΡΡΠΈΡ ΡΡ:
- Π§ΠΈΡΡΠΎ Π²ΡΠΌΡΡΡΠ΅ Π²ΠΎΠ»ΠΎΡ ΡΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ ΡΠ°ΡΡΠ΅ΡΠ°ΡΡ ΠΌΠ°ΡΡΠ°ΠΆΠ½ΠΎΠΉ ΡΠ΅ΡΠΊΠΎΠΉ ΠΈ Π½Π°Π½Π΅ΡΡΠΈ Π½Π° ΠΊΠΎΡΠ½ΠΈ ΠΈ ΠΊΠΎΠ½ΡΠΈΠΊΠΈ Π²ΠΎΠ»ΠΎΡ ΠΌΡΡΡ ΠΈΠ»ΠΈ Π³Π΅Π»Ρ.
- ΠΡΠΈΠΏΠΎΠ΄ΡΠΌΠ°Ρ Π±ΡΠ°ΡΠΈΠ½Π³ΠΎΠΌ ΠΏΡΡΠ΄ΠΈ Π½Π° ΠΌΠ°ΠΊΡΡΠΊΠ΅ ΠΈ Π·Π°ΡΡΠ»ΠΊΠ΅, ΠΏΡΠΎΡΡΡΠΈΡΡ ΠΏΠΎΠΏΡΡΠ΄Π½ΠΎ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ΅Π½Π° Ρ ΡΠ΅Π»Π΅Π²ΠΎΠΉ Π½Π°ΡΠ°Π΄ΠΊΠΎΠΉ ΠΊΠΎΡΠ½ΠΈ Π² ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ ΠΌΠΈΠ½ΡΡΡ. Π’Π΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° Π²ΠΎΠ·Π΄ΡΡΠ½ΠΎΠ³ΠΎ ΠΏΠΎΡΠΎΠΊΠ° ΡΠ½Π°ΡΠ°Π»Π° Π΄ΠΎΠ»ΠΆΠ½Π° Π±ΡΡΡ Π²ΡΡΠΎΠΊΠΎΠΉ, Π·Π°ΡΠ΅ΠΌ Π΅Π΅ ΠΆΠ΅Π»Π°ΡΠ΅Π»ΡΠ½ΠΎ ΠΏΠΎΠΌΠ΅Π½ΡΡΡ Π½Π° ΠΏΡΠΎΡ Π»Π°Π΄Π½ΡΡ Π΄Π»Ρ ΡΠΈΠΊΡΠ°ΡΠΈΠΈ ΡΠ΅ΠΊΡΡΡΡΡ Π²ΠΎΠ»ΠΎΡ. ΠΠ°ΡΠ΅ΠΌ ΠΏΡΠΎΠ²Π΅ΡΡΠΈ Π±ΡΠ°ΡΠΈΠ½Π³ΠΎΠΌ Π΄ΠΎ ΡΠ°ΠΌΡΡ ΠΊΠΎΠ½ΡΠΈΠΊΠΎΠ², ΠΎΠ΄Π½ΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎ ΠΎΠ±Π΄Π°Π²Π°Ρ Π²ΠΎΠ·Π΄ΡΡΠ½ΡΠΌ ΠΏΠΎΡΠΎΠΊΠΎΠΌ Π²ΡΡ ΠΏΡΡΠ΄Ρ. ΠΠΎΠ΄ΠΎΠ±Π½Π°Ρ ΡΡΡΠΊΠ° Π±Π»Π°Π³ΠΎΡΠ²ΠΎΡΠ½ΠΎ Π΄Π΅ΠΉΡΡΠ²ΡΠ΅Ρ Π½Π° Π²ΠΎΠ»ΠΎΡΡ, ΡΠΎΠ·Π΄Π°Π΅Ρ ΡΡΡΠ΅ΠΊΡΠ½ΡΠΉ ΠΎΠ±ΡΠ΅ΠΌ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ, Π° ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠ½ΡΡΠ°Ρ «ΡΠ²Π°Π½ΠΎΡΡΡ» ΠΏΡΡΠΌΡΡ ΠΊΠΎΠ½ΡΠΈΠΊΠΎΠ², ΡΠ»Π΅Π³ΠΊΠ° Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½Π½ΡΡ Π²Π½ΡΡΡΡ ΠΎΡΡΠ΅Π½ΡΠ΅Ρ ΡΠΊΡΠ»Ρ ΠΈ Π²ΡΠ΄Π΅Π»ΡΠ΅Ρ Π³Π»Π°Π·Π°.
- ΠΡΡΠΌΠ°Ρ ΠΈΠ»ΠΈ ΠΊΠΎΡΠ°Ρ ΡΠ΅Π»ΠΊΠ° Π²ΡΡΡΡΠΈΠ²Π°ΡΡΡΡ ΠΏΠΎ ΡΠΎΠΉ ΠΆΠ΅ ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΠΈ Π±Π΅Π· Π°ΠΊΡΠ΅Π½ΡΠ° Π½Π° ΠΊΠΎΡΠ½ΠΈ. ΠΠΎΠ΄ΠΎΠ±Π½Π°Ρ ΡΠΊΠ»Π°Π΄ΠΊΠ° ΠΎΡΠ΅Π½Ρ ΠΏΡΠΎΡΡΠ°, Π·Π°Π½ΠΈΠΌΠ°Π΅Ρ ΠΌΠ°Π»ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ ΠΈ ΠΏΡΠ°ΠΊΡΠΈΡΠ½Π° Π² ΠΈΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ.
ΠΠ΄Π΅Π°Π»ΡΠ½Π°Ρ Π³Π»Π°Π΄ΠΊΠΎΡΡΡ Ρ ΡΡΡΠΆΠΊΠ°ΠΌΠΈ
ΠΡΠΎΡΠΎΠΉ Π²Π°ΡΠΈΠ°Π½Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΏΡΡΠΌΠΎΠ³ΠΎ «ΠΊΠ°ΡΠΊΠ°Π΄Π°» Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ — ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΡΡΡΠΆΠΊΠΎΠ². ΠΡΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠΈ ΠΌΠ΅ΡΠΎΠ΄Π° ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π΄Π°Π½Π½ΠΎΠΉ ΡΠ΅Ρ Π½ΠΈΠΊΠΎΠΉ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° ΠΏΠΎΠ»ΡΡΠ°Π΅ΡΡΡ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ Π³Π»Π°Π΄ΠΊΠΎΠΉ, Π±Π»Π΅ΡΡΡΡΠ΅ΠΉ, Π±Π΅Π· ΠΎΠ±ΡΠ΅ΠΌΠ° Π½Π° ΠΊΠΎΡΠ½ΡΡ , Π½ΠΎ Ρ ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠΈΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΡΠ»ΠΎΡ ΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΎΡΠ΄Π΅Π»ΡΠ½ΠΎΠΉ ΠΏΡΡΠ΄ΠΈ, ΠΊΠΎΠ³Π΄Π° ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎ ΡΡΡΠ΅ΠΊΡΠ½Ρ ΡΠ°Π·Π½ΡΠ΅ ΠΎΡΡΠ΅Π½ΠΊΠΈ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ.
Π‘ΡΠ΅Π΄ΡΡΠ²Π° ΠΈ ΡΡΡΡΠΎΠΉΡΡΠ²Π° Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΡΡΡΠΆΠΊΠ°ΠΌΠΈ:
- ΡΠ΅Π½;
- Π·Π°ΡΠΈΡΠ½ΠΎΠ΅ Π°ΡΠ΅ΡΠΌΠ°Π»ΡΠ½ΠΎΠ΅ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ Π΄Π»Ρ Π²ΠΎΠ»ΠΎΡ;
- ΡΡΡΠΆΠΊΠΈ;
- ΡΠ°ΡΡΠ΅ΡΠΊΠ° Ρ ΡΠ°ΡΡΡΠΌΠΈ Π·Π°Π±ΡΠ°ΠΌΠΈ;
- Π»Π°ΠΊ-ΡΠΈΠΊΡΠ°ΡΠΎΡ.
Π‘Π»Π΅Π΄ΡΠ΅Ρ Π»ΠΈ ΡΠΏΠΎΠΌΠΈΠ½Π°ΡΡ, ΡΡΠΎ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΠΏΡΡΠΌΡΠ΅, ΡΠΎΠ²Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ, Π²ΡΠΏΡΡΠΌΠ»Π΅Π½Π½ΡΠ΅ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΡΡΠΆΠΊΠ°, Π²ΡΡΠ΄ Π»ΠΈ ΡΠΎΠΉΠ΄ΡΡ Ρ ΠΌΠΎΠ΄Π½ΠΎΠ³ΠΎ ΠΏΡΠ΅Π΄Π΅ΡΡΠ°Π»Π°. Π’Π΅ΠΌ Π½Π΅ ΠΌΠ΅Π½Π΅Π΅, ΠΏΠΎΠ΄ΠΎΠ±Π½Π°Ρ ΡΠΊΠ»Π°Π΄ΠΊΠ° ΡΠ°ΠΊΠΆΠ΅ ΠΏΡΠΎΡΡΠ° Π² ΠΈΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ, ΡΡΠ΅Π±ΡΠ΅Ρ ΠΌΠΈΠ½ΠΈΠΌΡΠΌΠ° ΡΡΠΈΠ»ΠΈΠΉ ΠΈ Π½Π°Π²ΡΠΊΠΎΠ².
- Π§ΠΈΡΡΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ Π²ΡΡΡΡΠΈΡΡ ΡΠ΅Π½ΠΎΠΌ.
- ΠΠ°Π½Π΅ΡΡΠΈ ΠΏΠΎ Π²ΡΠ΅ΠΉ Π΄Π»ΠΈΠ½Π΅ Π²ΠΎΠ»ΠΎΡ Π·Π°ΡΠΈΡΠ½ΠΎΠ΅ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ ΠΎΡ Π²Π»ΠΈΡΠ½ΠΈΡ Π²ΡΡΠΎΠΊΠΎΠΉ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ. ΠΡΠΎ ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎ Π²Π°ΠΆΠ½ΡΠΉ ΠΌΠΎΠΌΠ΅Π½Ρ Π΄Π»Ρ ΠΎΡΠ²Π΅ΡΠ»Π΅Π½Π½ΡΡ ΠΈΠ»ΠΈ ΠΌΠ΅Π»ΠΈΡΠΎΠ²Π°Π½Π½ΡΡ Π²ΠΎΠ»ΠΎΡ, ΡΡΡΡΠΊΡΡΡΠ° ΠΊΠΎΡΠΎΡΡΡ ΡΠΆΠ΅ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΏΠΎΡΠΈΡΡΠ°. Π‘ΡΠ΅Π΄ΡΡΠ²ΠΎ Π·Π°ΡΠΈΡΠΈΡ Π²ΠΎΠ»ΠΎΡΡ ΠΎΡ ΠΏΠ΅ΡΠ΅ΡΡΡΠΈΠ²Π°Π½ΠΈΡ ΠΈ Π»ΠΎΠΌΠΊΠΎΡΡΠΈ.
- ΠΡΡΡΠ°Π²ΠΈΠ² ΡΡΡΠΆΠΊΠΈ Π½Π° ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½Π½ΡΡ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ Π² Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΠΈ ΠΎΡ Π²Π°ΡΠ΅Π³ΠΎ ΡΠΈΠΏΠ° Π²ΠΎΠ»ΠΎΡ, Π°ΠΊΠΊΡΡΠ°ΡΠ½ΠΎ ΠΈ ΠΌΠ΅Π΄Π»Π΅Π½Π½ΠΎ ΠΏΡΠΎΠ²Π΅ΡΡΠΈ ΡΡΡΠΆΠΊΠ°ΠΌΠΈ ΠΊΠ°ΠΆΠ΄ΡΡ ΠΏΡΡΠ΄Ρ ΠΎΡ ΠΊΠΎΡΠ½Π΅ΠΉ Π²ΠΎΠ»ΠΎΡ ΠΊ Π΅Π΅ ΠΊΠΎΠ½ΡΠΈΠΊΠ°ΠΌ, ΡΡΡΡ Π·Π°Π³ΠΈΠ±Π°Ρ Π½Π° ΠΊΠΎΠ½ΡΠ°Ρ Π²Π½ΡΡΡΡ ΠΈ ΠΏΠΎΠ»ΡΠ°Ρ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ Π³Π»Π°Π΄ΠΊΡΡ ΠΈ ΠΏΡΡΠΌΡΡ ΠΏΡΡΠ΄Ρ.
- ΠΠΎΠ»ΡΡΠ΅Π½Π½ΡΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΠΎ ΡΠ°ΡΡΠ΅ΡΠ°ΡΡ ΠΈΠ·Π½ΡΡΡΠΈ ΡΠ°ΡΡΠ΅ΡΠΊΠΎΠΉ Ρ ΡΠ°ΡΡΡΠΌΠΈ Π·ΡΠ±ΡΠ°ΠΌΠΈ ΠΈ Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ Π»Π°ΠΊΠΎΠΌ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π°: Π²ΠΈΠ΄Π΅ΠΎ
Π Π΄Π°Π½Π½ΠΎΠΌ Π²ΠΈΠ΄Π΅ΠΎ ΡΠ°ΡΡΠΌΠΎΡΡΠΈ ΠΏΡΠΎΡΡΡΡ ΠΈ Π»Π΅Π³ΠΊΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ Π΄Π»Ρ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄, Π½Π° ΡΡΠ΅Π΄Π½Π΅Π΅ Π²ΠΎΠ»ΠΎΡΡ. ΠΠ°Π½Π½Π°Ρ ΡΠΊΠ»Π°Π΄ΠΊΠ° Π½Π΅ ΡΡΠ΅Π±ΡΠ΅Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΡΡΡΠΆΠΊΠ° ΠΈ ΡΠ΅Π½Π°, ΡΡΠΎ ΠΎΡΠ΅Π½Ρ Π²Π°ΠΆΠ½ΠΎ Π΄Π»Ρ ΡΠΎΠ½ΠΊΠΈΡ Π²ΠΎΠ»ΠΎΡ Π΄Π»Ρ ΠΏΠΎΠ΄Π΄Π΅ΡΠΆΠ°Π½ΠΈΠ΅ ΠΎΠ±ΡΡΠΌΠ°.
ΠΠ²Π°Π½Π³Π°ΡΠ΄Π½ΠΎΡΡΡ ΠΈ ΡΡΡΠ΅ΠΊΡΠ½ΠΎΡΡΡ
ΠΡΠΎΠ±ΡΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠΈΠ²Π°Π΅ΡΡΡ ΠΎΡΠΈΠ³ΠΈΠ½Π°Π»ΡΠ½ΠΎΡΡΡ ΠΈ ΡΡΠΊΠΎΡΡΡ ΠΆΠ΅Π½ΡΠΊΠΎΠ³ΠΎ ΠΎΠ±ΡΠ°Π·Π° ΠΏΡΠΈ ΡΠΊΠ»Π°Π΄ΠΊΠ΅ «ΠΊΠ°ΡΠΊΠ°Π΄Π°» Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ Ρ ΡΠΎΡΠ΅ΡΠ°Π½ΠΈΠ΅ΠΌ Π·Π°Π²ΠΈΠ²ΠΊΠΈ Π²Π½Π΅ΡΠ½ΠΈΡ ΠΏΡΡΠ΄Π΅ΠΉ Π²Π½ΡΡΡΡ, Π° Π²Π½ΡΡΡΠ΅Π½Π½ΠΈΠΉ — Π² ΠΎΠ±ΡΠ°ΡΠ½ΡΡ ΡΡΠΎΡΠΎΠ½Ρ, Π½Π°ΡΡΠΆΡ. ΠΠΎΠ΄ΠΎΠ±Π½ΡΠΉ Π²Π°ΡΠΈΠ°Π½Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π² ΡΠΎΡΠ΅ΡΠ°Π½ΠΈΠΈ Ρ Π³Π΅Π»ΡΠΌΠΈ-ΡΠ΅ΠΊΡΡΡΡΠΈΠ·Π°ΡΠΎΡΠ°ΠΌΠΈ, ΡΠ²ΠΎΡΡΠ΅ΡΠΊΠΈΠΌ ΠΎΠΊΡΠ°ΡΠΈΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΈ ΡΠΊΠ»Π°Π΄ΠΊΠΎΠΉ ΡΠ΅Π»ΠΊΠΈ ΠΏΡΠΈΠ΄Π°Π΅Ρ ΠΆΠ΅Π½ΡΠΊΠΎΠΌΡ ΠΎΠ±ΡΠ°Π·Ρ ΡΡΠΈΠ»ΡΠ½ΠΎΠΉ Π³Π΅ΠΎΠΌΠ΅ΡΡΠΈΠΈ, Π²ΠΏΠ»ΠΎΡΡ Π΄ΠΎ Π³ΠΎΡΠΈΠΊΠΈ ΠΈ Π»Π΅Π³ΠΊΠΎΠ³ΠΎ Π½Π°ΠΌΠ΅ΠΊΠ° ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΠΈΠ·Π°ΡΠΈΠΈ Π² Π²Π°ΠΌΠΏ-ΡΡΠΈΠ»Π΅.
ΠΡΠ΅ ΠΎΠ΄Π½ΠΈΠΌ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠΌ ΠΌΠΎΠ³ΡΡ ΡΡΠ°ΡΡ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΡ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ ΡΠ°ΠΌΠΎΠΉ ΡΠ°Π·Π½ΠΎΠΉ Π΄Π»ΠΈΠ½Ρ — ΠΏΡΠ΅Π΄Π΅Π»ΡΠ½ΠΎ ΠΊΠΎΡΠΎΡΠΊΠΎΠΉ ΠΈ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΡΠΎΠ²Π½ΠΎΠΉ ΠΈΠ»ΠΈ Π°ΡΡΠΈΠΌΠ΅ΡΡΠΈΡΠ½ΠΎ ΡΠΏΠ°Π΄Π°ΡΡΠ΅ΠΉ ΠΏΠΎ ΠΊΠΎΠ½ΡΡΡΡ Π»ΠΈΡΠ°, Π° ΡΠ°ΠΊΠΆΠ΅ ΠΈΠ³ΡΠ° Ρ Π³Π΅ΠΎΠΌΠ΅ΡΡΠΈΠ΅ΠΉ ΠΏΡΠΎΠ±ΠΎΡΠ° Π°ΠΊΡΠ΅Π½ΡΠΈΡΡΠ΅Ρ ΡΡΡΠ΅ΠΊΡΠ½ΠΎΡΡΡ ΠΎΠΊΡΠ°ΡΠ΅Π½Π½ΠΎΠ³ΠΎ ΠΊΠ°ΡΠΊΠ°Π΄Π° ΡΠ»ΠΎΠ΅Π² ΠΈΠ»ΠΈ, ΠΎΡΡΠ°Π²ΠΈΠ² ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΡΠΎΠ²Π½ΡΠΌ Π²Π΅ΡΡ Π½ΠΈΠΉ ΡΠ»ΠΎΠΉ ΠΊΠ°ΡΠΊΠ°Π΄Π°, Π΅Π³ΠΎ Π²Π½ΡΡΡΠ΅Π½Π½ΠΈΠΉ ΡΠ»ΠΎΠΉ Π½Π°ΠΎΠ±ΠΎΡΠΎΡ Π½Π°ΠΊΡΡΡΠΈΡΡ, ΠΎΡΡΠ°Π²ΠΈΠ² ΠΎΡΡΡΡΠ΅ ΠΊΠΎΠ½ΡΠΈΠΊΠΈ ΡΠΎΡΡΠ°ΡΡ Π² ΡΠ°Π·Π½ΡΠ΅ ΡΡΠΎΡΠΎΠ½Ρ, Π½Π°ΠΌΠ΅ΠΊΠ° Π½Π° Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΡΡ Π²ΠΎΠ»ΡΡΡ Π³ΠΎΡΠΈΠΊΡ ΠΊΠ°ΡΠΊΠ°Π΄Π°.
Π’Π΅ΠΊΡΡΡΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠ΅ Π²ΠΎΠ»Π½Ρ
«ΠΠ°ΡΠΊΠ°Π΄» Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ — ΠΈΠ΄Π΅Π°Π»ΡΠ½Π°Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π΄Π»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΠΎΠ³ΠΎ ΡΠΎΠΌΠ°Π½ΡΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΠΎΠ±ΡΠ°Π·Π° Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π²ΠΎΠ»Π½ ΠΈ ΠΏΡΡΠ½ΡΡ ΠΊΡΠ΄ΡΠ΅ΠΉ, ΠΏΡΠ΅ΠΊΡΠ°ΡΠ½ΠΎ ΡΠΎΡΠ΅ΡΠ°ΡΡΠΈΡ ΡΡ Ρ ΡΠ°Π·Π½ΠΎΠ³ΠΎ ΡΠΎΠ΄Π° Π°ΠΊΡΠ΅ΡΡΡΠ°ΡΠ°ΠΌΠΈ Π΄Π»Ρ Π²ΠΎΠ»ΠΎΡ. ΠΠΎΠ΄ΠΊΡΡΡΠ΅Π½Π½ΡΠ΅ Π² ΡΠ°Π·Π½ΡΠ΅ ΡΡΠΎΡΠΎΠ½Ρ ΠΏΡΡΠ΄ΠΈ Π»ΠΈΠ±ΠΎ ΡΠ΅Π½ΠΎΠΌ-ΡΠ°ΡΡΠ΅ΡΠΊΠΎΠΉ, Π»ΠΈΠ±ΠΎ Π»Π΅Π³ΠΊΠΈΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ, ΡΠΎΠ·Π΄Π°Π½Π½ΡΠ΅ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΡΠ°ΠΉΠ»Π΅ΡΠ° ΡΠ΄Π΅Π»Π°ΡΡ ΠΎΠ±ΡΠ°Π· Π»Π΅Π³ΠΊΠΈΠΌ ΠΈ ΠΏΠΎ-Π»Π΅ΡΠ½Π΅ΠΌΡ Π²ΠΎΠ·Π΄ΡΡΠ½ΡΠΌ, ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠ½ΡΠ² ΠΈΡΠΊΠ»ΡΡΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ Π΄ΠΎΡΡΠΎΠΈΠ½ΡΡΠ²Π° ΠΆΠ΅Π½ΡΡΠ²Π΅Π½Π½ΠΎΡΡΠΈ ΠΈ ΠΊΡΠ°ΡΠΎΡΡ.
Β
ΠΠΎΠΌΠ°ΡΠ½ΠΈΠ΅ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠ²ΠΎΠΈΠΌΠΈ ΡΡΠΊΠ°ΠΌΠΈ Β» ΠΠΎΡΠΎΡΠΊΠ°Ρ ΡΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄ β Π²ΡΠ±Π΅ΡΠΈ ΡΠ²ΠΎΠΉ Π²Π°ΡΠΈΠ°Π½Ρ
ΠΠ½ΠΎΠ³ΠΈΠ΅ ΠΎΠ±Π»Π°Π΄Π°ΡΠ΅Π»ΡΠ½ΠΈΡΡ Π½Π΅ ΡΠ»ΠΈΡΠΊΠΎΠΌ Π³ΡΡΡΠΎΠΉ ΠΎΡ ΠΏΡΠΈΡΠΎΠ΄Ρ ΡΠ΅Π²Π΅Π»ΡΡΡ ΠΈΠ»ΠΈ ΡΠ΅, ΠΊΠΎΠΌΡ Π½Π΅ Ρ ΠΎΡΠ΅ΡΡΡ ΡΠΈΠ»ΡΠ½ΠΎ ΡΡΠ΅ΡΠ΄ΡΡΠ²ΠΎΠ²Π°ΡΡ Ρ ΡΡ ΠΎΠ΄ΠΎΠΌ Π·Π° Π½Π΅ΠΉ, ΠΎΡΡΠ°Π½Π°Π²Π»ΠΈΠ²Π°ΡΡΡΡ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΡ ΡΡΡΠΈΠΆΠΊΠ°Ρ . ΠΡΠ»ΠΈ Π²Π°ΡΠΈΠΌ Π²ΠΎΠ»ΠΎΡΠ°ΠΌ Π½Π΅ Ρ Π²Π°ΡΠ°Π΅Ρ Π»Π΅Π³ΠΊΠΎΡΡΠΈ ΠΈ ΠΎΠ±ΡΠ΅ΠΌΠ°, ΡΠΎ ΡΡΠΎΠΈΡ ΠΏΡΠΈΡΠΌΠΎΡΡΠ΅ΡΡΡΡ ΠΊ Π²Π°ΡΠΈΠ°Π½ΡΡ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ. ΠΠ° ΡΠ°ΠΊΠΎΠΉ ΠΏΡΠΈΡΠ΅ΡΠΊΠΎΠΉ Π±ΡΠ΄Π΅Ρ Π½Π΅ΡΠ»ΠΎΠΆΠ½ΠΎ ΡΡ Π°ΠΆΠΈΠ²Π°ΡΡ, Π° ΠΌΠ½ΠΎΠ³ΠΎΠΎΠ±ΡΠ°Π·ΠΈΠ΅ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠ² Π½Π° Π΅Π΅ ΡΠ΅ΠΌΡ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΠΏΠΎΠ΄ΠΎΠ±ΡΠ°ΡΡ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡΠΈΠΉ ΠΏΠΎΠ΄ ΡΠΎΡΠΌΡ Π»ΠΈΡΠ°. ΠΡΠΈΠ½ΡΠΈΠΏ ΠΊΠ°ΡΠΊΠ°Π΄Π° ΠΏΡΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ ΠΎΡΡΠ°Π΅ΡΡΡ ΡΠ°ΠΊΠΈΠΌ ΠΆΠ΅, ΠΊΠ°ΠΊ ΠΈ ΠΏΡΠΈ Π΄ΡΡΠ³ΠΈΡ Π΄Π»ΠΈΠ½Π°Ρ β ΡΠΎΡΡΡΠΈΠ³Π°ΡΡΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΡΠΎΠ²Π½Π΅ΠΉ, ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΈΠ· ΠΊΠΎΡΠΎΡΡΡ ΠΊΠΎΡΠΎΡΠ΅ ΠΏΡΠ΅Π΄ΡΠ΄ΡΡΠ΅Π³ΠΎ, Π²Π΅ΡΡ Π½ΠΈΠ΅ ΠΏΠ»Π°Π²Π½ΠΎ Π½ΠΈΡΠΏΠ°Π΄Π°ΡΡ Π½Π° Π½ΠΈΠΆΠ½ΠΈΠ΅. ΠΠΎΠ»ΡΡΠ°Π΅ΡΡΡ ΡΡΡΠ΅ΠΊΡ Β«Π»Π΅ΡΠ΅Π½ΠΊΠΈΒ». ΠΠ»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ Π±ΠΎΠ»Π΅Π΅ Π΄Π΅ΡΠ·ΠΊΠΎΠ³ΠΎ ΠΎΠ±ΡΠ°Π·Π° ΠΌΠ°ΡΡΠ΅Ρ ΠΌΠΎΠΆΠ΅Ρ Π½Π°ΡΡΡΠΈΡΡ ΠΏΠ»Π°Π²Π½ΠΎΡΡΡ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄Π°, ΠΎΡΡΠ°Π²Π»ΡΡ ΠΏΡΡΠ΄ΠΈ ΡΠ°Π·Π½ΠΎΠΉ Π΄Π»ΠΈΠ½Ρ ΠΈ Π΄Π΅Π»Π°Ρ ΠΊΡΠ°Ρ ΡΠ²Π°Π½ΡΠΌΠΈ.
ΠΠΈΠ΄Ρ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΡΡΡΠΈΠΆΠ΅ΠΊ Π΄Π»Ρ ΠΊΠΎΡΠΎΡΠΊΠΈΡ Π²ΠΎΠ»ΠΎΡ
ΠΠ°ΡΠΊΠ°Π΄ Ρ ΡΠΊΠΎΡΠΎΡΠ΅Π½Π½ΠΎΠΉ ΠΌΠ°ΠΊΡΡΠΊΠΎΠΉ
ΠΠ»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΡΠ°ΠΊΠΎΠΉ ΡΠΎΡΠΌΡ Π²Π΅ΡΡ Π½ΠΈΠΉ ΡΠ»ΠΎΠΉ ΡΠΎΡΡΡΠΈΠ³Π°Π΅ΡΡΡ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΊΠΎΡΠΎΡΠΊΠΎ, ΡΠ°ΠΊ, ΡΡΠΎ Π²ΠΎΠ»ΠΎΡΡ ΠΎΠ±ΡΠ°Π·ΡΡΡ ΡΠΎΡΠΌΡ Β«ΡΠ°ΠΏΠΎΡΠΊΠΈΒ». ΠΡΠΎ ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΠ²Π°Π΅Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΠ΅ ΠΏΠ»Π°Π²Π½ΠΎΠ³ΠΎ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠ³ΠΎ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄Π° ΠΊ ΡΠ΅Π΅ ΠΈ ΠΏΠΎΠΌΠΎΠ³Π°Π΅Ρ Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ ΠΊΠΎΠΌΠΏΠ΅Π½ΡΠΈΡΠΎΠ²Π°ΡΡ ΡΠΎΡΠΌΡ Π³ΠΎΠ»ΠΎΠ²Ρ ΡΠ΅ΠΌ, Ρ ΠΊΠΎΠ³ΠΎ ΡΠΊΠΎΡΠ΅Π½Π½ΡΠΉ Π·Π°ΡΡΠ»ΠΎΠΊ. ΠΡΠΈ Π²ΡΠ±ΠΎΡΠ΅ ΡΡΠΎΠ³ΠΎ Π²Π°ΡΠΈΠ°Π½ΡΠ° ΠΎΡΠ΅Π½Ρ Π²ΡΠΈΠ³ΡΡΡΠ½ΠΎ ΡΠΌΠΎΡΡΡΡΡΡ ΡΠ°ΠΊΠΈΠ΅ ΡΠΏΠΎΡΠΎΠ±Ρ ΠΎΠΊΡΠ°ΡΠΊΠΈ, ΠΊΠ°ΠΊ ΠΌΠ΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΈ ΠΊΠΎΠ»ΠΎΡΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅, ΡΠ΄Π»ΠΈΠ½Π΅Π½Π½ΡΠ΅ Π²Π΅ΡΡ Π½ΠΈΠ΅ ΠΏΡΡΠ΄ΠΈ ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡ ΠΈΡ Π²ΠΎ Π²ΡΠ΅ΠΉ ΠΊΡΠ°ΡΠ΅.
ΠΠΎΡΠΎΡΠΊΠΈΠΉ ΠΊΠ°ΡΠΊΠ°Π΄ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ
ΠΠ°ΠΈΠ±ΠΎΠ»Π΅Π΅ Π³Π°ΡΠΌΠΎΠ½ΠΈΡΠ½ΠΎ Ρ ΠΏΡΡΠ΄ΡΠΌΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π° Π±ΡΠ΄Π΅Ρ ΡΠΌΠΎΡΡΠ΅ΡΡΡΡ ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠΎΠ²Π°Π½Π½Π°Ρ ΡΠ΅Π»ΠΊΠ°. ΠΡΠ»ΠΈ Π²Ρ Π²ΡΠ΅-ΡΠ°ΠΊΠΈ ΡΠ΅ΡΠΈΠ»ΠΈ ΠΎΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡΡ Π½Π° ΡΠΎΠ²Π½ΠΎΠΉ ΡΠ΅Π»ΠΊΠ΅ Π±Π΅Π· ΡΠΈΠ»ΠΈΡΠΎΠ²ΠΊΠΈ, ΠΊΠ°ΠΊ Π½Π° ΡΠΎΡΠΎ, ΡΠΎ ΠΎΠ½Π° Π΄ΠΎΠ»ΠΆΠ½Π° ΡΠΎΡΠ΅ΡΠ°ΡΡΡΡ ΡΠΎ ΡΡΡΠΈΠΆΠΊΠΎΠΉ Π½Π° ΠΊΠΎΠ½ΡΠ°Ρ .
ΠΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΡΡΠΈΠΆΠΊΠ° Ρ ΠΊΠΎΡΠΎΠΉ ΡΠ΅Π»ΠΊΠΎΠΉ
ΠΠΎΡΠ°Ρ ΡΠ²Π°Π½Π°Ρ ΡΠ΅Π»ΠΊΠ° ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎ ΡΠΎΡΠ΅ΡΠ°Π΅ΡΡΡ Ρ ΠΊΠΎΡΠΎΡΠΊΠΈΠΌ ΠΊΠ°ΡΠΊΠ°Π΄ΠΎΠΌ, Π²Π΅Π΄Ρ ΡΡΠ° ΠΏΡΠΈΡΠ΅ΡΠΊΠ° ΠΏΠΎΠ΄ΡΠ°Π·ΡΠΌΠ΅Π²Π°Π΅Ρ Π±ΡΡΡ Π²ΠΎΠ·Π΄ΡΡΠ½ΠΎΠΉ, Π½Π΅ΠΎΠ΄Π½ΠΎΡΠΎΠ΄Π½ΠΎΠΉ, ΡΡΡΠΎΠ³ΠΈΠ΅ ΡΠΎΡΠΌΡ ΡΡΡ Π½ΠΈ ΠΊ ΡΠ΅ΠΌΡ. ΠΡΠΈ ΠΎΡΠ΅Π½Ρ ΠΊΠΎΡΠΎΡΠΊΠΎΠΌ Π²Π°ΡΠΈΠ°Π½ΡΠ΅ ΡΠ΅Π»ΠΊΡ ΠΌΠΎΠΆΠ½ΠΎ ΠΎΡΡΠ°Π²ΠΈΡΡ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π΄Π»ΠΈΠ½Π½ΠΎΠΉ, Π΄ΠΎ ΠΏΠΎΠ΄Π±ΠΎΡΠΎΠ΄ΠΊΠ°, Π° Π·Π°ΡΡΠ»ΠΎΠΊ ΡΠ΄Π΅Π»Π°ΡΡ Π±ΠΎΠ»Π΅Π΅ ΠΎΠ±ΡΠ΅ΠΌΠ½ΡΠΌ. ΠΡΠ»ΠΈ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΡΡΡ ΠΏΡΠΈΡΡΡΡΡΠ²ΡΠ΅Ρ ΡΠΎΠ»ΡΠΊΠΎ Π½Π° ΠΊΠΎΠ½ΡΠ°Ρ , ΡΠΎ ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ ΠΊΠΎΡΠΎΡΠΊΠ°Ρ ΠΊΠΎΡΠ°Ρ ΡΠ΅Π»ΠΊΠ°.
ΠΠ°ΡΠΊΠ°Π΄ Ρ ΠΊΠΎΡΠΎΡΠΊΠΈΠΌΠΈ ΠΊΠΎΠ½ΡΠ°ΠΌΠΈ
Π’Π°ΠΊΠΎΠΉ Π²ΠΈΠ΄ ΡΡΡΠΈΠΆΠΊΠΈ ΠΌΠΎΠΆΠ΅Ρ ΡΠΊΡΠ°ΡΠΈΡΡ Π»ΠΈΡΠΎ Π² ΡΠΎΡΠΌΠ΅ ΡΠΎΠΌΠ±Π° ΠΈΠ»ΠΈ ΡΡΠ΅ΡΠ³ΠΎΠ»ΡΠ½ΠΈΠΊΠ°, ΡΠ°ΡΡΠΈΡΠΈΠ² Π·ΡΠΈΡΠ΅Π»ΡΠ½ΠΎ ΡΠ·ΠΊΠΈΠ΅ ΡΠ΅ΡΡΡ. ΠΠ½Π° ΡΠΎΡΡΡΠΈΠ³Π°Π΅ΡΡΡ, ΠΊΠ°ΠΊ ΠΏΡΠ°Π²ΠΈΠ»ΠΎ, Π½Π΅ ΠΌΠ΅Π½ΡΡΠ΅, ΡΠ΅ΠΌ Π½Π° Π΄Π²Π° ΡΡΠΎΠ²Π½Ρ.
ΠΠ°ΡΠΈΠ°Π½ΡΡ ΠΎΠΊΡΠ°ΡΠΊΠΈ ΠΏΡΠΈ ΠΊΠΎΡΠΎΡΠΊΠΎΠΌ ΠΊΠ°ΡΠΊΠ°Π΄Π΅
ΠΠΏΡΠΈΠΌΠ°Π»ΡΠ½Π°Ρ ΡΠ²Π΅ΡΠΎΠ²Π°Ρ Π³Π°ΠΌΠΌΠ° Π΄Π»Ρ Π²ΡΠ±ΡΠ°Π²ΡΠΈΡ ΡΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ β Π²ΡΠ΅ Π½Π°ΡΡΡΠ°Π»ΡΠ½ΡΠ΅ ΠΎΡΡΠ΅Π½ΠΊΠΈ, ΠΎΡ ΡΠ²Π΅ΡΠ»ΠΎ-ΡΡΡΡΡ Π΄ΠΎ ΡΠ΅ΠΌΠ½ΠΎ-ΠΊΠ°ΡΡΠ°Π½ΠΎΠ²ΡΡ Π²ΠΎΠ»ΠΎΡ. ΠΡΠΈΡΠ΅ΠΌ, ΠΏΡΠΈ Π±ΠΎΠ»Π΅Π΅ ΡΠ²Π΅ΡΠ»ΡΡ ΠΎΡΡΠ΅Π½ΠΊΠ°Ρ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄ ΠΌΠ΅ΠΆΠ΄Ρ ΡΠ»ΠΎΡΠΌΠΈ Π±ΡΠ΄Π΅Ρ Π±ΠΎΠ»Π΅Π΅ Π·Π°ΠΌΠ΅ΡΠ΅Π½, ΡΡΠΎ Π·Π½Π°ΡΠΈΡ, ΡΡΠΎ ΠΎΠ±ΡΠ°Π· ΠΏΠΎΠ»ΡΡΠΈΡΡΡ Π²ΡΡΠ°Π·ΠΈΡΠ΅Π»ΡΠ½Π΅ΠΉ. ΠΠ°ΠΊ ΡΠΆΠ΅ ΡΠΏΠΎΠΌΠΈΠ½Π°Π»ΠΎΡΡ Π²ΡΡΠ΅, ΠΌΠ΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΈ ΠΊΠΎΠ»ΠΎΡΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ Π±ΡΠ΄ΡΡ Π²ΡΠΈΠ³ΡΡΡΠ½ΠΎ ΡΠΌΠΎΡΡΠ΅ΡΡΡΡ Π½Π° ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ , ΠΏΡΠΈΠ΄Π°Π΄ΡΡ ΠΈΠΌ Π΅ΡΠ΅ Π±ΠΎΠ»ΡΡΠ΅ ΠΎΠ±ΡΠ΅ΠΌΠ° ΠΈ ΠΈΠ³ΡΠΈΠ²ΠΎΡΡΠΈ. ΠΠ΄Π½ΠΎΡΠΎΠ½Π½Π°Ρ ΠΆΠ΅ ΠΎΠΊΡΠ°ΡΠΊΠ° ΠΏΡΠΈΠ΄Π°ΡΡ Π²ΠΈΠ΄ ΠΌΠ΅Π½Π΅Π΅ ΠΎΠ±ΡΠ΅ΠΌΠ½ΡΠΉ. Π‘ΡΠΎΠΈΡ Π½Π΅ Π·Π°Π±ΡΠ²Π°ΡΡ ΠΎ ΡΠΎΠΌ, ΡΡΠΎ ΡΠ΅ΠΌ ΠΊΡΠ΅Π°ΡΠΈΠ²Π½Π΅Π΅ Π²Π°ΡΠΈΠ°Π½Ρ ΡΡΡΠΈΠΆΠΊΠΈ Ρ Π²Π°Ρ, ΡΠ΅ΠΌ Π±ΠΎΠ»Π΅Π΅ ΡΡΠΊΠ°Ρ ΠΎΠΊΡΠ°ΡΠΊΠ° ΡΠΌΠ΅ΡΡΠ½Π°.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠΎΡΠΎΡΠΊΠΎΠΉ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ
Π£ΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ ΡΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΡ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ. ΠΡΠ»ΠΈ Ρ ΠΎΡΠ΅ΡΡΡ ΠΏΡΠΈΠ΄Π°ΡΡ ΡΠ²ΠΎΠΈΠΌ Π»ΠΎΠΊΠΎΠ½Π°ΠΌ Π²ΠΈΠ΄ Π»Π΅Π³ΠΊΠΎΠΉ Π½Π΅Π±ΡΠ΅ΠΆΠ½ΠΎΡΡΠΈ ΠΈ Π΅ΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎΡΡΠΈ, ΡΠΎ Π½Π°Π½Π΅ΡΠΈΡΠ΅ Π½Π° Π½ΠΈΡ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ ΠΌΡΡΡΠ° ΠΈ Π²ΡΡΡΡΠΈΡΠ΅ ΡΠ΅Π½ΠΎΠΌ, ΡΠ»Π΅Π³ΠΊΠ° Π²Π·ΡΠ΅ΡΠΎΡΠΈΠ² ΡΡΠΊΠ°ΠΌΠΈ. ΠΠ»Ρ Π±ΠΎΠ»Π΅Π΅ ΠΊΠ»Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΠΎΠ±ΡΠ°Π·Π° Π½ΡΠΆΠ½ΠΎ Π²ΠΎΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡΡΡ ΠΊΡΡΠ³Π»ΡΠΌ Π±ΡΠ°ΡΠΈΠ½Π³ΠΎΠΌ ΠΈ ΡΠ΅Π½ΠΎΠΌ, Π²ΡΡΡΠ³ΠΈΠ²Π°Ρ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΡΡΡΡ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΏΠΎ-ΠΎΡΠ΄Π΅Π»ΡΠ½ΠΎΡΡΠΈ, Π½Π°ΡΠΈΠ½Π°Ρ Ρ Π²Π΅ΡΡ Π½Π΅Π³ΠΎ. Π ΠΈΡΠΎΠ³Π΅ ΠΏΠΎΠ»ΡΡΠΈΡΡΡ ΡΠΊΠ»Π°Π΄ΠΊΠ° Ρ ΡΡΠΊΠΎ Π²ΡΡΠ°ΠΆΠ΅Π½Π½ΡΠΌΠΈ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄Π°ΠΌΠΈ ΠΌΠ΅ΠΆΠ΄Ρ ΡΠ»ΠΎΡΠΌΠΈ.
Π€ΠΎΡΠΎ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΡΠΏΠΎΡΠΎΠ±ΠΎΠ² ΡΠΊΠ»Π°Π΄ΠΊΠΈ:
ΠΡΠ°Π½ΡΡ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΠΎΠ»Π΅Π·Π½ΠΎ Π·Π½Π°ΡΡ
ΠΠ΅ΡΠΌΠΎΡΡΡ Π½Π° Π²ΡΠ΅ ΡΠ²ΠΎΠΈ ΠΏΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²Π°, ΡΠ΅ΠΌ, ΠΊΡΠΎ ΠΎΡΡΠ°Π½ΠΎΠ²ΠΈΠ» ΡΠ²ΠΎΠΉ Π²ΡΠ±ΠΎΡ Π½Π° Π΄Π°Π½Π½ΠΎΠΌ ΠΊΠ°ΡΠΊΠ°Π΄Π΅, ΡΠ»Π΅Π΄ΡΠ΅Ρ ΡΡΠΈΡΡΠ²Π°ΡΡ Π½Π΅ΠΊΠΎΡΠΎΡΡΠ΅ ΠΌΠΎΠΌΠ΅Π½ΡΡ.
ΠΠΎ-ΠΏΠ΅ΡΠ²ΡΡ , ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ ΡΡΠ΅Π±ΡΠ΅Ρ ΠΏΠΎΡΡΠΎΡΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±Π½ΠΎΠ²Π»Π΅Π½ΠΈΡ. ΠΡΠ΅, ΠΊΠΎΠ½Π΅ΡΠ½ΠΎ, Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ ΡΠΊΠΎΡΠΎΡΡΠΈ ΡΠΎΡΡΠ° Π²Π°ΡΠΈΡ Π²ΠΎΠ»ΠΎΡ, Π½ΠΎ, ΠΊΠ°ΠΊ ΠΏΡΠ°Π²ΠΈΠ»ΠΎ, ΠΏΠΎΡΠ΅ΡΠ°ΡΡ ΠΏΠ°ΡΠΈΠΊΠΌΠ°Ρ Π΅ΡΠ° ΠΏΡΠΈΠ΄Π΅ΡΡΡ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΌΠ΅ΡΡΡ.
ΠΠΎ-Π²ΡΠΎΡΡΡ , ΠΎΡΠΎΠ±ΠΎΠ΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΠ΅ Π½ΡΠΆΠ½ΠΎ Π±ΡΠ΄Π΅Ρ ΡΠ΄Π΅Π»ΠΈΡΡ ΡΡ ΠΎΠ΄Ρ Π·Π° ΠΊΠΎΠ½ΡΠΈΠΊΠ°ΠΌΠΈ. ΠΠ·-Π·Π° ΠΌΠ½ΠΎΠ³ΠΎΡΠ»ΠΎΠΉΠ½ΠΎΡΡΠΈ, ΡΠ°Π·Π½ΠΎΠΉ Π΄Π»ΠΈΠ½Ρ ΠΏΡΡΠ΄Π΅ΠΉ, ΠΏΠΎΡΠ΅ΡΠ΅Π½Π½ΡΠ΅ ΠΊΠΎΠ½ΡΡ Π±ΡΠ΄ΡΡ ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎ Π·Π°ΠΌΠ΅ΡΠ½Ρ. ΠΠΎΡΡΠΎΠΌΡ ΡΡΠ°ΡΠ΅Π»ΡΠ½ΠΎ ΡΠ»Π΅Π΄ΠΈΡΠ΅ Π·Π° Π½ΠΈΠΌΠΈ, ΠΏΡΠΈΠΌΠ΅Π½ΡΡ ΡΠΏΠ΅ΡΠΈΠ°Π»ΡΠ½ΡΠ΅ ΡΡΠ΅Π΄ΡΡΠ²Π°.
ΡΡΠ΅Π΄Π½ΠΈΠ΅, ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅, Π΄Π»ΠΈΠ½Π½ΡΠ΅ (Ρ ΡΠΎΡΠΎ)
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½Π° Π²ΠΎΠ»ΠΎΡΠ°Ρ , Π½Π΅Π²Π°ΠΆΠ½ΠΎ Π΄Π»ΠΈΠ½Π½ΡΠ΅ ΠΎΠ½ΠΈ, ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅, Π²ΠΎ ΠΌΠ½ΠΎΠ³ΠΎΠΌ Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ ΠΎΠΏΡΡΠ°.
Π‘ΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π΅Π²Π΅ΡΠΎΡΡΠ½ΠΎ ΠΏΠΎΠΏΡΠ»ΡΡΠ½Ρ ΡΠΆΠ΅ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ Π΄Π΅ΡΡΡΠΈΠ»Π΅ΡΠΈΠΉ. ΠΡΠΎ Π½Π΅ΡΠ»ΡΡΠ°ΠΉΠ½ΠΎ β ΠΎΠ½ΠΈ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡ ΠΆΠ΅Π½ΡΠΈΠ½Π°ΠΌ Π²ΡΠ΅Ρ Π²ΠΎΠ·ΡΠ°ΡΡΠΎΠ² ΠΈ Π»ΡΠ±ΠΎΠΉ ΡΠΎΡΠΌΡ Π»ΠΈΡΠ°.
ΠΠΎ Π΅ΡΡΡ ΠΎΠ΄Π½Π° Π½Π΅Π±ΠΎΠ»ΡΡΠ°Ρ ΠΏΡΠΎΠ±Π»Π΅ΠΌΠ°: ΠΊΠΎΠ³Π΄Π° ΡΡΡΠΈΠΆΠΊΠΈ ΠΈ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π΄Π΅Π»Π°Π΅Ρ ΠΏΠ°ΡΠΈΠΊΠΌΠ°Ρ Π΅Ρ β ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠΌΠΎΡΡΡΡΡΡ ΠΏΡΠ΅Π²ΠΎΡΡ ΠΎΠ΄Π½ΠΎ, Π΄ΠΎΠΌΠ° ΠΆΠ΅ ΡΠΎΠ²ΡΠ΅ΠΌ Π΄ΡΡΠ³ΠΎΠ΅ Π΄Π΅Π»ΠΎ.
Π‘ΡΠ°Π·Ρ ΠΏΠΎΡΠ»Π΅ ΠΌΡΡΡΡ ΡΠ΅Π²Π΅Π»ΡΡΠ°, ΠΏΠΎΠ΄ΡΡΡΠΈΠΆΠ΅Π½Π½Π°Ρ ΠΊΠ°ΡΠΊΠ°Π΄ΠΎΠΌ, Π²ΡΠ³Π»ΡΠ΄ΠΈΡ ΡΠ°ΡΡΡΠ΅ΠΏΠ°Π½Π½ΠΎΠΉ ΠΈ ΡΠΎΠ²Π΅ΡΡΠ΅Π½Π½ΠΎ Π½Π΅ ΠΏΠΎΡ ΠΎΠΆΠ° Π½Π° ΡΠΎΡΠΎ ΠΈΠ· ΠΆΡΡΠ½Π°Π»Π°, ΠΊΠΎΡΠΎΡΠΎΠ΅ Π²Π°ΠΌ ΡΠ°ΠΊ ΠΏΠΎΠ½ΡΠ°Π²ΠΈΠ»ΠΎΡΡ, ΠΊΠΎΠ³Π΄Π° Π²Ρ ΠΏΠΎΠ΄Π±ΠΈΡΠ°Π»ΠΈ ΡΠ΅Π±Π΅ ΡΡΡΠΈΠΆΠΊΡ.
ΠΠ°ΡΠΊΠ°Π΄ Π½ΡΠΆΠ΄Π°Π΅ΡΡΡ Π² ΡΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠ΅ ΠΊΠ°ΠΊ Π½ΠΈ ΠΎΠ΄Π½Π° Π΄ΡΡΠ³Π°Ρ ΡΡΡΠΈΠΆΠΊΠ°.
ΠΡΠ»ΠΈ Π½Π°Π±ΠΈΡΡ ΡΡΠΊΡ, ΡΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π·Π°Π½ΠΈΠΌΠ°Π΅Ρ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ. ΠΠ»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΏΠΎΡΡΠ΅Π±ΡΡΡΡΡ ΡΠ΅Π½, ΠΊΡΡΠ³Π»Π°Ρ ΡΠ΅ΡΠΊΠ° ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ Π΄ΠΈΠ°ΠΌΠ΅ΡΡΠ°, ΠΏΠ»ΠΎΠΉΠΊΠ° ΠΈ Π»ΡΠ±ΠΎΠ΅ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ (ΠΏΠ΅Π½ΠΊΠ°, Π»Π°ΠΊ, ΠΌΡΡΡ, Π³Π΅Π»Ρ Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΡΡΡΠΈΠΌ ΡΡΡΠ΅ΠΊΡΠΎΠΌ, Π²ΠΎΡΠΊ).
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠΎΡΠΎΡΠΊΠΎΠΉ ΡΡΡΠΈΠΆΠΊΠΈ Β«ΠΠ°ΡΠΊΠ°Π΄Β»
Π‘ΡΡΠΈΠΆΠΊΠΈ Π² ΡΠΎΡΠΌΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄Π°, ΡΠ΄Π΅Π»Π°Π½Π½ΡΠ΅ Π½Π° ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ, ΠΌΠΎΠΆΠ½ΠΎ ΡΠ»ΠΎΠΆΠΈΡΡ ΡΠ»Π΅Π΄ΡΡΡΠΈΠΌΠΈ ΡΠΏΠΎΡΠΎΠ±Π°ΠΌΠΈ:
- ΡΠ΄Π΅Π»Π°ΡΡ Π² ΡΠΎΡΠΌΠ΅ ΠΏΡΡΠ½ΠΎΠΉ ΡΠ°ΠΏΠΎΡΠΊΠΈ;
- ΡΠ»ΠΎΠΆΠΈΡΡ Π³Π»Π°Π΄ΠΊΠΎ ΠΈ ΡΠ»Π΅Π³Π°Π½ΡΠ½ΠΎ;
- ΡΠ΄Π΅Π»Π°ΡΡ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ ΡΠ°ΡΡΡΠ΅ΠΏΠ°Π½Π½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ;
- Π² Π²ΠΈΠ΄Π΅ ΡΠΎΠΌΠ°Π½ΡΠΈΡΠ½ΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ;
- ΡΠ»Π΅Π³ΠΊΠ° ΠΏΠΎΠ΄Π·Π°ΠΊΡΡΡΠΈΠ² ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ ΠΏΡΡΠ΄ΠΈ ΠΏΠ»ΠΎΠΉΠΊΠΎΠΉ;
- Ρ Π½Π°ΡΠ΅ΡΠΎΠΌ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° Β«ΡΠ°ΠΏΠΎΡΠΊΠΎΠΉΒ». Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΡΠ΅ΠΊΠΎΠΌΠ΅Π½Π΄ΡΠ΅ΡΡΡ ΠΏΡΠΈ ΠΊΡΡΠ³Π»ΠΎΠΉ ΡΠΎΡΠΌΠ΅ Π»ΠΈΡΠ° ΠΈ ΡΠ΅ΠΌ, Ρ ΠΊΠΎΠ³ΠΎ Π²ΠΎΠ»ΠΎΡΡ ΠΎΡ ΠΏΡΠΈΡΠΎΠ΄Ρ ΡΠΎΠ½ΠΊΠΈΠ΅ ΠΈ Π½Π΅Π³ΡΡΡΡΠ΅.
ΠΠΈΠ΄Π΅ΠΎ:
ΠΡΠ°ΠΏΡ ΡΠΊΠ»Π°Π΄ΠΊΠΈ:
- Π³ΠΎΠ»ΠΎΠ²Ρ Π²ΡΠΌΡΡΡ, ΠΏΡΠΎΠΌΠΎΠΊΠ½ΡΡΡ ΠΏΠΎΠ»ΠΎΡΠ΅Π½ΡΠ΅ΠΌ;
- Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ ΠΏΠΎΠ΄ΡΡΡΠΈΡΡ ΠΏΡΡΠ΄ΠΈ Π½Π° Π²ΠΎΠ·Π΄ΡΡ Π΅;
- Π½Π°Π½Π΅ΡΡΠΈ Π½Π° ΠΊΠΎΡΠ½ΠΈ ΠΎΠ΄Π½ΠΎΠΉ ΠΏΡΡΠ΄ΠΊΠΈ ΡΡΠ΅Π΄ΡΡΠ²ΠΎ Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ;
- Π²ΡΡΡΡΠΈΡΡ ΠΏΡΡΠ΄Ρ ΡΠ΅Π½ΠΎΠΌ, Π½Π°ΠΊΡΡΡΠΈΠ²Π°Ρ Π΅Π΅ Π²Π½ΡΡΡΡ ΠΊΡΡΠ³Π»ΠΎΠΉ ΡΠ΅ΡΠΊΠΎΠΉ;
- ΠΏΠΎΠ²ΡΠΎΡΠΈΡΡ ΡΡΠ΅ΡΠΈΠΉ ΠΈ ΡΠ΅ΡΠ²Π΅ΡΡΡΠΉ ΠΏΡΠ½ΠΊΡ Ρ ΠΎΡΡΠ°Π»ΡΠ½ΡΠΌΠΈ ΠΏΡΡΠ΄ΡΠΌΠΈ;
- Π½Π°Π½Π΅ΡΡΠΈ Π³Π΅Π»Ρ Π½Π° ΡΠ΅Π»ΠΊΡ ΠΈ ΡΠ°Π·Π΄Π΅Π»ΠΈΡΡ Π²ΠΎΠ»ΠΎΡΠΈΠ½ΠΊΠΈ Π½Π° ΡΠΎΠ½ΠΊΠΈΠ΅ ΠΏΡΡΠ΄ΠΊΠΈ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΏΠΎΠ»ΡΡΠ°Π΅ΡΡΡ ΠΎΠ±ΡΠ΅ΠΌΠ½ΠΎΠΉ, ΡΠΊΡΡΠ²Π°Π΅Ρ ΠΊΡΡΠ³Π»ΠΎΠ»ΠΈΡΠ΅ΡΡΡ ΠΈ ΠΌΠ°ΡΠΊΠΈΡΡΠ΅Ρ Π½Π΅Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΡΠΉ ΠΎΠ±ΡΠ΅ΠΌ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΡΡ Π²ΠΎΠ»ΠΎΡ.
ΠΠ»Π΅Π³Π°Π½ΡΠ½Π°Ρ Π³Π»Π°Π΄ΠΊΠΎΡΡΡ. ΠΡΠΎΡ Π²Π°ΡΠΈΠ°Π½Ρ Π²ΡΠ³Π»ΡΠ΄ΠΈΡ ΡΡΡΠΎΠ³ΠΎ ΠΈ ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ Π΄Π»Ρ Π΄Π΅Π»ΠΎΠ²ΠΎΠΉ Π²ΡΡΡΠ΅ΡΠΈ.
ΠΡΠ΅Π½Ρ ΠΈΠ½ΡΠ΅ΡΠ΅ΡΠ½ΠΎ ΡΠΌΠΎΡΡΠΈΡΡΡ Π½Π° ΠΌΠ΅Π»ΠΈΡΠΎΠ²Π°Π½Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ :
- ΠΠΎΠ»ΠΎΠ²Ρ Π²ΡΠΌΡΡΡ, ΡΡΡΡ ΠΏΠΎΠ΄ΡΡΡΠΈΡΡ ΠΏΠΎΠ»ΠΎΡΠ΅Π½ΡΠ΅ΠΌ;
- ΠΠ°Π½Π΅ΡΡΠΈ Π½Π° ΠΊΠΎΡΠ½ΠΈ Π²ΠΎΠ»ΠΎΡ ΠΌΡΡΡ;
- ΠΡΡΡΡΠΈΡΡ ΡΠ΅Π½ΠΎΠΌ, ΠΏΡΠΈΠ³Π»Π°ΠΆΠΈΠ²Π°Ρ ΠΏΠΎ Π²ΡΠ΅ΠΉ Π΄Π»ΠΈΠ½Π΅ ΡΠ°ΡΡΠ΅ΡΠΊΠΎΠΉ;
- Π Π°ΡΡΠ΅ΡΠ°ΡΡ ΠΎΡ ΠΌΠ°ΠΊΡΡΠΊΠΈ, Π½Π΅ Π΄Π΅Π»Π°Ρ ΠΏΡΠΎΠ±ΠΎΡΠ°;
- ΠΠ°Π½Π΅ΡΡΠΈ Π½Π° Π»Π°Π΄ΠΎΠ½ΠΈ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π²ΠΎΡΠΊΠ° ΠΈ ΠΎΠ±ΡΠ°Π±ΠΎΡΠ°ΡΡ ΠΈΠΌ ΠΊΠ°ΠΆΠ΄ΡΡ ΠΏΡΡΠ΄Ρ ΠΎΡ ΠΌΠ°ΠΊΡΡΠΊΠΈ Π΄ΠΎ ΠΊΠΎΠ½ΡΠΈΠΊΠΎΠ².
ΠΠΈΠ΄Π΅ΠΎ:
ΠΠ³ΡΠΈΠ²Π°Ρ Π½Π΅Π±ΡΠ΅ΠΆΠ½ΠΎΡΡΡ. ΠΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ Π½Π° ΠΎΡΠ΄ΡΡ Π΅, Π² Π½Π΅ΡΠΎΡΠΌΠ°Π»ΡΠ½ΠΎΠΉ ΠΎΠ±ΡΡΠ°Π½ΠΎΠ²ΠΊΠ΅. ΠΡΠ»ΠΈ ΠΏΡΡΠ΄ΠΈ Π½Π΅ ΡΠ»ΠΈΡΠΊΠΎΠΌ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅, ΡΠ°ΠΊΠ°Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π²ΡΠ³Π»ΡΠ΄ΠΈΡ Ρ Π°ΠΎΡΠΈΡΠ½ΠΎ ΠΈ Π·Π°Π±Π°Π²Π½ΠΎ. ΠΠ΅Π»Π°ΡΡ Π΅Π΅ ΡΠ°ΠΊ.
ΠΠΎΠ΅ΠΌ ΠΈ ΠΏΠΎΠ΄ΡΡΡΠΈΠ²Π°Π΅ΠΌ ΡΠ΅Π²Π΅Π»ΡΡΡ. ΠΠ°ΠΊΠ»ΠΎΠ½ΡΠ΅ΠΌ Π³ΠΎΠ»ΠΎΠ²Ρ Π²Π½ΠΈΠ· ΠΈ ΡΡΡΠΈΠΌ ΡΠ΅Π½ΠΎΠΌ, Π½Π°Π½ΠΎΡΠΈΠΌ ΠΏΠ΅Π½ΠΊΡ ΠΎΡ ΠΊΠΎΡΠ½Π΅ΠΉ Π΄ΠΎ ΠΊΠΎΠ½ΡΠΈΠΊΠΎΠ² ΠΈ ΠΏΠ΅ΡΠ΅Π±ΠΈΡΠ°Π΅ΠΌ ΠΊΠ°ΠΆΠ΄ΡΡ ΠΏΡΡΠ΄Ρ ΠΏΠ°Π»ΡΡΠ°ΠΌΠΈ, ΠΏΠΎΠΊΠ° Π²ΡΠ΅ ΠΎΠ½ΠΈ Π½Π΅ Π²ΡΡΠΎΡ Π½ΡΡ.
ΠΠ΅ΡΠ΅ΠΌ ΠΏΠ°Π»ΡΡΠ°ΠΌΠΈ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π³Π΅Π»Ρ ΠΈ ΡΠΊΠ»Π°Π΄ΡΠ²Π°Π΅ΠΌ ΠΏΡΡΠ΄ΠΊΠΈ ΡΠ°ΠΊ, ΠΊΠ°ΠΊ Π½ΡΠ°Π²ΠΈΡΡΡ: Π΅ΠΆΠΈΠΊΠΎΠΌ, ΠΈΡΠΎΠΊΠ΅Π·ΠΎΠΌ ΠΈΠ»ΠΈ ΠΊΠ°ΠΊ-ΡΠΎ ΠΏΠΎ-Π΄ΡΡΠ³ΠΎΠΌΡ β ΠΊΠ°ΠΊ ΠΏΠΎΠ΄ΡΠΊΠ°ΠΆΠ΅Ρ ΡΠ°Π½ΡΠ°Π·ΠΈΡ ΠΈ Π½Π°ΡΡΡΠΎΠ΅Π½ΠΈΠ΅.
ΠΠ°ΠΆΠ½ΠΎ, ΡΡΠΎΠ±Ρ Π³Π΅Π»Ρ Π±ΡΠ»ΠΎ ΠΈΠΌΠ΅Π½Π½ΠΎ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ, ΠΈΠ½Π°ΡΠ΅ Π΄Π°ΠΆΠ΅ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΡΠ°Π½ΡΡ ΡΡΠΆΠ΅Π»ΡΠΌΠΈ ΠΈ Π³ΠΎΠ»ΠΎΠ²Ρ ΠΏΡΠΈΠ΄Π΅ΡΡΡ Π·Π°Π½ΠΎΠ²ΠΎ ΠΌΡΡΡ.
ΠΠ½Π³Π΅Π»ΡΡΠΊΠΈΠΉ ΠΎΠ±Π»ΠΈΠΊ. ΠΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π²ΡΡΠΎΠΊΠΈΠΌ ΡΡΡΠΎΠΉΠ½ΡΠΌ Π±Π»ΠΎΠ½Π΄ΠΈΠ½ΠΊΠ°ΠΌ Ρ ΠΌΠΈΠ»ΡΠΌ Π»ΠΈΡΠΈΠΊΠΎΠΌ ΠΈ ΡΠΎΠ½ΠΊΠΈΠΌΠΈ ΡΠ΅ΡΡΠ°ΠΌΠΈ.
ΠΡΠΌΡΡΡ ΠΈ ΡΠ°ΡΡΠ΅ΡΠ°ΡΡ Π²ΠΎΠ»ΠΎΡΡ. ΠΠ΅ΠΌΠ½ΠΎΠ³ΠΎ Π²ΡΡΡΡΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ ΡΠ΅Π½ΠΎΠΌ, Π½Π°ΠΊΠ»ΠΎΠ½ΠΈΠ²ΡΠΈΡΡ Π²Π½ΠΈΠ·. ΠΠ°Π½Π΅ΡΡΠΈ ΠΏΠ΅Π½ΠΊΡ Π½Π° Π΅ΡΠ΅ Π²Π»Π°ΠΆΠ½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ ΠΈ ΠΏΡΠΎΠ΄ΠΎΠ»ΠΆΠΈΡΡ ΡΡΡΠΈΡΡ ΡΠ΅Π½ΠΎΠΌ.
ΠΡΠΏΡΡΠΌΠΈΡΡΡΡ ΠΈ Π΄ΠΎΡΡΡΠΈΡΡ Π²ΠΎΠ»ΠΎΡΡ, Π½Π°ΠΊΡΡΡΠΈΠ²Π°Ρ ΠΊΠΎΠ½ΡΡ Π½Π° ΠΊΡΡΠ³Π»ΡΡ ΡΠ°ΡΡΠ΅ΡΠΊΡ β ΠΊΠ°ΠΆΠ΄ΡΡ ΠΏΡΡΠ΄Ρ Π² ΡΠ°Π·Π½ΡΡ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡΡ . ΠΠ°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ Π»Π°ΠΊΠΎΠΌ ΠΈΠ»ΠΈ Π²ΠΎΡΠΊΠΎΠΌ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π²ΠΎΠ»Π½Π°ΠΌΠΈ. Π‘ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ°ΠΊΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΡΠΎΠ·Π΄Π°ΡΡ Π½Π΅ΠΆΠ½ΡΠΉ ΡΠΎΠΌΠ°Π½ΡΠΈΡΠ΅ΡΠΊΠΈΠΉ ΠΎΠ±ΡΠ°Π·.
Π Π΄ΠΎΠΏΠΎΠ»Π½Π΅Π½ΠΈΠ΅ ΠΊ ΡΠ΅Π½Ρ Π΄Π»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΏΠΎΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΏΠ»ΠΎΠΉΠΊΠ°:
- ΠΠΎΠ»ΠΎΡΡ ΡΠΌΠ°ΡΠΈΠ²Π°Π΅ΠΌ ΠΏΠΎ Π²ΡΠ΅ΠΉ Π΄Π»ΠΈΠ½Π΅ ΠΌΡΡΡΠΎΠΌ;
- ΠΠΎΠ΄ΡΡΡΠΈΠ²Π°Π΅ΠΌ ΡΠ΅Π½ΠΎΠΌ;
- ΠΠ°Π²ΠΈΠ²Π°Π΅ΠΌ Π»ΠΎΠΊΠΎΠ½Ρ ΠΏΠ»ΠΎΠΉΠΊΠΎΠΉ, ΠΏΠΎΠ΄ΠΊΡΡΡΠΈΠ²Π°Π΅ΠΌ ΡΠ΅Π»ΠΊΡ;
- Π‘Π»Π΅Π³ΠΊΠ° Π²Π·Π±ΠΈΠ²Π°Π΅ΠΌ ΠΏΠ°Π»ΡΡΠ°ΠΌΠΈ ΡΠ΅Π²Π΅Π»ΡΡΡ Ρ ΠΊΠΎΡΠ½Π΅ΠΉ, Π½Π΅ ΡΠ°Π·ΡΡΡΠ°Ρ Π»ΠΎΠΊΠΎΠ½Ρ;
- Π€ΠΈΠΊΡΠΈΡΡΠ΅ΠΌ Π»Π°ΠΊΠΎΠΌ.
ΠΡΠ»ΠΈ Π²ΠΎΠ»ΠΎΡΡ ΠΎΡ ΠΏΡΠΈΡΠΎΠ΄Ρ ΠΊΡΠ΄ΡΡΠ²ΡΠ΅, Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ Π½Π°ΠΏΡΠ°Π²ΠΈΡΡ ΠΏΡΡΠ΄ΠΊΠΈ Π² Π½ΡΠΆΠ½ΡΡ ΡΡΠΎΡΠΎΠ½Ρ ΡΠΌΠΎΡΠ΅Π½Π½ΡΠΌΠΈ Π² Π³Π΅Π»Π΅ ΠΏΠ°Π»ΡΡΠ°ΠΌΠΈ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π½Π°ΡΠ΅ΡΠ°. ΠΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ, Π΅ΡΠ»ΠΈ Π²ΠΎΠ»ΠΎΡΡ ΡΠΎΠ½ΠΊΠΈΠ΅. Π‘ΠΌΠΎΡΠΈΡΡ ΠΊΠΎΡΠ½ΠΈ ΠΏΠ΅Π½ΠΊΠΎΠΉ. ΠΠΎΠ΄Π½ΡΡΡ ΠΏΡΡΠ΄ΠΈ ΠΈ Π½Π°ΡΠ΅ΡΠ°ΡΡ, Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°ΡΡ Π»Π°ΠΊΠΎΠΌ.
Π£ΠΊΠ»Π°Π΄ΡΠ²Π°Ρ Π²ΡΡΠ΅ΠΏΠ΅ΡΠ΅ΡΠΈΡΠ»Π΅Π½Π½ΡΠΌΠΈ ΡΠΏΠΎΡΠΎΠ±Π°ΠΌΠΈ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄, Π΄Π°ΠΌΡ ΠΌΠΎΠ³ΡΡ Π½Π°ΡΠ»Π°ΠΆΠ΄Π°ΡΡΡΡ ΡΠ°Π·Π½ΠΎΠΎΠ±ΡΠ°Π·ΠΈΠ΅ΠΌ ΠΏΡΠΈΡΠ΅ΡΠΎΠΊ, ΠΏΡΠΈ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ ΠΌΠ΅Π½ΡΡΡ ΠΎΠ±ΡΠ°Π·, Π²ΡΠ³Π»ΡΠ΄Π΅ΡΡ ΠΊΡΠ°ΡΠΈΠ²ΠΎ, ΠΎΡΠΈΠ³ΠΈΠ½Π°Π»ΡΠ½ΠΎ ΠΈ ΠΆΠ΅Π½ΡΡΠ²Π΅Π½Π½ΠΎ, Π²ΡΠ΅Π³Π΄Π° ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΡ ΡΠ»ΡΡΠ°Ρ ΠΈ ΠΎΠ±ΡΡΠ°Π½ΠΎΠ²ΠΊΠ΅.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π²ΠΎΠ»ΠΎΡ ΡΡΠ΅Π΄Π½Π΅ΠΉ Π΄Π»ΠΈΠ½Ρ
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΏΠΎ Π΄Π»ΠΈΠ½Π΅ ΠΏΡΡΠ΄ΠΈ Π½Π΅ ΠΏΠΎΡΡΠ΅Π±ΡΠ΅Ρ ΠΊΠ°ΠΊΠΈΡ -ΡΠΎ ΠΎΡΠΎΠ±Π΅Π½Π½ΡΡ ΠΏΡΠΈΡΠΏΠΎΡΠΎΠ±Π»Π΅Π½ΠΈΠΉ.
Π§ΡΠΎΠ±Ρ ΡΠ΄Π΅Π»Π°ΡΡ ΡΠΊΠ»Π°Π΄ΠΊΡ, Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΡΠ΅Π½Π° ΠΈ Π±ΡΠ°ΡΠ΅ΡΠ° (ΠΊΡΡΠ³Π»ΠΎΠΉ ΡΠ΅ΡΠΊΠΈ), ΠΈΠ½ΠΎΠ³Π΄Π° ΠΌΠΎΠΆΠ΅Ρ ΠΏΠΎΡΡΠ΅Π±ΠΎΠ²Π°ΡΡΡΡ ΠΏΠ»ΠΎΠΉΠΊΠ°. Π‘ΡΠ΅Π΄ΡΡΠ²Π° Π΄Π»Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΏΠΎΡΡΠ΅Π±ΡΡΡΡΡ ΡΠΎΠΆΠ΅ ΡΠ°ΠΌΡΠ΅ ΠΎΠ±ΡΡΠ½ΡΠ΅: ΠΏΠ΅Π½ΠΊΠ°, Π»Π°ΠΊ.
Π‘ΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ, Π² ΠΎΡΠ»ΠΈΡΠΈΠ΅ ΠΎΡ ΠΊΠΎΡΠΎΡΠΊΠΈΡ , ΠΌΠΎΠΆΠ½ΠΎ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ΅Π·ΠΈΠ½ΠΎΠΊ, Π·Π°ΠΊΠΎΠ»ΠΎΠΊ, ΠΏΠΎΠ²ΡΠ·ΠΎΠΊ. Π‘ΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΠΌΠΎΠΆΠ½ΠΎ ΡΠΎΠ±ΡΠ°ΡΡ Π² Ρ Π²ΠΎΡΡ, ΠΏΡΡΠΎΠΊ, Π²Π°Π»ΠΈΠΊ.
ΠΠ°ΡΠΊΠ°Π΄ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΡΠΌΠΎΡΡΠΈΡΡΡ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ, Π² ΡΡΠΎΠΌ Π²Π°ΡΠΈΠ°Π½ΡΠ΅ ΠΎΠ½ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ ΠΏΠΎΠ΄ Π»ΠΈΡΠΎ Π»ΡΠ±ΠΎΠΉ ΡΠΎΡΠΌΡ.
ΠΠΎΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°ΠΌΡΡ ΠΏΡΠΎΡΡΡΡ ΡΠΏΠΎΡΠΎΠ±ΠΎΠ² ΡΠΊΠ»Π°Π΄ΠΊΠΈ Ρ ΡΠ΅Π»ΠΊΠΎΠΉ, Π΄Π»Ρ Π½Π°Π³Π»ΡΠ΄Π½ΠΎΡΡΠΈ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½Ρ ΡΠΎΡΠΎ ΠΈ Π²ΠΈΠ΄Π΅ΠΎ.
ΠΡΠΈΠ³ΠΈΠ½Π°Π»ΡΠ½ΠΎ ΠΈ Π½Π΅ΠΎΠ±ΡΡΠ½ΠΎ ΡΠΌΠΎΡΡΠΈΡΡΡ ΡΠΊΠ»Π°Π΄ΠΊΠ°, ΠΊΠΎΠ³Π΄Π° Π²ΠΎΠ»ΠΎΡΡ Π½ΠΈΠΆΠ½Π΅Π³ΠΎ ΡΠ»ΠΎΡ Π½Π°ΠΊΡΡΡΠΈΠ²Π°ΡΡ Π²Π½ΡΡΡΡ Π½Π° ΠΏΠ»ΠΎΠΉΠΊΡ, Π° Π²Π΅ΡΡ ΠΎΡΡΠ°Π²Π»ΡΡΡ Π½Π΅ΡΡΠΎΠ½ΡΡΡΠΌ.
ΠΠΎΠΆΠ½ΠΎ ΠΏΡΠΎΡΡΠΎ Π²ΡΠΏΡΡΠΌΠΈΡΡ ΡΡΡΠΆΠΊΠΎΠΌ ΠΏΡΡΠ΄ΠΈ β ΠΏΡΡΠΌΡΠ΅ Π³Π»Π°Π΄ΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΠ΅ΠΉΡΠ°Ρ Π² ΡΡΠ΅Π½Π΄Π΅.
ΠΠ°Π²ΠΈΡΡ ΠΏΡΡΠ΄ΠΈ ΠΏΠ»ΠΎΠΉΠΊΠΎΠΉ Π² ΠΎΠ±ΡΠ°ΡΠ½ΡΡ ΡΡΠΎΡΠΎΠ½Ρ. Π’Π°ΠΊΠΎΠΉ ΡΠΏΠΎΡΠΎΠ± Π·Π°Π²ΠΈΠ²ΠΊΠΈ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΡΠ΅ ΠΊΡΠ΄ΡΠΈ Ρ ΡΠ΅ΡΠΊΠΈΠΌΠΈ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄Π°ΠΌΠΈ ΠΌΠ΅ΠΆΠ΄Ρ ΠΏΡΡΠ΄ΡΠΌΠΈ. Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΏΠΎΠ΄ΠΎΠΉΠ΄Π΅Ρ Π΄Π»Ρ ΡΠ΅Ρ , Ρ ΠΊΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π½ΡΠΉ ΠΏΠΎΠ΄Π±ΠΎΡΠΎΠ΄ΠΎΠΊ.
ΠΠ°Π²ΠΈΡΡ ΡΠ°ΡΡΡ ΠΊΡΠ΄ΡΠ΅ΠΉ Π²Π½ΡΡΡΡ, ΡΠ°ΡΡΡ β Π½Π°ΡΡΠΆΡ. ΠΡΠΎΡ Π²Π°ΡΠΈΠ°Π½Ρ Β«Ρ Π°ΠΎΡΠΈΡΠ½ΠΎΠΉΒ» ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΠΏΠΎΠΌΠΎΠΆΠ΅Ρ ΡΠΎΠ·Π΄Π°ΡΡ ΡΡΠΊΠΈΠΉ, Π·Π°ΠΏΠΎΠΌΠΈΠ½Π°ΡΡΠΈΠΉΡΡ ΠΎΠ±ΡΠ°Π·.
Π£Π»ΠΎΠΆΠΈΡΡ ΡΠ΅Π½ΠΎΠΌ ΠΈ Π±ΡΠ°ΡΠ΅ΡΠΎΠΌ ΡΠ΅Π»ΠΊΡ, Π½Π΅ ΠΏΠΎΠ΄Π²ΠΈΠ²Π°Ρ ΠΊΠΎΠ½ΡΠΈΠΊΠΈ, ΠΎΡΡΠ°Π»ΡΠ½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ Π½Π°ΠΊΡΡΡΠΈΡΡ Π² Π²ΠΈΠ΄Π΅ ΡΡΠ³ΠΈΡ Π»ΠΎΠΊΠΎΠ½ΠΎΠ². Π’Π°ΠΊΠ°Ρ ΠΏΡΠΈΡΠ΅ΡΠΊΠ° Π²ΡΠ³Π»ΡΠ΄ΠΈΡ Π»Π΅Π³ΠΊΠΎΠΉ, ΠΊΡΠ°ΡΠΈΠ²ΠΎΠΉ ΠΈ ΡΠΎΠΌΠ°Π½ΡΠΈΡΠ½ΠΎΠΉ.
ΠΠ·ΠΌΠ΅Π½ΠΈΡΡ ΠΌΠ΅ΡΡΠΎ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΏΡΠΎΠ±ΠΎΡΠ°. ΠΠΎΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΠΈΡΡΠΉΡΠ΅ Π² ΡΡΠΎΠΌ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠΈ β ΠΌΠΎΠΆΠ½ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠΎΡΠΎ Ρ ΠΏΡΠΎΠ±ΠΎΡΠ°ΠΌΠΈ ΠΏΠΎ ΡΠ΅Π½ΡΡΡ, ΡΠ»Π΅Π²Π°, ΡΠΏΡΠ°Π²Π° β ΠΈ Π²ΡΠ±Π΅ΡΠΈΡΠ΅ ΡΠ°ΠΌΡΠΉ ΡΠ΄Π°ΡΠ½ΡΠΉ Π²Π°ΡΠΈΠ°Π½Ρ.
ΠΡΠΈ ΡΠΊΠ»Π°Π΄ΠΊΠ΅ ΡΡΡΠΈΠΆΠΊΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ Π½Π° ΡΡΠ΅Π΄Π½ΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΡΠΈΠ΄Π΅ΡΠΆΠΈΠ²Π°ΡΡΡΡ ΡΠ»Π΅Π΄ΡΡΡΠ΅Π³ΠΎ ΠΏΡΠ°Π²ΠΈΠ»Π°: ΠΊΡΡΠ³Π»ΠΎΠ»ΠΈΡΡΠ΅ Π΄Π΅Π²ΡΡΠΊΠΈ ΠΏΡΡΠ΄ΠΈ Π²ΠΎΠΊΡΡΠ³ Π»ΠΈΡΠ° ΠΏΠΎΠ΄Π²ΠΈΠ²Π°ΡΡ Π²Π½ΡΡΡΡ β Π±Π»Π°Π³ΠΎΠ΄Π°ΡΡ ΡΡΠΎΠΌΡ ΠΈΡ Π»ΠΈΡΠΎ Π²ΠΈΠ·ΡΠ°Π»ΡΠ½ΠΎ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ°Π΅ΡΡΡ ΠΊ ΠΎΠ²Π°Π»Ρ.
ΠΠ΅Π²ΡΡΠΊΠΈ Ρ ΡΡΠ΅ΡΠ³ΠΎΠ»ΡΠ½ΠΎΠΉ ΡΠΎΡΠΌΠΎΠΉ Π»ΠΈΡΠ° Π΄ΠΎΠ»ΠΆΠ½Ρ Π·Π°ΠΊΡΡΡΠΈΠ²Π°ΡΡ ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΏΡΡΠ΄ΠΈ (Π»Π΅ΠΆΠ°ΡΠΈΠ΅ Π½ΠΈΠΆΠ΅ ΡΠΊΡΠ») Π½Π°ΡΡΠΆΡ β ΡΠ°ΠΊ ΠΏΡΠΎΠΏΠΎΡΡΠΈΠΈ ΡΡΠ°Π½ΠΎΠ²ΡΡΡΡ Π±ΠΎΠ»Π΅Π΅ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΡΠΌΠΈ.
ΠΠΈΠ΄Π΅ΠΎ:
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄Π° Π½Π° Π΄Π»ΠΈΠ½Π½ΡΡ Π²ΠΎΠ»ΠΎΡΠ°Ρ
ΠΠ»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΡΠΎΠ²ΡΠ΅ΠΌ Π½Π΅ ΡΠ°ΠΊΠΈΠ΅, ΠΊΠ°ΠΊ ΡΡΠ΅Π΄Π½ΠΈΠ΅: ΡΠΏΠΎΡΠΎΠ±Ρ ΡΠΊΠ»Π°Π΄ΠΊΠΈ Π΄Π»ΠΈΠ½Π½ΡΡ Π²ΠΎΠ»ΠΎΡ, ΡΡΡΠΈΠΆΠ΅Π½Π½ΡΡ ΠΊΠ°ΡΠΊΠ°Π΄ΠΎΠΌ, ΠΎΠ³ΡΠ°Π½ΠΈΡΠΈΠ²Π°ΡΡΡΡ Π»ΠΈΡΡ ΡΠ°Π½ΡΠ°Π·ΠΈΠ΅ΠΉ ΠΈ ΠΌΠ°ΡΡΠ΅ΡΡΡΠ²ΠΎΠΌ ΠΈΡ ΠΎΠ±Π»Π°Π΄Π°ΡΠ΅Π»ΡΠ½ΠΈΡΡ.
ΠΡΠΎΠΌΠ΅ ΠΏΠ΅ΡΠ΅ΡΠΈΡΠ»Π΅Π½Π½ΡΡ Π²ΡΡΠ΅ ΡΠΏΠΎΡΠΎΠ±ΠΎΠ², Π·Π΄Π΅ΡΡ Π²ΠΎΠ·Π½ΠΈΠΊΠ°Π΅Ρ Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎΡΡΡ Π΄Π»Ρ ΠΏΠ»Π΅ΡΠ΅Π½ΠΈΡ ΠΊΠΎΡ. ΠΡΠ»ΠΈ Π²ΠΎΠ»ΠΎΡΡ Π΄Π»ΠΈΠ½Π½ΡΠ΅, Π±ΡΠ°ΡΠ΅Ρ ΠΈ ΡΠ΅Π½ Π»ΡΡΡΠ΅ ΡΠΌΠ΅Π½ΠΈΡΡ Π½Π° Π±ΠΈΠ³ΡΠ΄ΠΈ ΠΈ ΠΏΠ»ΠΎΠΉΠΊΡ, ΡΡΠΎΠ±Ρ Π²ΠΎΠ»ΠΎΡΡ Π½Π΅ Π·Π°ΠΏΡΡΠ°Π»ΠΈΡΡ Π² ΠΏΡΠΎΡΠ΅ΡΡΠ΅ Π·Π°Π²ΠΈΠ²ΠΊΠΈ.
Π Π°ΡΠΏΡΡΠ΅Π½Π½ΡΠ΅ Π΄Π»ΠΈΠ½Π½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ ΠΏΠΎΠ΄ΠΊΡΡΡΠΈΠ²Π°ΡΡ ΠΊΠΎΠ½ΡΠ°ΠΌΠΈ Π²Π½ΡΡΡΡ ΠΈΠ»ΠΈ Π½Π°ΡΡΠΆΡ. ΠΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ ΡΡΠΎ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π±ΠΈΠ³ΡΠ΄ΠΈ β ΡΡΠΎΡ ΡΠΏΠΎΡΠΎΠ± Π±ΠΎΠ»Π΅Π΅ ΡΠ°Π΄ΡΡΠΈΠΉ ΠΏΠΎ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ Ρ ΡΠ»Π΅ΠΊΡΡΠΎΡΠΈΠΏΡΠ°ΠΌΠΈ.
ΠΡΡΠ΄ΠΈ ΡΠΌΠ°ΡΠΈΠ²Π°ΡΡ ΠΏΠ΅Π½ΠΊΠΎΠΉ, ΠΌΡΡΡΠΎΠΌ ΠΈΠ»ΠΈ Π²ΠΎΠ΄ΠΎΠΉ, Ρ Π΄ΠΎΠ±Π°Π²Π»Π΅Π½Π½ΡΠΌ Π² Π½Π΅Π΅ Π»Π°ΠΊΠΎΠΌ ΡΠΈΠ»ΡΠ½ΠΎΠΉ ΡΠΈΠΊΡΠ°ΡΠΈΠΈ.
ΠΠΊΠΊΡΡΠ°ΡΠ½ΡΠ΅ ΡΠ΅ΡΠΊΠΈΠ΅ Π»ΠΎΠΊΠΎΠ½Ρ ΡΠΌΠΎΡΡΡΡΡΡ ΠΆΠ΅Π½ΡΡΠ²Π΅Π½Π½ΠΎ ΠΈ ΡΠ³Π»Π°ΠΆΠΈΠ²Π°ΡΡ ΡΠ΅Π·ΠΊΠΈΠΉ ΠΎΠ²Π°Π» Π»ΠΈΡΠ°. ΠΠ°Π²ΠΈΡΡΠ΅ Π½Π°ΡΡΠΆΡ ΠΏΡΡΠ΄ΠΈ ΠΎΠΏΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠ°ΡΡΠΈΡΡΡΡ ΡΠ·ΠΊΠΎΠ΅ Π»ΠΈΡΠΎ.
ΠΡΡΠΌΡΠ΅ Π΄Π»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ, ΡΡΡΠΈΠΆΠ΅Π½Π½ΡΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄ΠΎΠΌ, ΡΠΌΠΎΡΡΡΡΡΡ Π½Π΅ ΠΌΠ΅Π½Π΅Π΅ ΡΡΡΠ΅ΠΊΡΠ½ΠΎ, ΡΠ΅ΠΌ Π·Π°Π²ΠΈΡΡΠ΅. ΠΠ»Ρ ΠΈΠ΄Π΅Π°Π»ΡΠ½ΠΎΠΉ ΡΠΎΠ²Π½ΠΎΡΡΠΈ ΠΈΡ Β«Π²ΡΠ³Π»Π°ΠΆΠΈΠ²Π°ΡΡΒ» ΡΡΡΠΆΠΊΠΎΠΌ. ΠΠ»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΠΌΠΎΠΆΠ½ΠΎ Π·Π°ΠΏΠ»Π΅ΡΡΠΈ Π² Π°ΠΆΡΡΠ½ΡΡ ΠΈ ΡΡΠ°Π½ΡΡΠ·ΡΠΊΡΡ ΠΊΠΎΡΡ, ΡΠ΄Π΅Π»Π°ΡΡ Π°ΡΡΠΈΠΊΠ°Π½ΡΠΊΠΈΠ΅ ΠΊΠΎΡΠΈΡΠΊΠΈ.
ΠΠΎΡΡΠ΅ β ΡΡΡΠ΅ΠΊΡΠ½Π°Ρ ΡΠΊΠ»Π°Π΄ΠΊΠ°, Ρ ΠΊΠΎΡΠΎΡΠΎΠΉ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΡΠΎΠΈΠ·Π²Π΅ΡΡΠΈ Π²ΠΏΠ΅ΡΠ°ΡΠ»Π΅Π½ΠΈΠ΅ Π½Π° Π²Π΅ΡΠ΅ΡΠΈΠ½ΠΊΠ΅, Π²ΡΠΏΡΡΠΊΠ½ΠΎΠΌ Π±Π°Π»Ρ, Π²ΡΡΡΠ΅ΡΠ΅ ΠΏΠΎ ΡΠΎΡΠΆΠ΅ΡΡΠ²Π΅Π½Π½ΠΎΠΌΡ ΠΏΠΎΠ²ΠΎΠ΄Ρ.
ΠΠ·Π³Π»ΡΠ½ΠΈΡΠ΅ Π½Π° ΡΠΎΡΠΎ Π½ΠΈΠΆΠ΅: ΡΠ»Π΅Π³Π°Π½ΡΠ½ΡΠ΅ ΠΌΠ΅Π»ΠΊΠΈΠ΅ Π²ΠΎΠ»Π½Ρ ΡΠΌΠΎΡΡΡΡΡΡ Π²Π΅ΡΡΠΌΠ° ΠΏΡΠΈΠ²Π»Π΅ΠΊΠ°ΡΠ΅Π»ΡΠ½ΠΎ ΠΈ Π²ΡΠ΅Π³Π΄Π° ΠΏΡΠΈΠΊΠΎΠ²ΡΠ²Π°ΡΡ ΠΊ ΡΠ΅Π±Π΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΠ΅ ΠΎΠΊΡΡΠΆΠ°ΡΡΠΈΡ .
ΠΠΎΡΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠ΅ Π΄Π»ΠΈΠ½Π½ΡΠ΅ Π²ΠΎΠ»ΠΎΡΡ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡ Π²ΡΠ΅ΠΌ, Π½Π΅Π²Π·ΠΈΡΠ°Ρ Π½Π° ΡΠΈΠΏ Π»ΠΈΡΠ°, Π²ΠΎΠ·ΡΠ°ΡΡ, ΡΠ²Π΅Ρ ΠΈ ΠΊΠ°ΡΠ΅ΡΡΠ²ΠΎ Π²ΠΎΠ»ΠΎΡ. ΠΠ»Ρ Π·Π°Π²ΠΈΠ²ΠΊΠΈ ΡΠ°ΠΊΠΎΠ³ΠΎ ΡΠΈΠΏΠ° ΠΏΠΎΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΡΠΏΠ΅ΡΠΈΠ°Π»ΡΠ½ΡΠΉ ΡΡΡΠΆΠΎΠΊ ΠΈΠ»ΠΈ ΡΠΈΠΏΡΡ.
ΠΡΠ΅Π½Ρ ΠΆΠ΅Π½ΡΡΠ²Π΅Π½Π½ΠΎ Π²ΡΠ³Π»ΡΠ΄ΠΈΡ Π°ΡΡΠΈΠΌΠ΅ΡΡΠΈΡΠ½ΡΠΉ Π²Π°ΡΠΈΠ°Π½Ρ ΠΏΡΠ°Π·Π΄Π½ΠΈΡΠ½ΠΎΠΉ ΠΏΡΠΈΡΠ΅ΡΠΊΠΈ, Π΄ΠΎΡΠ΅Π΄ΡΠΈΠΉ Π΄ΠΎ Π½Π°Ρ ΠΈΠ· Π²ΠΎΡΡΠΌΠΈΠ΄Π΅ΡΡΡΡΡ : Π²ΡΠ΅ ΠΊΠΎΠ½ΡΠΈΠΊΠΈ Π·Π°Π²ΠΈΠ²Π°ΡΡ Π² Π»ΠΎΠΊΠΎΠ½Ρ, Π° ΡΠ°ΠΌΡΠ΅ Π΄Π»ΠΈΠ½Π½ΡΠ΅ ΠΏΡΡΠ΄ΠΈ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ Π½Π° ΠΎΠ΄Π½Ρ ΡΡΠΎΡΠΎΠ½Ρ, Π·Π°ΠΊΡΠ΅ΠΏΠ»ΡΡ Π½Π΅Π²ΠΈΠ΄ΠΈΠΌΠΊΠ°ΠΌΠΈ.
ΠΡΠ΅Π΄Π²Π°ΡΠΈΡΠ΅Π»ΡΠ½ΠΎ ΡΡΠΎΠΈΡ Π½Π°Π½Π΅ΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΡΡΡΠΈΠΉ Π³Π΅Π»Ρ. ΠΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π΄Π»Ρ ΠΌΠΎΠ»ΠΎΠ΄Π΅Π½ΡΠΊΠΈΡ Π΄Π΅Π²ΡΡΠ΅ΠΊ.
ΠΡΠΈΡΠ΅ΡΠΊΠΈ ΠΈ ΡΡΡΠΈΠΆΠΊΠΈ Π½Π΅ ΠΌΠ΅Π½ΡΡΠ΅, ΡΠ΅ΠΌ ΠΎΠ΄Π΅ΠΆΠ΄Π° ΠΏΠΎΠΌΠΎΠ³Π°ΡΡ ΡΠΌΠ΅Π½ΠΈΡΡ ΠΈΠΌΠΈΠ΄ΠΆ, ΠΏΠΎΠ΄ΡΠ΅ΡΠΊΠ½ΡΡΡ ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΡΠ½ΠΎΡΡΡ.
Π‘ΡΡΠΈΠΆΠΊΠ° ΠΊΠ°ΡΠΊΠ°Π΄, ΠΊΠ°ΠΊ ΡΡΠΈΡΠ°ΡΡ ΠΌΠ½ΠΎΠ³ΠΈΠ΅ ΡΠΏΠ΅ΡΠΈΠ°Π»ΠΈΡΡΡ, ΡΠ²Π»ΡΠ΅ΡΡΡ Π² ΡΡΠΎΠΌ ΠΏΠ»Π°Π½Π΅ ΡΠ°ΠΌΠΎΠΉ Π²ΡΠ³ΠΎΠ΄Π½ΠΎΠΉ. ΠΠ½Π° Ρ ΠΎΡΠΎΡΠΎ ΡΠΌΠΎΡΡΠΈΡΡΡ Π½Π° ΠΏΡΡΠΌΡΡ ΠΈ Π²ΠΎΠ»Π½ΠΈΡΡΡΡ ΠΏΡΡΠ΄ΡΡ , ΠΎΠ΄ΠΈΠ½Π°ΠΊΠΎΠ²ΠΎ ΠΈΠ·ΡΡΠ½ΠΎ Π»ΠΎΠΆΠΈΡΡΡ Π½Π° Π΄Π»ΠΈΠ½Π½ΡΠ΅, ΡΡΠ΅Π΄Π½ΠΈΠ΅ ΠΈ ΠΊΠΎΡΠΎΡΠΊΠΈΠ΅ Π²ΠΎΠ»ΠΎΡΡ.
ΠΡΠΎΠΌΠ΅ ΡΠΎΠ³ΠΎ, ΠΎΠ½Π° ΠΏΡΠΎΡΡΠ° Π² ΡΡ ΠΎΠ΄Π΅, Π΅Π΅ ΠΌΠΎΠΆΠ½ΠΎ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ Β«ΡΡΡΡΡΠ° ΠΈ ΠΎΠ΄Π½ΠΈΠΌΒ» ΡΠΏΠΎΡΠΎΠ±ΠΎΠΌ. Π Π½Π΅ΠΊΠΎΡΠΎΡΡΡ ΠΈΠ· Π½ΠΈΡ Π²Ρ ΡΠ·Π½Π°Π»ΠΈ ΠΈΠ· ΡΡΠΎΠΉ ΡΡΠ°ΡΡΠΈ ΠΈ Π΄ΠΎΠΏΠΎΠ»Π½ΡΡΡΠΈΡ Π΅Π΅ ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π²ΠΈΠ΄Π΅ΠΎ, Π½ΠΎ ΡΡΠΎ Π΄Π°Π»Π΅ΠΊΠΎ Π½Π΅ ΠΏΡΠ΅Π΄Π΅Π».
ΠΠΈΠ΄Π΅ΠΎ:
ΠΡ Π·Π΄Π΅ΡΡ:
21023 ΠΠΏΡΠ±Π»ΠΈΠΊΠΎΠ²Π°Π½ΠΎ 17 Π½ΠΎΡΠ±ΡΡ 2015
Π‘ΠΎΠ²Π΅ΡWindows: ΠΊΠ°ΡΠΊΠ°Π΄ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅, ΠΌΠΎΠ·Π°ΠΈΠΊΠ°, ΡΡΠ΅ΠΊ ΠΈΠ»ΠΈ ΠΏΠ°ΡΠ°Π»Π»Π΅Π»ΡΠ½ΠΎΠ΅ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΎΠΊΠΎΠ½ Ρ ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ
ΠΠ° ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ ΡΠΆΠ΅ ΠΎΡΠ΅Π½Ρ Π΄Π°Π²Π½ΠΎ Π΅ΡΡΡ ΡΡΠ½ΠΊΡΠΈΡ ΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΎΠΊΠ½Π°ΠΌΠΈ, Π½ΠΎ Ρ Π½Π΅ Π·Π°ΠΌΠ΅ΡΠ°Π» Π΅Π΅ Π΄ΠΎ Π½Π΅Π΄Π°Π²Π½Π΅Π³ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ. ΠΡΠ»ΠΈ Ρ Π²Π°Ρ ΠΎΡΠΊΡΡΡΠΎ ΠΌΠ½ΠΎΠ³ΠΎ ΠΎΠΊΠΎΠ½ ΠΈ Π²Ρ Ρ ΠΎΡΠΈΡΠ΅ ΠΏΠΎΡΠΌΠΎΡΡΠ΅ΡΡ, ΡΡΠΎ Π² ΡΡΠΈΡ ΠΎΠΊΠ½Π°Ρ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ. ΠΡΡΡ Π»ΡΡΡΠΈΠΉ ΡΠΏΠΎΡΠΎΠ±, ΠΊΡΠΎΠΌΠ΅ ΠΏΡΠΈΠ²ΡΠ·ΠΊΠΈ, ΠΌΠΈΠ½ΠΈΠΌΠΈΠ·Π°ΡΠΈΠΈ, ΠΌΠ°ΠΊΡΠΈΠΌΠΈΠ·Π°ΡΠΈΠΈ ΠΈΠ»ΠΈ ΠΏΠ΅ΡΠ΅ΠΌΠ΅ΡΠ΅Π½ΠΈΡ ΠΈΡ .
ΠΡΠΎΡΡΠΎ ΡΠ΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΏΡΠ°Π²ΠΎΠΉ ΠΊΠ½ΠΎΠΏΠΊΠΎΠΉ ΠΌΡΡΠΈ Π½Π° ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ ΠΈ Π²ΡΠ±Π΅ΡΠΈΡΠ΅ ΠΎΠ΄ΠΈΠ½ ΠΈΠ· ΡΡΠ΅Ρ Π²Π°ΡΠΈΠ°Π½ΡΠΎΠ² ΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΎΠΊΠ½Π°ΠΌΠΈ: ΠΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΎΠΊΠ½Π° , ΠΠΎΠΊΠ°Π·Π°ΡΡ ΠΎΠΊΠ½Π° ΡΠ³ΡΡΠΏΠΏΠΈΡΠΎΠ²Π°Π½Π½ΡΠΌΠΈ ΠΈΠ»ΠΈ ΠΠΎΠΊΠ°Π·Π°ΡΡ ΠΎΠΊΠ½Π° ΡΡΠ΄ΠΎΠΌ .
ΠΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΎΠΊΠ½Π° ΡΠ°Π·ΠΌΠ΅ΡΠ°Π΅Ρ Π²ΡΠ΅ Π²Π°ΡΠΈ ΠΎΡΠΊΡΡΡΡΠ΅ ΠΎΠΊΠ½Π° Π² ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠΌ ΡΠ΅ΠΆΠΈΠΌΠ΅, ΠΏΠΎΠ·Π²ΠΎΠ»ΡΡ Π²Π°ΠΌ Π²ΠΈΠ΄Π΅ΡΡ Π²ΡΠ΅ ΠΈΡ Π·Π°Π³ΠΎΠ»ΠΎΠ²ΠΊΠΈ ΡΡΠ°Π·Ρ.
ΠΠΎΠΊΠ°Π·Π°ΡΡ ΠΎΠΊΠ½Π° ΡΠ³ΡΡΠΏΠΏΠΈΡΠΎΠ²Π°Π½Π½ΡΠΌΠΈ. ΠΠ°ΡΠ°ΠΌΠ΅ΡΡ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠΈΡΡ ΠΎΠΊΠ½Π° Π΄ΡΡΠ³ Π½Π°Π΄ Π΄ΡΡΠ³ΠΎΠΌ Π²Π΅ΡΡΠΈΠΊΠ°Π»ΡΠ½ΠΎ Π΄ΡΡΠ³ Π½Π°Π΄ Π΄ΡΡΠ³ΠΎΠΌ. ΠΠ½ ΠΎΡΠ»ΠΈΡΠ½ΠΎ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ Π½Π° Π΄ΠΈΡΠΏΠ»Π΅Π΅ Π² Π²Π΅ΡΡΠΈΠΊΠ°Π»ΡΠ½ΠΎΠΌ ΡΠ΅ΠΆΠΈΠΌΠ΅, Π½ΠΎ Π½Π΅ ΠΎΡΠ΅Π½Ρ ΠΏΠΎΠ»Π΅Π·Π΅Π½ Π΄Π»Ρ ΠΎΠ±ΡΡΠ½ΠΎΠ³ΠΎ ΡΠΈΡΠΎΠΊΠΎΡΠΊΡΠ°Π½Π½ΠΎΠ³ΠΎ Π΄ΠΈΡΠΏΠ»Π΅Ρ.
ΠΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡ ΠΎΠΊΠ½Π° Π±ΠΎΠΊ ΠΎ Π±ΠΎΠΊ Π²Π°ΡΠΈΠ°Π½Ρ Π±ΠΎΠ»Π΅Π΅ ΠΈΠ½ΡΠ΅ΡΠ΅ΡΠ½ΡΠΉ. ΠΠ½ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ Windows Π°Π²ΡΠΎΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠ°Π·ΠΌΠ΅ΡΠ°ΡΡ Π²ΡΠ΅ ΠΎΡΠΊΡΡΡΡΠ΅ ΠΎΠΊΠ½Π° ΡΡΠ΄ΠΎΠΌ Π΄ΡΡΠ³ Ρ Π΄ΡΡΠ³ΠΎΠΌ, ΡΡΠΎ ΠΎΡΠ΅Π½Ρ ΠΏΠΎΠ»Π΅Π·Π½ΠΎ Π΄Π»Ρ ΠΌΠ½ΠΎΠ³ΠΎΠ·Π°Π΄Π°ΡΠ½ΠΎΡΡΠΈ Π½Π° Π±ΠΎΠ»ΡΡΠΈΡ ΡΠΈΡΠΎΠΊΠΎΡΠΊΡΠ°Π½Π½ΡΡ ΠΌΠΎΠ½ΠΈΡΠΎΡΠ°Ρ .
ΠΠΎΡΠ»Π΅ ΡΠΎΠ³ΠΎ, ΠΊΠ°ΠΊ Π²Ρ Π²ΡΠ±Π΅ΡΠ΅ΡΠ΅ ΠΎΠ΄Π½Ρ ΠΈΠ· ΡΡΠΈΡ ΡΡΠ΅Ρ ΠΎΠΏΡΠΈΠΉ, Π²Ρ ΡΠ°ΠΊΠΆΠ΅ ΡΠ²ΠΈΠ΄ΠΈΡΠ΅ ΠΎΠΏΡΠΈΡ Β« ΠΡΠΌΠ΅Π½ΠΈΡΡ Β» Π² ΡΠΎΠΌ ΠΆΠ΅ ΠΊΠΎΠ½ΡΠ΅ΠΊΡΡΠ½ΠΎΠΌ ΠΌΠ΅Π½Ρ, Π²ΡΠ·ΡΠ²Π°Π΅ΠΌΠΎΠΌ ΠΏΡΠ°Π²ΠΎΠΉ ΠΊΠ½ΠΎΠΏΠΊΠΎΠΉ ΠΌΡΡΠΈ, ΡΡΠΎΠ±Ρ Π²Π΅ΡΠ½ΡΡΡ ΠΌΠ°ΠΊΠ΅Ρ ΠΎΠ±ΡΠ°ΡΠ½ΠΎ ΠΊ ΠΈΡΡ ΠΎΠ΄Π½ΠΎΠΌΡ ΡΠΎΡΡΠΎΡΠ½ΠΈΡ.
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ β 1 — ΡΡΠΈ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΡ ΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΎΠΊΠ½Π°ΠΌΠΈ ΡΠ°Π±ΠΎΡΠ°ΡΡ ΡΠΎΠ»ΡΠΊΠΎ Ρ ΠΎΡΠΊΡΡΡΡΠΌΠΈ ΠΎΠΊΠ½Π°ΠΌΠΈ. ΠΡΠ±ΡΠ΅ ΡΠ²Π΅ΡΠ½ΡΡΡΠ΅ ΠΎΠΊΠ½Π° ΠΎΡΡΠ°Π½ΡΡΡΡ ΡΠ²Π΅ΡΠ½ΡΡΡΠΌΠΈ ΠΈ Π½Π΅ Π±ΡΠ΄ΡΡ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°ΡΡΡΡ Π½ΠΈ Π² ΠΎΠ΄Π½ΠΎΠΌ ΠΈΠ· ΡΡΠΈΡ ΡΡΠ΅Ρ ΠΌΠ°ΠΊΠ΅ΡΠΎΠ².
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ β 2 — ΡΠ±Π΅Π΄ΠΈΡΠ΅ΡΡ, ΡΡΠΎ Π²Ρ ΠΎΡΠΌΠ΅Π½ΠΈΠ»ΠΈ ΠΎΠ΄ΠΈΠ½ Π²Π°ΡΠΈΠ°Π½Ρ, ΠΏΡΠ΅ΠΆΠ΄Π΅ ΡΠ΅ΠΌ Π²ΡΠ±ΠΈΡΠ°ΡΡ Π΄ΡΡΠ³ΠΎΠΉ.ΠΠΏΡΠΈΡ Β« undo Β» ΡΠΎΠ»ΡΠΊΠΎ Π½Π°Π·Π°Π΄ Π½Π° ΠΎΠ΄ΠΈΠ½ ΡΠ°Π³ Π½Π°Π·Π°Π΄. ΠΠΎΠΏΡΡΡΠΈΠΌ, Π²Ρ Π²ΡΠ±ΡΠ°Π»ΠΈ Β«ΠΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡ ΠΎΠΊΠ½Π° Π² ΡΡΠΎΠΏΠΊΠ΅Β» ΠΈ ΡΡΠ°Π·Ρ ΠΏΠΎΡΠ»Π΅ ΡΡΠΎΠ³ΠΎ ΠΏΠ΅ΡΠ΅ΠΊΠ»ΡΡΠΈΠ»ΠΈ Π΅Π³ΠΎ Π½Π° Β«Π ΡΠ΄ΠΎΠΌΒ». ΠΡ Π½Π΅ ΡΠΌΠΎΠΆΠ΅ΡΠ΅ Π²Π΅ΡΠ½ΡΡΡΡΡ ΠΊ ΡΠΎΠΌΡ ΡΠΎΡΡΠΎΡΠ½ΠΈΡ, ΠΊΠΎΡΠΎΡΠΎΠ΅ Π±ΡΠ»ΠΎ Π΄ΠΎ ΡΠΎΠ³ΠΎ, ΠΊΠ°ΠΊ Π²ΡΠ΅ Π²Π°ΡΠΈ ΠΎΡΠΊΡΡΡΡΠ΅ ΠΎΠΊΠ½Π° ΡΠ»ΠΎΠΆΠΈΠ»ΠΈΡΡ Π² ΡΡΠΎΠΏΠΊΡ. ΠΠ°ΠΌ ΠΏΡΠΈΠ΄Π΅ΡΡΡ Π²ΠΎΡΡΡΠ°Π½Π°Π²Π»ΠΈΠ²Π°ΡΡ ΠΈΡ Π²ΡΡΡΠ½ΡΡ.
ΠΠ°ΠΊ ΡΠΊΠ»Π°Π΄ΡΠ²Π°ΡΡ ΠΈΠ»ΠΈ ΠΊΠ°ΡΠΊΠ°Π΄ΠΈΡΠΎΠ²Π°ΡΡ ΠΎΠΊΠ½Π° ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π² Windows 10
ΠΠ°ΠΈΠ±ΠΎΠ»Π΅Π΅ ΡΠ°ΡΡΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠ΅ΠΉ ΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΎΠΊΠ½Π°ΠΌΠΈ Π² Windows 10 ΡΠ²Π»ΡΠ΅ΡΡΡ Snap, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΠΏΠ΅ΡΠ΅ΡΠ°ΡΠΊΠΈΠ²Π°ΡΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ Π² ΡΠ³Π»Ρ Π΄ΠΈΡΠΏΠ»Π΅Ρ, ΡΡΠΎΠ±Ρ Β«ΠΏΡΠΈΠ²ΡΠ·Π°ΡΡΒ» ΠΈΡ Π±ΠΎΠΊ ΠΎ Π±ΠΎΠΊ.ΠΠ΄Π½Π°ΠΊΠΎ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠΎΠ½Π½Π°Ρ ΡΠΈΡΡΠ΅ΠΌΠ° ΡΠ°ΠΊΠΆΠ΅ ΠΈΠΌΠ΅Π΅Ρ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ Π΄ΡΡΠ³ΠΈΡ ΠΎΠΏΡΠΈΠΉ, Stack ΠΈ Cascade, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΌΠΎΠ³ΡΡ Π±ΡΡΡ Π±ΠΎΠ»Π΅Π΅ ΠΏΠΎΠ»Π΅Π·Π½ΡΠΌΠΈ, ΠΊΠΎΠ³Π΄Π° Π²Ρ ΡΠ°Π±ΠΎΡΠ°Π΅ΡΠ΅ Ρ Π±ΠΎΠ»ΡΡΠΈΠΌ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎΠΌ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ.
ΠΡ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π½Π°ΠΉΡΠΈ Stack and Cascade, ΡΠ΅Π»ΠΊΠ½ΡΠ² ΠΏΡΠ°Π²ΠΎΠΉ ΠΊΠ½ΠΎΠΏΠΊΠΎΠΉ ΠΌΡΡΠΈ Π½Π° ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ. ΠΡ ΡΠ²ΠΈΠ΄ΠΈΡΠ΅ Π΄Π²Π΅ ΠΎΠΏΡΠΈΠΈ: Β«ΠΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΎΠΊΠ½Π°Β» ΠΈ Β«ΠΠΎΠΊΠ°Π·Π°ΡΡ ΠΎΠΊΠ½Π° ΡΠ³ΡΡΠΏΠΏΠΈΡΠΎΠ²Π°Π½Π½ΡΠΌΠΈΒ». Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ, ΠΊΠΎΡΠΎΡΡΡ Ρ ΠΎΡΠΈΡΠ΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ.
ΠΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΎΠΊΠ½Π°
ΠΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΡΠ½ΠΊΡΠΈΡ ΠΏΠ΅ΡΠ΅ΠΌΠ΅ΡΠ°Π΅Ρ Π²Π°ΡΠΈ ΠΎΠΊΠ½Π° ΡΠ°ΠΊ, ΡΡΠΎΠ±Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠ΅ ΠΈΠ· Π½ΠΈΡ Π±ΡΠ»ΠΎ ΡΠ»Π΅Π³ΠΊΠ° Π²Π»ΠΎΠΆΠ΅Π½ΠΎ Π² Π΄ΡΡΠ³ΠΎΠ΅, ΠΊΠ°ΠΊ ΡΡΠΎΠΏΠΊΠ° ΠΊΠ°ΡΡΠΎΡΠ΅ΠΊ.ΠΡΠΎ ΠΏΡΠ΅Π΄Π½Π°Π·Π½Π°ΡΠ΅Π½ΠΎ Π΄Π»Ρ ΡΠΎΠ³ΠΎ, ΡΡΠΎΠ±Ρ ΠΏΠΎΠΌΠΎΡΡ Π²Π°ΠΌ Π±ΡΡΡΡΠΎ ΠΈΠ΄Π΅Π½ΡΠΈΡΠΈΡΠΈΡΠΎΠ²Π°ΡΡ Π²ΡΠ΅ ΠΎΡΠΊΡΡΡΡΠ΅ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΏΠΎ ΠΈΡ Π·Π°Π³ΠΎΠ»ΠΎΠ²ΠΊΠ°ΠΌ. ΠΡ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π±ΡΡΡΡΠΎ ΡΠ²Π΅ΡΠ½ΡΡΡ ΠΈΠ»ΠΈ Π·Π°ΠΊΡΡΡΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΊΠ½ΠΎΠΏΠΎΠΊ Π·Π°Π³ΠΎΠ»ΠΎΠ²ΠΊΠ°.
Π Windows 10 Cascade, Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎ, ΠΌΠ΅Π½Π΅Π΅ ΠΏΠΎΠ»Π΅Π·Π΅Π½, ΡΠ΅ΠΌ Π±ΡΠ» ΡΠ°Π½ΡΡΠ΅. ΠΠ³ΠΎ ΡΡΠ½ΠΊΡΠΈΠΎΠ½Π°Π»ΡΠ½ΠΎΡΡΡ Π±ΡΠ»Π° Π² Π·Π½Π°ΡΠΈΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΡΠ΅ΠΏΠ΅Π½ΠΈ Π·Π°ΠΌΠ΅Π½Π΅Π½Π° ΠΈΠ½ΡΠ΅ΡΡΠ΅ΠΉΡΠΎΠΌ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ Π·Π°Π΄Π°Ρ, ΠΊΠΎΡΠΎΡΡΠΉ Π΄Π°Π΅Ρ Π²Π°ΠΌ ΠΎΠ±Π·ΠΎΡ Π²ΡΠ΅Ρ Π²Π°ΡΠΈΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ, ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΠ²Π°Ρ ΠΏΡΠ΅Π΄Π²Π°ΡΠΈΡΠ΅Π»ΡΠ½ΡΠΉ ΠΏΡΠΎΡΠΌΠΎΡΡ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΠΈΠ· Π½ΠΈΡ .
ΠΠ°Π±ΠΎΡ ΠΎΠΊΠΎΠ½
Π‘ΠΎΡΡΠ°Π²Π½ΡΠ΅ ΠΎΠΊΠ½Π° ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°ΡΡΡΡ Π² Π²ΠΈΠ΄Π΅ Π²Π΅ΡΡΠΈΠΊΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΡΠ΅ΠΊΠ° ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ.ΠΠ°ΠΊ ΠΈ Cascade, Π²ΡΡΠ΄ Π»ΠΈ Π²Ρ Π±ΡΠ΄Π΅ΡΠ΅ ΡΠ°ΡΡΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π΅Π³ΠΎ. Π’Π΅ΠΌ Π½Π΅ ΠΌΠ΅Π½Π΅Π΅, ΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΠ΅Π»ΠΈ ΠΌΠΎΠ½ΠΈΡΠΎΡΠΎΠ² Ρ ΠΏΠΎΡΡΡΠ΅ΡΠ½ΠΎΠΉ ΠΎΡΠΈΠ΅Π½ΡΠ°ΡΠΈΠ΅ΠΉ Π½Π°ΠΉΠ΄ΡΡ Stack ΠΏΠΎΠ»Π΅Π·Π½ΡΠΌ, ΠΏΠΎΡΠΊΠΎΠ»ΡΠΊΡ ΠΎΠ½ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΠΌΠ°ΠΊΡΠΈΠΌΠ°Π»ΡΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π²Π°ΡΠΈ Π²Π΅ΡΡΠΈΠΊΠ°Π»ΡΠ½ΡΠ΅ ΠΏΠΈΠΊΡΠ΅Π»ΠΈ.
ΠΡΠ΄Π΅Π»ΡΠ½Π°Ρ ΠΎΠΏΡΠΈΡ Π² ΠΌΠ΅Π½Ρ ΠΏΡΠ°Π²ΠΎΠΉ ΠΊΠ½ΠΎΠΏΠΊΠΈ ΠΌΡΡΠΈ Π½Π° ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ, Β«ΠΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡ ΠΎΠΊΠ½Π° Π±ΠΎΠΊ ΠΎ Π±ΠΎΠΊΒ», Π°Π½Π°Π»ΠΎΠ³ΠΈΡΠ½Π° ΡΡΠ΅ΠΊΡ, Π½ΠΎ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ Ρ Π³ΠΎΡΠΈΠ·ΠΎΠ½ΡΠ°Π»ΡΠ½ΠΎΠΉ ΠΎΡΡΡ. ΠΠ½ Π°Π²ΡΠΎΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΈ ΡΠΏΠΎΡΡΠ΄ΠΎΡΠΈΠ²Π°Π΅Ρ Π²ΡΠ΅ Π²Π°ΡΠΈ ΠΎΡΠΊΡΡΡΡΠ΅ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ, ΡΡΠΎΠ±Ρ ΠΎΠ½ΠΈ Π±ΡΠ»ΠΈ Π²ΠΈΠ΄Π½Ρ Π² Π²ΠΈΠ΄Π΅ ΡΡΠΎΠ»Π±ΡΠΎΠ² Π½Π° Π²Π°ΡΠ΅ΠΌ ΠΌΠΎΠ½ΠΈΡΠΎΡΠ΅. ΠΠΎΡ ΠΎΠΆΠ΅ Π½Π° Snap, Π½ΠΎ Ρ ΠΏΠΎΠ΄Π΄Π΅ΡΠΆΠΊΠΎΠΉ Π±ΠΎΠ»Π΅Π΅ Π΄Π²ΡΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ.
ΠΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΡΡΠΈΡ ΡΡΠ½ΠΊΡΠΈΠΉ ΠΏΠΎΠ»Π½ΠΎΡΡΡΡ Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ Π²Π°Ρ. ΠΠ½ΠΈ Π±ΡΠ»ΠΈ ΠΊΠΎΠΌΠΏΠΎΠ½Π΅Π½ΡΠΎΠΌ ΡΠ°Π±ΠΎΡΠ΅Π³ΠΎ ΡΡΠΎΠ»Π° Windows Π½Π° ΠΏΡΠΎΡΡΠΆΠ΅Π½ΠΈΠΈ Π΄Π΅ΡΡΡΠΈΠ»Π΅ΡΠΈΠΉ ΠΈ ΠΎΡΡΠ°ΡΡΡΡ Π΄ΠΎΡΡΡΠΏΠ½ΡΠΌΠΈ Π² Windows 10. Π ΡΠΎ Π²ΡΠ΅ΠΌΡ ΠΊΠ°ΠΊ Cascade ΡΠ΅ΠΏΠ΅ΡΡ Π² Π·Π½Π°ΡΠΈΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΡΠ΅ΠΏΠ΅Π½ΠΈ ΠΈΠ·Π±ΡΡΠΎΡΠ΅Π½, Stack ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ Π²Π°ΠΌ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Π΄Π»Ρ ΠΌΠΎΠ·Π°ΠΈΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·ΠΌΠ΅ΡΠ΅Π½ΠΈΡ ΠΎΠΊΠΎΠ½, ΠΊΠΎΡΠΎΡΠΎΠ΅ Π½Π°Ρ ΠΎΠ΄ΠΈΡΡΡ Π³Π΄Π΅-ΡΠΎ ΠΌΠ΅ΠΆΠ΄Ρ Snap ΠΈ Π½ΠΎΠ²ΡΠΌ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ΠΌ FancyZones.
ΠΠΎΠ΄Π΅Π»ΠΈΡΡΡΡ ΡΡΠΈΠΌ ΠΏΠΎΡΡΠΎΠΌ:
ΠΠ°ΠΌΠ΅Π½Π½ΡΠΉ ΡΠΏΠΎΠ½ — Stack Stone Cascade
Stack stone — ΡΡΠΎ ΠΏΡΠΎΡΠΈΠ»Ρ, ΡΠΎΡΠ΅ΡΠ°ΡΡΠΈΠΉ Π² ΡΠ΅Π±Π΅ ΡΠ°Π·ΠΌΠ΅ΡΡ, ΡΠΎΠ·Π΄Π°ΡΡΠΈΠΉ Π°ΡΡΠ΅Π½ΡΠΈΡΠ½ΡΠΉ Π²Π½Π΅ΡΠ½ΠΈΠΉ Π²ΠΈΠ΄.ΠΡΠΎΡ ΠΊΠ°ΠΌΠ΅Π½Ρ ΠΈΠΌΠ΅Π΅Ρ ΡΠ΅Π·ΠΊΠΈΠ΅ Π²Π°ΡΠΈΠ°ΡΠΈΠΈ ΡΠΎΠ»ΡΠΈΠ½Ρ, Π³Π»ΡΠ±ΠΈΠ½Ρ ΠΈ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠ°, ΡΠΊΠΎΠΏΠΈΡΠΎΠ²Π°Π½Π½ΡΠ΅ Π½Π΅ΠΏΠΎΡΡΠ΅Π΄ΡΡΠ²Π΅Π½Π½ΠΎ Ρ Π½Π°ΡΡΡΡ. Π‘Π»ΠΎΠΆΠ΅Π½Π½ΡΠΉ ΠΊΠ°ΠΌΠ΅Π½Π½ΡΠΉ ΡΠ·ΠΎΡ ΡΠΈΡΡΡΠΉ, ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΡΠΉ ΠΈ Π»ΡΠ±ΠΈΠΌΡΠΉ ΡΡΠ΅Π΄ΠΈ Π΄ΠΈΠ·Π°ΠΉΠ½Π΅ΡΠΎΠ² ΠΈ Π°ΡΡ ΠΈΡΠ΅ΠΊΡΠΎΡΠΎΠ². Stack Stone — ΡΡΠΎ ΠΏΡΠΎΠ΄ΡΠΊΡ, ΠΎΠ±Π»ΠΈΡΠΎΠ²Π°Π½Π½ΡΠΉ ΠΊΠ°ΠΌΠ½Π΅ΠΌ, ΡΠΎΠ»ΡΠΈΠ½ΠΎΠΉ ΠΎΡ 1 Π΄ΠΎ 2,5 Π΄ΡΠΉΠΌΠΎΠ² ΠΈ, ΡΠ»Π΅Π΄ΠΎΠ²Π°ΡΠ΅Π»ΡΠ½ΠΎ, ΡΠΎΠ½ΡΡΠ΅, ΡΠ΅ΠΌ ΡΡΠ°Π΄ΠΈΡΠΈΠΎΠ½Π½ΡΠΉ ΡΠ°ΠΉΠ΄ΠΈΠ½Π³ ΠΈΠ· ΠΊΠ°ΠΌΠ½Ρ, Π΄Π»Ρ Π±ΠΎΠ»Π΅Π΅ Π»Π΅Π³ΠΊΠΎΠ³ΠΎ ΠΈ Π»Π΅Π³ΠΊΠΎΠ³ΠΎ ΠΎΠ±ΡΠ°ΡΠ΅Π½ΠΈΡ. ΠΡΠ΅ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΠΌΡΠ΅ Π½Π°ΠΌΠΈ ΠΈΠ·Π΄Π΅Π»ΠΈΡ ΠΈΠ· ΠΊΠ°ΠΌΠ΅Π½Π½ΠΎΠ³ΠΎ ΡΠΏΠΎΠ½Π° ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡ Π΄Π»Ρ Π²Π½ΡΡΡΠ΅Π½Π½ΠΈΡ ΡΠ°Π±ΠΎΡ, ΡΠ°ΠΊΠΈΡ ΠΊΠ°ΠΊ ΠΊΠ°ΠΌΠ΅Π½Π½ΡΠ΅ ΡΡΠ΅Π½Ρ ΠΈΠ»ΠΈ ΠΊΠ°ΠΌΠ΅Π½Π½ΡΠ΅ ΠΊΠ°ΠΌΠΈΠ½Ρ, Π° ΡΠ°ΠΊΠΆΠ΅ Π΄Π»Ρ Π½Π°ΡΡΠΆΠ½ΡΡ ΡΠ°Π±ΠΎΡ, ΡΠ°ΠΊΠΈΡ ΠΊΠ°ΠΊ ΡΠ°ΠΉΠ΄ΠΈΠ½Π³ ΠΈΠ· ΠΊΠ°ΠΌΠ΅Π½Π½ΠΎΠ³ΠΎ ΡΠΏΠΎΠ½Π°.ΠΠ°ΠΌΠ΅Π½Ρ Stack Π΄ΠΎΡΡΡΠΏΠ΅Π½ Π² ΠΊΠΎΡΠΎΠ±ΠΊΠ°Ρ ΠΏΠ»ΠΎΡΠ°Π΄ΡΡ 10 ΠΊΠ²Π°Π΄ΡΠ°ΡΠ½ΡΡ ΡΡΡΠΎΠ², ΠΊΠΎΡΠΎΠ±ΠΊΠ°Ρ Ρ ΡΠ³Π»Π°ΠΌΠΈ 7,5 ΠΊΠ²Π°Π΄ΡΠ°ΡΠ½ΡΡ ΡΡΡΠΎΠ² ΠΈ ΠΎΠ±ΡΠ΅ΠΌΠ½ΡΡ ΡΡΠΈΠΊΠ°Ρ 150 ΠΊΠ²Π°Π΄ΡΠ°ΡΠ½ΡΡ ΡΡΡΠΎΠ².
ΠΠ±ΡΠ°Π·Π΅Ρ Π·Π°ΠΊΠ°Π·Π°
Stone Flat Π Π°Π·ΠΌΠ΅ΡΡ:
ΠΠ»ΠΈΠ½Π°: ΠΎΡ 5 Π΄ΠΎ 20 Π΄ΡΠΉΠΌΠΎΠ²
ΠΡΡΠΎΡΠ°: ΠΎΡ 1 Π΄ΠΎ 5 Π΄ΡΠΉΠΌΠΎΠ²
Π’ΠΎΠ»ΡΠΈΠ½Π°: ΠΎΡ 1 Π΄ΠΎ 2,5 Π΄ΡΠΉΠΌΠΎΠ²
4,59 Π΄ΠΎΠ»Π». Π‘Π¨Π Π·Π° ΠΊΠ². Π€ΡΡ Π΄Π»Ρ Π½Π°ΡΡΠΏΠ½ΠΎΠ³ΠΎ ΡΡΠΈΠΊΠ° ΠΏΠ»ΠΎΡΠ°Π΄ΡΡ 150 ΠΊΠ². Π€ΡΡΠΎΠ²
4,99 Π΄ΠΎΠ»Π». Π‘Π¨Π Π·Π° ΠΊΠ². Π€ΡΡ Π΄Π»Ρ ΡΡΠΈΠΊΠ° ΠΏΠ»ΠΎΡΠ°Π΄ΡΡ 10 ΠΊΠ². Π€ΡΡΠΎΠ²
Π Π°Π·ΠΌΠ΅ΡΡ ΡΠ³Π»ΠΎΠ²
ΠΠΎΡΠΎΡΠΊΠ°Ρ ΡΡΠΎΡΠΎΠ½Π°: ΠΎΡ 3 Π΄ΡΠΉΠΌΠΎΠ² Π΄ΠΎ 4 Π΄ΡΠΉΠΌΠΎΠ²
ΠΠ»ΠΈΠ½Π½Π°Ρ ΡΡΠΎΡΠΎΠ½Π°: ΠΎΡ 10 Π΄ΡΠΉΠΌΠΎΠ² Π΄ΠΎ 12 Π΄ΡΠΉΠΌΠΎΠ²
ΠΡΡΠΎΡΠ°: Π²Π°ΡΡΠΈΡΡΠ΅ΡΡΡ Π² Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΠΈ ΠΎΡ ΡΡΠΈΠ»Ρ ΠΊΠ°ΠΌΠ½Ρ
6 Π΄ΠΎΠ»Π»Π°ΡΠΎΠ² Π‘Π¨Π.99 Π½Π° Π»ΠΈΠ½Π΅ΠΉΠ½ΡΠΉ ΡΡΡ
Π₯Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠΈ:
- ΠΡΠΎΠΈΠ·Π²ΠΎΠ΄ΡΡΠ²ΠΎ ΠΏΡΠ΅ΠΌΠΈΡΠΌ-ΠΊΠ»Π°ΡΡΠ°: ΡΡΠΎΠ±Ρ Π³Π°ΡΠ°Π½ΡΠΈΡΠΎΠ²Π°ΡΡ, ΡΡΠΎ Π²Ρ ΠΏΠΎΠ»ΡΡΠΈΡΠ΅ Π»ΡΡΡΠΈΠΉ ΠΊΠ°ΠΌΠ΅Π½Π½ΡΠΉ ΡΠΏΠΎΠ½, Mountain View Stone ΡΡΡΠΎΠ³ΠΎ ΡΠ»Π΅Π΄ΠΈΡ Π·Π° ΠΊΠ°ΠΆΠ΄ΡΠΌ ΡΡΠ°ΠΏΠΎΠΌ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΡΡΠ²Π΅Π½Π½ΠΎΠ³ΠΎ ΠΏΡΠΎΡΠ΅ΡΡΠ° Π΄Π»Ρ ΠΊΠΎΠ½ΡΡΠΎΠ»Ρ ΠΊΠ°ΡΠ΅ΡΡΠ²Π°.
- Π£ΡΡΠΎΠΉΡΠΈΠ²ΡΠΉ Π²Π½Π΅ΡΠ½ΠΈΠΉ Π²ΠΈΠ΄: Π¦Π²Π΅Ρ Π»ΠΈΡΠ°, ΠΈΠ·Π³ΠΎΡΠΎΠ²Π»Π΅Π½Π½ΡΠΉ ΠΏΠΎ ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΠΈ Color Lock, ΡΠΎΠ΄Π΅ΡΠΆΠΈΡ ΡΠ²ΡΠ·ΡΡΡΠΈΠ΅ Π²Π΅ΡΠ΅ΡΡΠ²Π°, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΠΎΠΌΠΎΠ³Π°ΡΡ Π·Π°ΡΠΈΡΠΈΡΡ ΠΎΡ Π²ΡΡΠ²Π΅ΡΠ°Π½ΠΈΡ Π² ΡΡΡΠΎΠ²ΡΡ ΡΡΠ»ΠΎΠ²ΠΈΡΡ ΠΎΠΊΡΡΠΆΠ°ΡΡΠ΅ΠΉ ΡΡΠ΅Π΄Ρ, ΡΠΈΡΡΡΡΠΈΡ ΡΡΠ΅Π΄ΡΡΠ²Π°Ρ ΠΈ Π΄Π°ΠΆΠ΅ ΠΏΡΠΈ ΠΌΠΎΠΉΠΊΠ΅ ΠΏΠΎΠ΄ Π΄Π°Π²Π»Π΅Π½ΠΈΠ΅ΠΌ (Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΡ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡ ΡΠΌ. Π Π΄ΠΎΠΊΡΠΌΠ΅Π½ΡΠ°ΡΠΈΠΈ ΠΏΠΎ ΡΡΡΠ°Π½ΠΎΠ²ΠΊΠ΅ ΠΈ ΡΠ΅Ρ Π½ΠΈΡΠ΅ΡΠΊΠΎΠΌΡ ΠΎΠ±ΡΠ»ΡΠΆΠΈΠ²Π°Π½ΠΈΡ).
- ΠΠ°ΡΠΈΠ°Π½ΡΡ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ: ΠΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π΄Π»Ρ Π²Π½ΡΡΡΠ΅Π½Π½Π΅Π³ΠΎ ΠΈ Π²Π½Π΅ΡΠ½Π΅Π³ΠΎ ΠΌΠΎΠ½ΡΠ°ΠΆΠ°, Π²Ρ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΊΠ°ΠΌΠ΅Π½Π½ΡΠΉ ΡΠΏΠΎΠ½ ΠΏΠΎΠ²ΡΡΠ΄Ρ, ΠΎΡ Π΄ΠΎΠΌΠ° Π΄ΠΎ Π³ΠΎΡΡΠΈΠ½ΠΎΠΉ.
- Π£ΡΡΠ°Π½ΠΎΠ²ΠΊΠ° Π±Π΅Π· ΠΏΠΎΡΠ°: ΠΊΠ°Π½Π°Π²ΠΊΠΈ Π½Π° ΡΡΠ»ΡΠ½ΠΎΠΉ ΡΡΠΎΡΠΎΠ½Π΅ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΠΊΠ°ΠΌΠ½Ρ Π΄Π»Ρ Π½Π°Π΄Π΅ΠΆΠ½ΠΎΠ³ΠΎ ΡΡΠ΅ΠΏΠ»Π΅Π½ΠΈΡ ΡΠΎ ΡΡΠ΅Π½ΠΎΠΉ ΠΈ Π±ΡΡΡΡΠΎΠΉ ΡΡΡΠ°Π½ΠΎΠ²ΠΊΠΈ.
- ΠΠΎΠ΄Π΄Π΅ΡΠΆΠΊΠ° ΠΏΠΎΡΠ»Π΅ ΠΏΠΎΠΊΡΠΏΠΊΠΈ: 50-Π»Π΅ΡΠ½ΡΡ ΠΎΠ³ΡΠ°Π½ΠΈΡΠ΅Π½Π½Π°Ρ Π³Π°ΡΠ°Π½ΡΠΈΡ — ΠΎΡΠ»ΠΈΡΠ½ΠΎΠ΅ Π΄ΠΎΠ»Π³ΠΎΡΡΠΎΡΠ½ΠΎΠ΅ Π²Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π² Π²Π°Ρ Π΄ΠΎΠΌ.
- American Made: ΡΠ°ΠΉΠ΄ΠΈΠ½Π³ ΠΈΠ· Π²ΡΡΠΎΠΊΠΎΠΊΠ°ΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎΠ³ΠΎ ΠΊΠ°ΠΌΠ΅Π½Π½ΠΎΠ³ΠΎ ΡΠΏΠΎΠ½Π°, ΠΏΡΠΎΠΈΠ·Π²Π΅Π΄Π΅Π½Π½ΡΠΉ Π² Π‘Π¨Π.
ΠΡΡΠ³Π°Ρ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡ:
Π£Ρ ΠΎΠ΄ ΠΈ ΡΠ΅Ρ Π½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΠΎΠ±ΡΠ»ΡΠΆΠΈΠ²Π°Π½ΠΈΠ΅ | ΠΠ½ΡΡΡΡΠΊΡΠΈΠΈ ΠΏΠΎ ΡΡΡΠ°Π½ΠΎΠ²ΠΊΠ΅ | ΠΠ°ΡΠ°Π½ΡΠΈΡ
Stack stone ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΠ΅Ρ ΡΠΎΠ±ΠΎΠΉ ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΡΠ½ΠΎΠ΅ ΠΊΠ°ΠΌΠ΅Π½Π½ΠΎΠ΅ ΠΈΠ·Π΄Π΅Π»ΠΈΠ΅ ΠΈ ΡΡΡΠ°Π½Π°Π²Π»ΠΈΠ²Π°Π΅ΡΡΡ ΠΏΠΎΡΡΡΡΠ½ΠΎ. ΠΠ°ΠΌΠ½ΠΈ ΡΠ°Π·Π»ΠΈΡΠ°ΡΡΡΡ ΠΏΠΎ ΡΠ°Π·ΠΌΠ΅ΡΡ, ΡΠΎΡΠΌΠ΅ ΠΈ ΡΠΎΠ»ΡΠΈΠ½Π΅. Π§ΡΠΎΠ±Ρ Π΄ΠΎΠ±ΠΈΡΡΡΡ ΠΆΠ΅Π»Π°Π΅ΠΌΠΎΠΉ ΠΎΡΠ΄Π΅Π»ΠΊΠΈ Π½Π°ΡΡΡΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΠΊΠ°ΠΌΠ½Ρ, ΠΊΠ°ΠΊ ΠΏΠΎΠΊΠ°Π·Π°Π½ΠΎ Π½Π° Π½Π°ΡΠΈΡ ΠΈΠ·ΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΡΡ , ΡΡΡΠ°Π½ΠΎΠ²ΡΠΈΠΊ Π΄ΠΎΠ»ΠΆΠ΅Π½ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠΈΡΡ ΠΎΡΠ΄Π΅Π»ΡΠ½ΡΠ΅ ΠΊΠ°ΠΌΠ½ΠΈ Π² ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎΠΌ ΠΏΠΎΡΡΠ΄ΠΊΠ΅ ΠΈ ΡΡΡΠ°Π½ΠΎΠ²ΠΈΡΡ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΊΠ°ΠΌΠ΅Π½Ρ ΠΏΠΎ ΠΎΠ΄Π½ΠΎΠΌΡ.ΠΡΠΎΡ ΠΏΡΠΎΠ΄ΡΠΊΡ ΠΈΠ·Π³ΠΎΡΠΎΠ²Π»Π΅Π½ ΠΈΠ· ΠΏΠΎΡΡΠ»Π°Π½Π΄ΡΠ΅ΠΌΠ΅Π½ΡΠ°, ΠΈ ΠΌΡ ΡΠ΅ΠΊΠΎΠΌΠ΅Π½Π΄ΡΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΠ°ΡΡΠ²ΠΎΡ ΡΠΈΠΏΠ° S.
ΠΠΎΠ΄Π΅Π»ΠΈΡΡΡΡΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΠ΅ ΠΌΠΎΠ΄ΡΠ»ΠΈ — ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅
12.0 ΠΠΏΠΈΡΠ°Π½ΠΈΠ΅ ΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΉ
12,1 Π‘ΡΠ°Π½Π΄Π°ΡΡΠ½ΡΠΉ ΠΎΠ΄Π½ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΠΉ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΠΉ ΠΎΡ Π»Π°ΠΆΠ΄Π°ΡΡΠΈΠΉ ΠΌΠΎΠ΄ΡΠ»Ρ ΠΌΠΎΠΆΠ΅Ρ ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΠ²Π°ΡΡ ΠΌΠ°ΠΊΡΠΈΠΌΠ°Π»ΡΠ½ΡΠΉ ΠΏΠ΅ΡΠ΅ΠΏΠ°Π΄ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡ Π±Π΅Π· Π½Π°Π³ΡΡΠ·ΠΊΠΈ (DTmax) ΠΏΡΠΈΠΌΠ΅ΡΠ½ΠΎ 72 Β° C. ΠΠΎΠΆΠ½ΠΎ ΠΏΠΎΠ»ΡΡΠΈΡΡ DT Π΄ΠΎ 130 Β° C ΠΏΡΡΠ΅ΠΌ ΠΌΠ΅Ρ Π°Π½ΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠΊΠ»Π°Π΄ΠΊΠΈ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΉ Π΄ΡΡΠ³ Π½Π° Π΄ΡΡΠ³Π°, Π² ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠ΅ ΡΠ΅Π³ΠΎ Ρ ΠΎΠ»ΠΎΠ΄Π½Π°Ρ ΡΡΠΎΡΠΎΠ½Π° ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΠΌΠΎΠ΄ΡΠ»Ρ ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ Π³ΠΎΡΡΡΠ΅ΠΉ ΡΡΠΎΡΠΎΠ½ΠΎΠΉ Π΄ΡΡΠ³ΠΎΠ³ΠΎ ΠΌΠΎΠ΄ΡΠ»Ρ, ΡΡΡΠ°Π½ΠΎΠ²Π»Π΅Π½Π½ΠΎΠ³ΠΎ Π²ΡΡΠ΅.Π’Π°ΠΊΠΎΠ΅ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΉ Π½Π°Π·ΡΠ²Π°Π΅ΡΡΡ ΠΊΠΎΠ½ΡΠΈΠ³ΡΡΠ°ΡΠΈΠ΅ΠΉ ΠΌΠΎΠ΄ΡΠ»Ρ Cascade ΠΈΠ»ΠΈ Multi-Stage . ΠΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΌΠΎΠ΄ΡΠ»ΠΈ ΠΎΠ±ΡΡΠ½ΠΎ, Π½ΠΎ Π½Π΅ Π²ΡΠ΅Π³Π΄Π°, ΠΈΠΌΠ΅ΡΡ ΡΠΎΡΠΌΡ ΠΏΠΈΡΠ°ΠΌΠΈΠ΄Ρ, ΠΏΠΎΡΡΠΎΠΌΡ Π²Π΅ΡΡ Π½ΠΈΠ΅ ΡΡΡΠΏΠ΅Π½ΠΈ ΡΠΈΠ·ΠΈΡΠ΅ΡΠΊΠΈ ΠΌΠ΅Π½ΡΡΠ΅, ΡΠ΅ΠΌ Π½ΠΈΠΆΠ½ΠΈΠ΅. ΠΠ΄Π½Π°ΠΊΠΎ, Π½Π΅Π·Π°Π²ΠΈΡΠΈΠΌΠΎ ΠΎΡ ΡΠΈΠ·ΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠΎΡΠΌΡ, Π½ΠΈΠΆΠ½ΠΈΠ΅ ΡΡΡΠΏΠ΅Π½ΠΈ Π²ΡΠ΅Π³Π΄Π° Π΄ΠΎΠ»ΠΆΠ½Ρ ΠΎΠ±Π»Π°Π΄Π°ΡΡ Π±ΠΎΠ»ΡΡΠ΅ΠΉ ΡΠ΅ΠΏΠ»ΠΎΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡΡ, ΡΠ΅ΠΌ Π±ΠΎΠ»Π΅Π΅ Π²ΡΡΠΎΠΊΠΈΠ΅ ΡΡΡΠΏΠ΅Π½ΠΈ. Π₯ΠΎΡΡ Π±ΡΠ»ΠΈ ΡΠΎΠ·Π΄Π°Π½Ρ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΊΠΎΠ½ΡΠΈΠ³ΡΡΠ°ΡΠΈΠΈ Π΄ΠΎ ΡΠ΅ΡΡΠΈ ΠΈ ΡΠ΅ΠΌΠΈ ΡΡΡΠΏΠ΅Π½Π΅ΠΉ, Π½Π° ΠΏΡΠ°ΠΊΡΠΈΠΊΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΡΡΡΡΠΎΠΉΡΡΠ²Π° ΠΎΠ±ΡΡΠ½ΠΎ ΠΈΠΌΠ΅ΡΡ ΠΎΡ Π΄Π²ΡΡ Π΄ΠΎ ΡΠ΅ΡΡΡΠ΅Ρ ΡΡΡΠΏΠ΅Π½Π΅ΠΉ.
ΠΡΠ½ΠΎΠ²Π½ΠΎΠΉ ΡΠ°ΠΊΡΠΎΡ, ΠΎΠ³ΡΠ°Π½ΠΈΡΠΈΠ²Π°ΡΡΠΈΠΉ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΉ, ΡΠ²ΡΠ·Π°Π½ Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ½ΠΎ-Π·Π°Π²ΠΈΡΠΈΠΌΡΠΌΠΈ ΡΠ²ΠΎΠΉΡΡΠ²Π°ΠΌΠΈ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΏΠΎΠ»ΡΠΏΡΠΎΠ²ΠΎΠ΄Π½ΠΈΠΊΠΎΠ²ΡΡ ΠΌΠ°ΡΠ΅ΡΠΈΠ°Π»ΠΎΠ². Π Π°Π±ΠΎΡΠΈΠ΅ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠΈ ΡΠΏΠ»Π°Π²ΠΎΠ² ΡΠ΅Π»Π»ΡΡΠΈΠ΄Π° Π²ΠΈΡΠΌΡΡΠ°, ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌΡΡ Π² Π±ΠΎΠ»ΡΡΠΈΠ½ΡΡΠ²Π΅ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΎΡ Π»Π°Π΄ΠΈΡΠ΅Π»Π΅ΠΉ, ΠΎΠ±ΡΡΠ½ΠΎ Π΄ΠΎΡΡΠΈΠ³Π°ΡΡ ΠΌΠ°ΠΊΡΠΈΠΌΡΠΌΠ° ΠΎΠΊΠΎΠ»ΠΎ 70 Β° C, Π° ΠΏΡΠΈ Π±ΠΎΠ»Π΅Π΅ Π½ΠΈΠ·ΠΊΠΈΡ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ°Ρ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ Π·Π°ΠΌΠ΅ΡΠ½ΠΎ ΠΏΠ°Π΄Π°Π΅Ρ. Π‘Π»Π΅Π΄ΠΎΠ²Π°ΡΠ΅Π»ΡΠ½ΠΎ, ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΠΌΠΎΠ΄ΡΠ»ΠΈ Π΄Π΅ΠΌΠΎΠ½ΡΡΡΠΈΡΡΡΡ ΡΠΎΡΡΠΎΡΠ½ΠΈΠ΅ ΡΠ±ΡΠ²Π°ΡΡΠ΅ΠΉ ΠΎΡΠ΄Π°ΡΠΈ, ΠΊΠΎΠ³Π΄Π° ΠΏΠΎ ΠΌΠ΅ΡΠ΅ Π΄ΠΎΠ±Π°Π²Π»Π΅Π½ΠΈΡ ΠΏΠΎΡΠ»Π΅Π΄ΠΎΠ²Π°ΡΠ΅Π»ΡΠ½ΡΡ ΡΡΠ°Π΄ΠΈΠΉ ΡΠ²Π΅Π»ΠΈΡΠ΅Π½ΠΈΠ΅ DT ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ ΠΌΠ΅Π½ΡΡΠ΅.
Π ΠΈΡΡΠ½ΠΎΠΊ (12-1)
ΠΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΡΠΈΠΏΠΈΡΠ½ΠΎΠ³ΠΎ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΠΎΠ³ΠΎ ΠΌΠΎΠ΄ΡΠ»Ρ
12.2 ΠΠΠΠΠΠΠ ΠΠΠΠΠΠ ΠΠΠ‘ΠΠΠΠΠ«Π₯ ΠΠΠΠ£ΠΠΠ: ΠΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΠΈΠ»ΠΈ ΠΌΠ½ΠΎΠ³ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΡ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΎΡ Π»Π°Π΄ΠΈΡΠ΅Π»Π΅ΠΉ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ»ΠΎΠΆΠ½Π΅Π΅, ΡΠ΅ΠΌ Π΄Π»Ρ ΠΎΠ΄Π½ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΡ ΡΡΡΡΠΎΠΉΡΡΠ². Π ΠΌΠ½ΠΎΠ³ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΡ ΠΎΡ Π»Π°Π΄ΠΈΡΠ΅Π»ΡΡ ΠΊΡΠΈΡΠΈΡΠ΅ΡΠΊΠΈ Π²Π°ΠΆΠ½Π° ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° ΠΌΠ΅ΠΆΠ΄Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΡΡΡΠΏΠ΅Π½ΡΡ, ΠΈ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ ΠΌΠΎΠ΄ΡΠ»Ρ Π½Π΅ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½Π° Π΄ΠΎ ΡΠ΅Ρ ΠΏΠΎΡ, ΠΏΠΎΠΊΠ° Π½Π΅ Π±ΡΠ΄Π΅Ρ ΠΈΠ·Π²Π΅ΡΡΠ½ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΏΡΠΎΠΌΠ΅ΠΆΡΡΠΎΡΠ½ΠΎΠΉ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ. Π Π΄Π²ΡΡ ΡΡΡΠΏΠ΅Π½ΡΠ°ΡΠΎΠΌ ΠΎΡ Π»Π°Π΄ΠΈΡΠ΅Π»Π΅ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΡΡ ΡΠΎΠ»ΡΠΊΠΎ ΠΎΠ΄Π½Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ ΠΌΠ΅ΠΆΠ΄Ρ ΡΡΡΠΏΠ΅Π½ΡΠΌΠΈ, Π½ΠΎ ΠΏΠΎ ΠΌΠ΅ΡΠ΅ Π΄ΠΎΠ±Π°Π²Π»Π΅Π½ΠΈΡ ΡΡΡΠΏΠ΅Π½Π΅ΠΉ ΡΠ΅ΡΠΌΠΈΡΠ΅ΡΠΊΠΈΠΉ Π°Π½Π°Π»ΠΈΠ· ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ Π²ΡΠ΅ Π±ΠΎΠ»Π΅Π΅ ΡΠ»ΠΎΠΆΠ½ΡΠΌ. Π Π°ΡΡΠ΅Ρ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠ½ΠΎΠ³ΠΎΡΡΡΠΏΠ΅Π½ΡΠ°ΡΠΎΠ³ΠΎ ΠΌΠΎΠ΄ΡΠ»Ρ Π²ΡΡΡΠ½ΡΡ ΡΡΠ΅Π·Π²ΡΡΠ°ΠΉΠ½ΠΎ ΡΡΡΠ΄ΠΎΠ΅ΠΌΠΎΠΊ, ΠΎΠ΄Π½Π°ΠΊΠΎ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΊΠΎΠΌΠΏΡΡΡΠ΅ΡΠ° Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΡΠ΅ ΡΠ°ΡΡΠ΅ΡΡ ΠΌΠΎΠΆΠ½ΠΎ Π²ΡΠΏΠΎΠ»Π½ΠΈΡΡ Ρ Π½Π΅Π±ΠΎΠ»ΡΡΠΈΠΌΠΈ ΡΡΠΈΠ»ΠΈΡΠΌΠΈ.
ΠΠ°ΠΈΠ±ΠΎΠ»Π΅Π΅ ΡΠ°ΡΠΏΡΠΎΡΡΡΠ°Π½Π΅Π½Π½ΡΠΉ ΠΌΠ΅ΡΠΎΠ΄ ΠΊΠΎΠΌΠΏΡΡΡΠ΅ΡΠ½ΠΎΠ³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΉ Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π² ΡΠ΅Π±Ρ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠ΅ ΡΠ΅ΡΠΈΠΈ ΠΈΡΠ΅ΡΠ°ΡΠΈΠΎΠ½Π½ΡΡ ΡΠ°ΡΡΠ΅ΡΠΎΠ² ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ, Π½Π°ΡΠΈΠ½Π°Ρ Ρ ΠΏΡΠ΅Π΄ΠΏΠΎΠ»Π°Π³Π°Π΅ΠΌΡΡ Π·Π½Π°ΡΠ΅Π½ΠΈΠΉ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ ΠΌΠ΅ΠΆΠ΄Ρ ΡΡΡΠΏΠ΅Π½ΡΠΌΠΈ. ΠΡΠΏΠΎΠ»ΡΠ·ΡΡ ΡΡΠΎΡ ΠΌΠ΅ΡΠΎΠ΄, ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ ΠΏΠΎΠ²ΡΠΎΡΠ½ΠΎ ΡΠ°ΡΡΡΠΈΡΡΠ²Π°Π΅ΡΡΡ Π΄ΠΎ ΡΠ΅Ρ ΠΏΠΎΡ, ΠΏΠΎΠΊΠ° ΡΠ°Π·Π½ΠΈΡΠ° ΠΌΠ΅ΠΆΠ΄Ρ ΠΏΠΎΡΠ»Π΅Π΄ΠΎΠ²Π°ΡΠ΅Π»ΡΠ½ΡΠΌΠΈ ΡΠ°ΡΡΠ΅ΡΠ°ΠΌΠΈ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ ΠΌΠ΅ΠΆΠ΄Ρ ΡΡΡΠΏΠ΅Π½ΡΠΌΠΈ Π½Π΅ ΡΡΠ°Π½Π΅Ρ ΠΎΡΠ΅Π½Ρ ΠΌΠ°Π»Π΅Π½ΡΠΊΠΎΠΉ (ΠΎΠ±ΡΡΠ½ΠΎ 0,1 Β° C ΠΈΠ»ΠΈ ΠΌΠ΅Π½ΡΡΠ΅). ΠΠΎ Π΄ΠΎΡΡΠΈΠΆΠ΅Π½ΠΈΠΈ ΡΡΠΎΠΉ ΡΠΎΡΠΊΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΈΠ· ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΡΡΠΈΡ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄ΡΠ»Ρ. ΠΠ±ΡΠ°ΡΠΈΡΠ΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΠ΅, ΡΡΠΎ Π·Π°Π²ΠΈΡΡΡΠΈΠ΅ ΠΎΡ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ Π·Π½Π°ΡΠ΅Π½ΠΈΡ SM, RM ΠΈ KM Π΄ΠΎΠ»ΠΆΠ½Ρ Π±ΡΡΡ ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½Ρ, ΠΊΠ°ΠΊ ΠΎΠΏΠΈΡΠ°Π½ΠΎ Π² ΠΏΠ°ΡΠ°Π³ΡΠ°ΡΠ΅ 11.2.4, ΡΡΠΎΠ±Ρ ΠΎΡΡΠ°Π·ΠΈΡΡ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ ΠΏΠ°Ρ Π½Π° ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ Π²ΠΌΠ΅ΡΡΠ΅ Ρ ΠΈΡ ΠΎΠΏΡΠΈΠΌΠ°Π»ΡΠ½ΡΠΌΠΈ ΡΠΎΠΊΠ°ΠΌΠΈ Π’Π-ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ². Π ΡΠ»Π΅Π΄ΡΡΡΠΈΡ ΠΏΠ°ΡΠ°Π³ΡΠ°ΡΠ°Ρ ΠΎΠΏΠΈΡΠ°Π½Ρ ΡΠ°ΡΡΠ΅ΡΡ, Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΡΠ΅ Π΄Π»Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄Π²ΡΡ - ΠΈ ΡΡΠ΅Ρ ΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΡ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΡ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΉ. ΠΠΎΠ΄ΡΠ»ΠΈ Ρ ΡΠ΅ΡΡΡΡΠΌΡ ΠΈ Π±ΠΎΠ»Π΅Π΅ ΡΡΡΠΏΠ΅Π½ΡΠΌΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΡΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°ΡΡ Π°Π½Π°Π»ΠΎΠ³ΠΈΡΠ½ΡΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ, ΡΠ°ΡΡΠΈΡΠΈΠ² ΡΡΠ΅Ρ ΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΠ΅ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ, ΡΡΠΎΠ±Ρ Π²ΠΊΠ»ΡΡΠΈΡΡ ΡΠ΅ΡΠΌΠΈΠ½Ρ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ. Π Π°ΡΡΠ΅ΡΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² ΡΠ»Π΅Π΄ΡΠ΅Ρ Π²ΡΠΏΠΎΠ»Π½ΡΡΡ Π² ΡΠΊΠ°Π·Π°Π½Π½ΠΎΠΌ ΠΏΠΎΡΡΠ΄ΠΊΠ΅.
12.2.1 Π ΠΠ‘Π§ΠΠ’Π« ΠΠΠ£Π₯Π‘Π’Π£ΠΠΠΠ§ΠΠ’Π«Π₯ ΠΠΠΠ£ΠΠΠ: Π’ΠΈΠΏΠΈΡΠ½ΡΠΉ Π΄Π²ΡΡ ΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΠΉ ΡΠ΅ΡΠΌΠΎΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠΈΠΉ ΠΌΠΎΠ΄ΡΠ»Ρ ΠΏΠΎΠΊΠ°Π·Π°Π½ Π½Π° Π ΠΈΡΡΠ½ΠΊΠ΅ (12-2).Π ΡΠ°ΡΡΠ΅ΡΠ°Ρ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄ΡΠ»Ρ Π±ΡΠ΄ΡΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡΡΡ ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ Π½ΠΎΠ²ΡΠ΅ ΡΠ΅ΡΠΌΠΈΠ½Ρ:
TM12 = ΠΌΠ΅ΠΆΠΊΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° ΠΌΠ΅ΠΆΠ΄Ρ ΡΡΡΠΏΠ΅Π½ΡΠΌΠΈ 1 ΠΈ 2 Π² Β° K
SM1 = ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½Ρ ΠΠ΅Π΅Π±Π΅ΠΊΠ° 1 ΡΡΡΠΏΠ΅Π½ΠΈ Π² Π²ΠΎΠ»ΡΡΠ°Ρ
/ Β° K
SM2 = ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½Ρ ΠΠ΅Π΅Π±Π΅ΠΊΠ° 2 ΡΡΡΠΏΠ΅Π½ΠΈ Π² Π²ΠΎΠ»ΡΡΠ°Ρ
/ Β° K
RM1 = ΡΠΎΠΏΡΠΎΡΠΈΠ²Π»Π΅Π½ΠΈΠ΅ 1-ΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ Π² ΠΠΌ
RM2 = ΡΠΎΠΏΡΠΎΡΠΈΠ²Π»Π΅Π½ΠΈΠ΅ 2-ΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ Π² ΠΠΌ
KM1 = ΡΠ΅ΠΏΠ»ΠΎΠΏΡΠΎΠ²ΠΎΠ΄Π½ΠΎΡΡΡ 1-ΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ Π² Π²Π°ΡΡΠ°Ρ
/ Β° K
KM2 = ΡΠ΅ΠΏΠ»ΠΎΠ²Π°Ρ ΠΏΡΠΎΠ²ΠΎΠ΄ΠΈΠΌΠΎΡΡΡ 2-ΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ Π² Π²Π°ΡΡΠ°Ρ
/ Β° K
Π ΠΈΡΡΠ½ΠΎΠΊ (12-2) a) ΠΠ΅ΠΆΠΊΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° (TM12) Π² Β° K ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
(0.5 x I 2 ) x (R M2 + R M1 ) + (K M1 x T h ) + (K M2 x T c ) | |
T M12 = |
b) Π’Π΅ΠΏΠ»ΠΎΠ²Π°Ρ Π½Π°ΠΊΠ°ΡΠΊΠ° (Qc) ΠΌΠΎΠ΄ΡΠ»Π΅ΠΌ Π² Π²Π°ΡΡΠ°Ρ ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
Q c = (S M2 x T c x I) — (0.5 x I 2 x R M2 ) — (K M2 x (T M12 -T c ))
c) ΠΡ ΠΎΠ΄Π½ΠΎΠ΅ Π½Π°ΠΏΡΡΠΆΠ΅Π½ΠΈΠ΅ (Vin) ΠΌΠΎΠ΄ΡΠ»Ρ Π² Π²ΠΎΠ»ΡΡΠ°Ρ ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
Vin = (S M2 x (T M12 -T c ) + (I x R M2 ) + (S M1 x (T h — T M12 )) + ( I x R M1 )
d) ΠΡ ΠΎΠ΄Π½Π°Ρ ΡΠ»Π΅ΠΊΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΠΌΠΎΡΠ½ΠΎΡΡΡ (Π²ΡΠ²ΠΎΠ΄) ΠΌΠΎΠ΄ΡΠ»Ρ Π² Π²Π°ΡΡΠ°Ρ ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
ΠΠΎΠ½ΡΠ°ΠΊΡ = Vin x I
e) Π’Π΅ΠΏΠ»ΠΎ, ΠΎΡΠ±ΡΠ°ΡΡΠ²Π°Π΅ΠΌΠΎΠ΅ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΌ (Qh) Π² Π²Π°ΡΡΠ°Ρ , ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
Q Ρ = (S M1 x T h x I) + (0.5 x I 2 x R M1 ) — (K M1 x (T h — T M12 )
ΠΈΠ»ΠΈ
Q h = Q c — P Π΄ΡΠΉΠΌ
Π΅) ΠΠΠ Ρ
ΠΎΠ»ΠΎΠ΄ΠΈΠ»ΡΠ½ΠΈΠΊΠ°:
.
COP = Q c / P Π²
12.2.2 Π ΠΠ‘Π§ΠΠ’Π« Π’Π ΠΠ₯Π‘Π’Π£ΠΠΠΠ§ΠΠ’ΠΠΠ ΠΠΠΠ£ΠΠ―: Π’ΠΈΠΏΠΈΡΠ½ΡΠΉ ΡΡΠ΅Ρ ΡΡΡΠΏΠ΅Π½ΡΠ°ΡΡΠΉ ΠΌΠΎΠ΄ΡΠ»Ρ ΠΏΠΎΠΊΠ°Π·Π°Π½ Π½Π° Π ΠΈΡΡΠ½ΠΊΠ΅ (12-3). Π ΡΠ°ΡΡΠ΅ΡΠ°Ρ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄ΡΠ»Ρ Π±ΡΠ΄ΡΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡΡΡ ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ Π½ΠΎΠ²ΡΠ΅ ΡΠ΅ΡΠΌΠΈΠ½Ρ:
TM23 = ΠΌΠ΅ΠΆΠΊΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° ΠΌΠ΅ΠΆΠ΄Ρ ΡΡΡΠΏΠ΅Π½ΡΠΌΠΈ 2 ΠΈ 3 Π² Β° K
SM3 = ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½Ρ ΠΠ΅Π΅Π±Π΅ΠΊΠ° 3 ΡΡΡΠΏΠ΅Π½ΠΈ Π² Π²ΠΎΠ»ΡΡΠ°Ρ
/ Β° K
RM3 = ΡΠΎΠΏΡΠΎΡΠΈΠ²Π»Π΅Π½ΠΈΠ΅ 3 ΡΡΡΠΏΠ΅Π½ΠΈ Π² ΠΎΠΌΠ°Ρ
KM3 = ΡΠ΅ΠΏΠ»ΠΎΠΏΡΠΎΠ²ΠΎΠ΄Π½ΠΎΡΡΡ 3-ΠΉ ΡΡΡΠΏΠ΅Π½ΠΈ Π² Π²Π°ΡΡΠ°Ρ
/ Β° K
Π ΠΈΡΡΠ½ΠΎΠΊ (12-3) a) ΠΠΈΠΆΠ½ΡΡ ΠΌΠ΅ΠΆΠΊΠ°ΡΠΊΠ°Π΄Π½Π°Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° (TM12) Π² Β° K ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
(0.5 x I 2 x (R M1 + R M2 )) + (K M1 x T h ) + (K M2 x T M23 ) | |
T M12 = |
b) ΠΠ΅ΡΡ Π½ΡΡ ΠΏΡΠΎΠΌΠ΅ΠΆΡΡΠΎΡΠ½Π°Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΠ° (TM23) Π² Β° K ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
(0.5 x I 2 x (R M2 + R M3 )) + (K M2 x T M12 ) + (K M3 x T c ) | |
T M23 = |
c) Π’Π΅ΠΏΠ»ΠΎΠ²Π°Ρ Π½Π°ΡΠΎΡΠ½Π°Ρ ΠΌΠΎΡΠ½ΠΎΡΡΡ ΠΌΠΎΠ΄ΡΠ»Ρ (Qc) Π² Π²Π°ΡΡΠ°Ρ ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
Q c = (S M3 x T c x I) — (0.5 x I 2 x R M3 ) — (K M3 x (T M23 — T c ))
d) ΠΡ ΠΎΠ΄Π½ΠΎΠ΅ Π½Π°ΠΏΡΡΠΆΠ΅Π½ΠΈΠ΅ (Vin) ΠΌΠΎΠ΄ΡΠ»Ρ Π² Π²ΠΎΠ»ΡΡΠ°Ρ ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ:
V Π΄ΡΠΉΠΌ = (S M1 x (T h — T M12 )) + (I x R M1 ) + (S M2 x (T M12 — T M23 ) )) +
(I x R M2 ) + (S M3 x (T M23 — T c )) + (I x R M3 )
e) ΠΡ ΠΎΠ΄Π½Π°Ρ ΠΌΠΎΡΠ½ΠΎΡΡΡ (Π²ΡΠ²ΠΎΠ΄) ΠΌΠΎΠ΄ΡΠ»Ρ Π² Π²Π°ΡΡΠ°Ρ ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ: P Π² = V Π² x I
f) Π’Π΅ΠΏΠ»ΠΎ, ΠΎΡΠΊΠ»ΠΎΠ½ΡΠ΅ΠΌΠΎΠ΅ ΠΌΠΎΠ΄ΡΠ»Π΅ΠΌ (Qh) Π² Π²Π°ΡΡΠ°Ρ , ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ: Q h = Q c + P Π²
Π³) ΠΠΎΡΡΡΠΈΡΠΈΠ΅Π½Ρ ΠΏΠΎΠ»Π΅Π·Π½ΠΎΠ³ΠΎ Π΄Π΅ΠΉΡΡΠ²ΠΈΡ (COP) Π΄Π»Ρ Ρ ΠΎΠ»ΠΎΠ΄ΠΈΠ»ΡΠ½ΠΈΠΊΠ° ΡΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ: COP = Q c / P Π²
ΠΠ°ΠΊ ΡΠΏΡΠ°Π²Π»ΡΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΠΌΠΈ ΠΎΡΠΊΡΡΡΡΠΌΠΈ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΠ°ΠΌΠΈ Microsoft Π½Π° ΡΠ°Π±ΠΎΡΠ΅ΠΌ ΡΡΠΎΠ»Π΅ | Small Business
ΠΠΎΠ³Π΄Π° Π²Ρ ΡΠ°Π±ΠΎΡΠ°Π΅ΡΠ΅ Ρ Π΄ΠΎΠΊΡΠΌΠ΅Π½ΡΠ°ΠΌΠΈ, ΡΠ°Π±Π»ΠΈΡΠ°ΠΌΠΈ ΠΈ ΠΏΡΠ΅Π·Π΅Π½ΡΠ°ΡΠΈΡΠΌΠΈ Microsoft, ΠΏΡΠΈΠΌΠ΅Π½ΡΠΉΡΠ΅ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΡ ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ, ΡΡΠΎΠ±Ρ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠΈΡΡ ΡΡΠΈ ΠΎΡΠΊΡΡΡΡΠ΅ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΡ ΠΈΠ»ΠΈ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ Π½Π° ΡΠ°Π±ΠΎΡΠ΅ΠΌ ΡΡΠΎΠ»Π΅ ΠΈ ΠΏΠΎΠ²ΡΡΠΈΡΡ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΠΎΡΡΡ Π²Π°ΡΠ΅Π³ΠΎ ΠΌΠ°Π»ΠΎΠ³ΠΎ Π±ΠΈΠ·Π½Π΅ΡΠ°.ΠΠ°ΡΠ°ΠΌΠ΅ΡΡΡ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΡ ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ Π²ΠΊΠ»ΡΡΠ°ΡΡ ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΠΉ ΠΈΠ»ΠΈ ΠΌΠΎΠ·Π°ΠΈΡΠ½ΡΠΉ ΡΡΡΠ΅ΠΊΡ, ΠΏΠ°ΡΠ°Π»Π»Π΅Π»ΡΠ½ΡΠΉ ΠΌΠ°ΠΊΠ΅Ρ ΠΈ ΠΌΠ½ΠΎΠ³ΠΎΡΠ»ΠΎΠΉΠ½ΡΠΉ ΠΌΠ°ΠΊΠ΅Ρ. ΠΠ°ΠΆΠ΄ΡΠΉ ΠΌΠ°ΠΊΠ΅Ρ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°Π΅Ρ Π·Π½Π°ΡΠΎΠΊ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ, ΠΈΠΌΡ ΡΠ°ΠΉΠ»Π° ΠΈ ΠΈΠΌΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ Π² Π²Π΅ΡΡ Π½Π΅ΠΉ ΡΠ°ΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΠΎΠΊΠ½Π° Π΄Π»Ρ Π±ΡΡΡΡΠΎΠΉ Π½Π°Π²ΠΈΠ³Π°ΡΠΈΠΈ ΠΈ Π΄ΠΎΡΡΡΠΏΠ°. ΠΡ ΡΠ°ΠΊΠΆΠ΅ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΏΡΠΈΠΌΠ΅Π½ΠΈΡΡ ΡΠΎΡΠ΅ΡΠ°Π½ΠΈΠ΅ ΠΊΠ»Π°Π²ΠΈΡ, ΠΊΠΎΠ³Π΄Π° Ρ Π²Π°Ρ Π΅ΡΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΠΎΡΠΊΡΡΡΡΡ ΠΎΠΊΠΎΠ½, Π΄Π»Ρ ΡΠΈΠΊΠ»ΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄Π° ΠΈ Π²ΡΠ±ΠΎΡΠ° ΡΡΠΊΠΈΠ·ΠΎΠ² ΠΎΠΊΠΎΠ½, ΡΡΠΎΠ±Ρ ΡΠ²Π΅Π»ΠΈΡΠΈΡΡ ΠΈΡ , ΡΡΠΎΠ±Ρ Π²Ρ ΠΌΠΎΠ³Π»ΠΈ ΡΠ°Π±ΠΎΡΠ°ΡΡ Ρ ΡΠ°ΠΉΠ»Π°ΠΌΠΈ.
ΠΠ°ΡΠΊΠ°Π΄ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ Windows
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΏΡΠ°Π²ΠΎΠΉ ΠΊΠ½ΠΎΠΏΠΊΠΎΠΉ ΠΌΡΡΠΈ ΠΏΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°Ρ, ΡΡΠΎΠ±Ρ ΠΎΡΠΊΡΡΡΡ ΠΌΠ΅Π½Ρ.
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ Β«Cascade WindowsΒ», ΡΡΠΎΠ±Ρ ΡΠΌΠ΅Π½ΡΡΠΈΡΡ ΡΠ°Π·ΠΌΠ΅Ρ ΠΎΠΊΠΎΠ½ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ ΠΈ ΠΏΠ΅ΡΠ΅ΠΊΡΡΡΡ ΠΈΡ , ΠΊΠ°ΠΊ ΠΏΠ»ΠΈΡΠΊΠΈ. ΠΠ½Π°ΡΠΊΠΈ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ, ΡΠ°ΠΊΠΈΠ΅ ΠΊΠ°ΠΊ ΡΠΈΠ½Π΅-Π±Π΅Π»Π°Ρ Π±ΡΠΊΠ²Π° Β«WΒ» Π΄Π»Ρ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ Word, Π±ΡΠ΄ΡΡ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°ΡΡΡΡ Π² Π²Π΅ΡΡ Π½Π΅ΠΌ Π»Π΅Π²ΠΎΠΌ ΡΠ³Π»Ρ. ΠΠΌΡ ΡΠ°ΠΉΠ»Π° ΠΈ ΠΈΠΌΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΡΠ°ΠΊΠΆΠ΅ Π±ΡΠ΄ΡΡ ΡΠ°ΡΠΏΠΎΠ»Π°Π³Π°ΡΡΡΡ ΠΏΠΎ ΡΠ΅Π½ΡΡΡ Π²Π²Π΅ΡΡ Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΠΎΠΊΠ½Π°. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, Β«Expenses.xlsx — ExcelΒ» ΠΈΠ΄Π΅Π½ΡΠΈΡΠΈΡΠΈΡΡΠ΅Ρ Π²Π°Ρ ΡΠΎΡ ΡΠ°Π½Π΅Π½Π½ΡΠΉ ΡΠ°ΠΉΠ» ΠΈ Π΅Π³ΠΎ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Office.
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΎΠΊΠ½ΠΎ, Π½Π°Π΄ ΠΊΠΎΡΠΎΡΡΠΌ Ρ ΠΎΡΠΈΡΠ΅ ΡΠ°Π±ΠΎΡΠ°ΡΡ, ΡΡΠΎΠ±Ρ Π²ΡΠ²Π΅ΡΡΠΈ Π΅Π³ΠΎ Π½Π° ΠΏΠ΅ΡΠ΅Π΄Π½ΠΈΠΉ ΠΏΠ»Π°Π½. Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠ½ΠΈΡΠ΅ΡΡ ΠΊΠ½ΠΎΠΏΠΊΠΈ Β«Π Π°Π·Π²Π΅ΡΠ½ΡΡΡΒ» Π² ΠΎΠΊΠ½Π΅, ΡΡΠΎΠ±Ρ ΠΏΡΠΎΡΠΌΠΎΡΡΠ΅ΡΡ ΠΈ ΠΏΠΎΠ»ΡΡΠΈΡΡ Π΄ΠΎΡΡΡΠΏ ΠΊ Π΅Π³ΠΎ ΡΠΎΠ΄Π΅ΡΠΆΠΈΠΌΠΎΠΌΡ.
Π Π°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΎΠΊΠΎΠ½ Π±ΠΎΠΊ ΠΎ Π±ΠΎΠΊ
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ Β«ΠΠΎΠΊΠ°Π·Π°ΡΡ ΠΎΠΊΠ½Π° Π±ΠΎΠΊ ΠΎ Π±ΠΎΠΊΒ». ΠΠ°ΠΆΠ΄ΠΎΠ΅ ΠΎΠΊΠ½ΠΎ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΡΠΌΠ΅Π½ΡΡΠ°Π΅ΡΡΡ Π² ΡΠ°Π·ΠΌΠ΅ΡΠ΅ ΠΈ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°Π΅ΡΡΡ Π² ΡΡΡΠΎΠΊΠ΅ ΠΈΠ»ΠΈ ΡΡΠΎΠ»Π±ΡΠ΅ ΡΠ³ΡΡΠΏΠΏΠΈΡΠΎΠ²Π°Π½Π½ΡΡ ΡΡΡΠΎΠΊ.
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΎΠΊΠ½ΠΎ, ΠΊΠΎΡΠΎΡΠΎΠ΅ Π½ΡΠΆΠ½ΠΎ ΡΠ²Π΅Π»ΠΈΡΠΈΡΡ, ΠΈ Π½Π°ΠΆΠΌΠΈΡΠ΅ ΠΊΠ½ΠΎΠΏΠΊΡ Β«Π Π°Π·Π²Π΅ΡΠ½ΡΡΡΒ». ΠΡΡΠ°Π»ΡΠ½ΡΠ΅ ΠΎΠΊΠ½Π° Π±ΡΠ΄ΡΡ ΡΠΊΡΡΡΡ ΠΎΡ ΠΏΡΠΎΡΠΌΠΎΡΡΠ°. Π§ΡΠΎΠ±Ρ Π²Π΅ΡΠ½ΡΡΡΡΡ ΠΊ ΠΏΠ°ΡΠ°Π»Π»Π΅Π»ΡΠ½ΠΎΠΌΡ ΡΠΎΡΠΌΠ°ΡΡ ΠΈ ΠΏΡΠΎΡΠΌΠΎΡΡΠ΅ΡΡ Π΄ΡΡΠ³ΠΈΠ΅ ΠΎΠΊΠ½Π° ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΡ, ΡΠ΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠ½ΠΈΡΠ΅ΡΡ ΠΊΠ½ΠΎΠΏΠΊΠΈ Β«ΠΠΎΡΡΡΠ°Π½ΠΎΠ²ΠΈΡΡ Π²Π½ΠΈΠ·Β» Π² ΠΏΡΠ°Π²ΠΎΠΌ Π²Π΅ΡΡ Π½Π΅ΠΌ ΡΠ³Π»Ρ.
ΠΠ°ΠΊΠ΅Ρ Ρ Π½Π°ΠΊΠΎΠΏΠ»Π΅Π½ΠΈΠ΅ΠΌ
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ Β«ΠΠΎΠΊΠ°Π·Π°ΡΡ ΠΎΠΊΠ½Π° Ρ Π½Π°ΠΊΠΎΠΏΠ»Π΅Π½ΠΈΠ΅ΠΌΒ», ΡΡΠΎΠ±Ρ ΠΏΡΠΎΡΠΌΠΎΡΡΠ΅ΡΡ Π²ΡΠ΅ ΠΎΠΊΠ½Π° Π² ΡΠΌΠ΅Π½ΡΡΠ΅Π½Π½ΠΎΠΌ ΡΠ°Π·ΠΌΠ΅ΡΠ΅.ΠΡΠ»ΠΈ ΠΎΡΠΊΡΡΡΠΎ Π΄Π²Π° ΠΈΠ»ΠΈ ΡΡΠΈ ΠΎΠΊΠ½Π°, ΡΡΠΈ ΠΎΠΊΠ½Π° Π±ΡΠ΄ΡΡ ΡΠ°ΡΠΏΠΎΠ»ΠΎΠΆΠ΅Π½Ρ ΠΎΠ΄Π½ΠΎ Π½Π°Π΄ Π΄ΡΡΠ³ΠΈΠΌ. ΠΡΠ»ΠΈ ΠΎΡΠΊΡΡΡΠΎ ΡΠ΅ΡΡΡΠ΅ ΠΈΠ»ΠΈ Π±ΠΎΠ»Π΅Π΅ ΠΎΠΊΠΎΠ½, Π΄Π²Π° ΠΈΠ»ΠΈ Π±ΠΎΠ»Π΅Π΅ ΠΎΠΊΠΎΠ½ Π±ΡΠ΄ΡΡ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°ΡΡΡΡ ΡΡΠ΄ΠΎΠΌ.
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅, ΡΡΠΎΠ±Ρ Π²ΡΠ±ΡΠ°ΡΡ ΠΎΠΊΠ½ΠΎ, Π½Π°Π΄ ΠΊΠΎΡΠΎΡΡΠΌ Ρ ΠΎΡΠΈΡΠ΅ ΡΠ°Π±ΠΎΡΠ°ΡΡ, Π° Π·Π°ΡΠ΅ΠΌ ΡΠ΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΊΠ½ΠΎΠΏΠΊΡ Β«Π Π°Π·Π²Π΅ΡΠ½ΡΡΡΒ». ΠΡΡΠ°Π»ΡΠ½ΡΠ΅ ΠΎΠΊΠ½Π° ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΡ Π±ΡΠ΄ΡΡ ΡΠΊΡΡΡΡ ΠΎΡ ΠΏΡΠΎΡΠΌΠΎΡΡΠ°. ΠΠ°ΠΆΠΌΠΈΡΠ΅ ΠΊΠ½ΠΎΠΏΠΊΡ Β«ΠΠΎΡΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΒ», ΡΡΠΎΠ±Ρ ΡΠ²Π΅ΡΠ½ΡΡΡ ΠΎΠΊΠ½ΠΎ ΠΈ Π²Π΅ΡΠ½ΡΡΡΡΡ ΠΊ ΠΏΡΠΎΡΠΌΠΎΡΡΡ ΡΠ³ΡΡΠΏΠΏΠΈΡΠΎΠ²Π°Π½Π½ΡΡ ΠΎΠΊΠΎΠ½.
Π¦ΠΈΠΊΠ» ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌ
ΠΠ°ΠΆΠΌΠΈΡΠ΅ ΠΈ ΡΠ΄Π΅ΡΠΆΠΈΠ²Π°ΠΉΡΠ΅ ΠΊΠ»Π°Π²ΠΈΡΠΈ Β«Ctrl-AltΒ», Π° Π·Π°ΡΠ΅ΠΌ Π½Π°ΠΆΠΌΠΈΡΠ΅ ΠΊΠ»Π°Π²ΠΈΡΡ Β«TabΒ», ΡΡΠΎΠ±Ρ ΠΏΡΠΎΡΠΌΠΎΡΡΠ΅ΡΡ ΡΡΠΊΠΈΠ·Ρ Π²ΡΠ΅Ρ ΠΎΡΠΊΡΡΡΡΡ ΠΎΠΊΠΎΠ½ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ.ΠΠΈΠ½ΠΈΠ°ΡΡΡΡ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°ΡΡΡΡ Π² ΡΡΠ΄ Π² ΡΠΈΠ½Π΅ΠΌ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½ΠΈΠΊΠ΅. ΠΠ΅Π»Π°Ρ ΡΠ°ΠΌΠΊΠ° ΠΎΠ±Π²Π΅Π΄Π΅Ρ ΡΡΠΊΠΈΠ· ΡΠ΅ΠΊΡΡΠ΅Π³ΠΎ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ Π² ΠΏΠΎΠ»Π΅ Π·ΡΠ΅Π½ΠΈΡ. ΠΠΌΡ ΡΠ°ΠΉΠ»Π° ΠΈ Π½Π°Π·Π²Π°Π½ΠΈΠ΅ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΏΠΎΡΠ²ΡΡΡΡ Π½Π°Π΄ ΡΡΡΠΎΠΊΠΎΠΉ ΡΡΠΊΠΈΠ·ΠΎΠ².
ΠΠ°ΠΆΠΌΠΈΡΠ΅ ΠΈ ΠΎΡΠΏΡΡΡΠΈΡΠ΅ ΠΊΠ»Π°Π²ΠΈΡΡ Β«TabΒ», ΠΏΡΠΎΠ΄ΠΎΠ»ΠΆΠ°Ρ ΡΠ΄Π΅ΡΠΆΠΈΠ²Π°ΡΡ ΠΊΠ»Π°Π²ΠΈΡΠΈ Β«Ctrl-AltΒ», ΡΡΠΎΠ±Ρ ΡΠΈΠΊΠ»ΠΈΡΠ΅ΡΠΊΠΈ ΠΏΠ΅ΡΠ΅ΠΌΠ΅ΡΠ°ΡΡΡΡ ΠΏΠΎ ΡΡΠΊΠΈΠ·Π°ΠΌ ΠΈ ΠΎΠΊΠ½Π°ΠΌ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ.
Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΡΡΠΊΠΈΠ· ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡ, ΡΡΠΎΠ±Ρ Π²ΡΠ²Π΅ΡΡΠΈ ΡΡΠΎ ΠΎΠΊΠ½ΠΎ ΡΠ°ΠΉΠ»Π° Π½Π° ΠΏΠ΅ΡΠ΅Π΄Π½ΠΈΠΉ ΠΏΠ»Π°Π½. ΠΠ°ΠΆΠΌΠΈΡΠ΅ ΠΊΠ½ΠΎΠΏΠΊΡ Β«Π Π°Π·Π²Π΅ΡΠ½ΡΡΡΒ», ΡΡΠΎΠ±Ρ ΡΠ²Π΅Π»ΠΈΡΠΈΡΡ ΠΎΠΊΠ½ΠΎ ΠΈ ΡΠ°Π±ΠΎΡΠ°ΡΡ Ρ ΡΠ°ΠΉΠ»ΠΎΠΌ.
Π‘ΡΡΠ»ΠΊΠΈ
Π Π΅ΡΡΡΡΡ
Π‘ΠΎΠ²Π΅ΡΡ
- Π§ΡΠΎΠ±Ρ ΠΎΡΠΎΠ±ΡΠ°Π·ΠΈΡΡ ΡΠ°Π±ΠΎΡΠΈΠΉ ΡΡΠΎΠ», ΡΠ΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΏΡΠ°Π²ΠΎΠΉ ΠΊΠ½ΠΎΠΏΠΊΠΎΠΉ ΠΌΡΡΠΈ ΠΏΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°Ρ ΠΈ Π²ΡΠ±Π΅ΡΠΈΡΠ΅ Β«ΠΠΎΠΊΠ°Π·Π°ΡΡ ΡΠ°Π±ΠΎΡΠΈΠΉ ΡΡΠΎΠ»Β». ΠΠΊΠ½Π° ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π±ΡΠ΄ΡΡ ΡΠ²Π΅ΡΠ½ΡΡΡ. Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ Π·Π½Π°ΡΠΎΠΊ Π½Π° ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°Ρ, ΡΡΠΎΠ±Ρ ΠΎΡΠΊΡΡΡΡ ΠΎΠΊΠ½ΠΎ.
- ΠΡΠ»ΠΈ ΠΏΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°Ρ Π½Π΅ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°Π΅ΡΡΡ, Π½Π°ΠΆΠΌΠΈΡΠ΅ ΠΊΠ»Π°Π²ΠΈΡΡ Β«WindowsΒ» ΠΈ Π²Π²Π΅Π΄ΠΈΡΠ΅ Β«ΠΠ°Π½Π΅Π»Ρ ΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡΒ». Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠ½ΠΈΡΠ΅ΡΡ Β«ΠΠ°Π½Π΅Π»Ρ ΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡΒ» Π² ΡΠΏΠΈΡΠΊΠ΅ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ. Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ ΠΈΠ»ΠΈ ΠΊΠΎΡΠ½ΠΈΡΠ΅ΡΡ Β«ΠΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°ΡΒ», ΡΡΠΎΠ±Ρ ΠΎΡΠΊΡΡΡΡ Π΄ΠΈΠ°Π»ΠΎΠ³ΠΎΠ²ΠΎΠ΅ ΠΎΠΊΠ½ΠΎ Β«Π‘Π²ΠΎΠΉΡΡΠ²Π° ΠΏΠ°Π½Π΅Π»ΠΈ Π·Π°Π΄Π°ΡΒ». Π©Π΅Π»ΠΊΠ½ΠΈΡΠ΅ Π²ΠΊΠ»Π°Π΄ΠΊΡ Β«ΠΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°ΡΒ» ΠΈ ΡΠ½ΠΈΠΌΠΈΡΠ΅ ΡΠ»Π°ΠΆΠΎΠΊ Β«Π‘ΠΊΡΡΠ²Π°ΡΡ ΠΏΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°Ρ Π°Π²ΡΠΎΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΈΒ».ΠΠ°ΠΆΠΌΠΈΡΠ΅ Β«ΠΡΠΈΠΌΠ΅Π½ΠΈΡΡΒ», Π·Π°ΡΠ΅ΠΌ Π½Π°ΠΆΠΌΠΈΡΠ΅ Β«ΠΠΒ», ΡΡΠΎΠ±Ρ Π²ΠΎΡΡΡΠ°Π½ΠΎΠ²ΠΈΡΡ ΠΏΠ°Π½Π΅Π»Ρ Π·Π°Π΄Π°Ρ.
ΠΡΠ΅Π΄ΡΠΏΡΠ΅ΠΆΠ΄Π΅Π½ΠΈΡ
- ΠΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡ Π² ΡΡΠΎΠΉ ΡΡΠ°ΡΡΠ΅ ΠΎΡΠ½ΠΎΡΠΈΡΡΡ ΠΊ Windows 8 Pro. ΠΠ½ ΠΌΠΎΠΆΠ΅Ρ Π½Π΅Π·Π½Π°ΡΠΈΡΠ΅Π»ΡΠ½ΠΎ ΠΈΠ»ΠΈ Π·Π½Π°ΡΠΈΡΠ΅Π»ΡΠ½ΠΎ ΠΎΡΠ»ΠΈΡΠ°ΡΡΡΡ ΠΎΡ Π΄ΡΡΠ³ΠΈΡ Π²Π΅ΡΡΠΈΠΉ ΠΈΠ»ΠΈ ΠΏΡΠΎΠ΄ΡΠΊΡΠΎΠ².
ΠΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ z-index — CSS: ΠΊΠ°ΡΠΊΠ°Π΄Π½ΡΠ΅ ΡΠ°Π±Π»ΠΈΡΡ ΡΡΠΈΠ»Π΅ΠΉ
Π ΠΏΠ΅ΡΠ²ΠΎΠΉ ΡΠ°ΡΡΠΈ ΡΡΠΎΠΉ ΡΡΠ°ΡΡΠΈ, Β«Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π±Π΅Π· ΡΠ²ΠΎΠΉΡΡΠ²Π° z-indexΒ», ΠΎΠ±ΡΡΡΠ½ΡΠ΅ΡΡΡ, ΠΊΠ°ΠΊ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΎΡΠ³Π°Π½ΠΈΠ·ΠΎΠ²Π°Π½ΠΎ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ. ΠΡΠ»ΠΈ Π²Ρ Ρ
ΠΎΡΠΈΡΠ΅ ΡΠΎΠ·Π΄Π°ΡΡ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΡΠΉ ΠΏΠΎΡΡΠ΄ΠΎΠΊ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ, Π²Ρ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΠ²ΠΎΠΉΡΡΠ²ΠΎ z-index
Π΄Π»Ρ ΠΏΠΎΠ·ΠΈΡΠΈΠΎΠ½ΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠ³ΠΎ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ°.
Π‘Π²ΠΎΠΉΡΡΠ²ΠΎ z-index
ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΡΠΊΠ°Π·Π°Π½ΠΎ Ρ ΡΠ΅Π»ΠΎΡΠΈΡΠ»Π΅Π½Π½ΡΠΌ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ΠΌ (ΠΏΠΎΠ»ΠΎΠΆΠΈΡΠ΅Π»ΡΠ½ΡΠΌ, Π½ΡΠ»Π΅Π²ΡΠΌ ΠΈΠ»ΠΈ ΠΎΡΡΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΡΠΌ), ΠΊΠΎΡΠΎΡΠΎΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΠ΅Ρ ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ° Π²Π΄ΠΎΠ»Ρ ΠΎΡΠΈ z. ΠΡΠ»ΠΈ Π²Ρ Π½Π΅ Π·Π½Π°ΠΊΠΎΠΌΡ Ρ ΠΎΡΡΡ Z, ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΡΡΠ΅ ΡΡΡΠ°Π½ΠΈΡΡ ΠΊΠ°ΠΊ ΡΡΠΎΠΏΠΊΡ ΡΠ»ΠΎΠ΅Π², ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΈΠ· ΠΊΠΎΡΠΎΡΡΡ
ΠΈΠΌΠ΅Π΅Ρ Π½ΠΎΠΌΠ΅Ρ. Π‘Π»ΠΎΠΈ ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°ΡΡΡΡ Π² ΡΠΈΡΠ»ΠΎΠ²ΠΎΠΌ ΠΏΠΎΡΡΠ΄ΠΊΠ΅: Π±ΠΎΠ»ΡΡΠΈΠ΅ ΡΠΈΡΠ»Π° Π½Π°Π΄ ΠΌΠ΅Π½ΡΡΠΈΠΌΠΈ.
- Π½ΠΈΠΆΠ½ΠΈΠΉ ΡΠ»ΠΎΠΉ (ΡΠ°ΠΌΡΠΉ Π΄Π°Π»ΡΠ½ΠΈΠΉ ΠΎΡ Π½Π°Π±Π»ΡΠ΄Π°ΡΠ΅Π»Ρ)
- …
- Π‘Π»ΠΎΠΉ -3
- Π‘Π»ΠΎΠΉ -2
- Π‘Π»ΠΎΠΉ -1
- Π‘Π»ΠΎΠΉ 0 (ΡΠ»ΠΎΠΉ Π²ΠΈΠ·ΡΠ°Π»ΠΈΠ·Π°ΡΠΈΠΈ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ)
- Π‘Π»ΠΎΠΉ 1
- Π‘Π»ΠΎΠΉ 2
- Π£ΡΠΎΠ²Π΅Π½Ρ 3
- …
- Π²Π΅ΡΡ Π½ΠΈΠΉ ΡΠ»ΠΎΠΉ (Π±Π»ΠΈΠΆΠ°ΠΉΡΠΈΠΉ ΠΊ Π½Π°Π±Π»ΡΠ΄Π°ΡΠ΅Π»Ρ)
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅:
- ΠΡΠ»ΠΈ ΡΠ²ΠΎΠΉΡΡΠ²ΠΎ
z-index
Π½Π΅ ΡΠΊΠ°Π·Π°Π½ΠΎ, ΡΠ»Π΅ΠΌΠ΅Π½ΡΡ Π²ΠΈΠ·ΡΠ°Π»ΠΈΠ·ΠΈΡΡΡΡΡΡ Π½Π° ΡΠ»ΠΎΠ΅ Π²ΠΈΠ·ΡΠ°Π»ΠΈΠ·Π°ΡΠΈΠΈ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ 0 (Π½ΠΎΠ»Ρ). - ΠΡΠ»ΠΈ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ² ΠΈΠΌΠ΅ΡΡ ΠΎΠ΄Π½ΠΎ ΠΈ ΡΠΎ ΠΆΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅
z-index
(Ρ. Π. ΠΠ½ΠΈ ΡΠ°Π·ΠΌΠ΅ΡΠ΅Π½Ρ Π½Π° ΠΎΠ΄Π½ΠΎΠΌ ΡΠ»ΠΎΠ΅), ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡΡΡ ΠΏΡΠ°Π²ΠΈΠ»Π° Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ, ΠΎΠΏΠΈΡΠ°Π½Π½ΡΠ΅ Π² ΡΠ°Π·Π΄Π΅Π»Π΅ Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π±Π΅Π· ΡΠ²ΠΎΠΉΡΡΠ²Π° z-index.
Π ΡΠ»Π΅Π΄ΡΡΡΠ΅ΠΌ ΠΏΡΠΈΠΌΠ΅ΡΠ΅ ΠΏΠΎΡΡΠ΄ΠΎΠΊ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΡΠ»ΠΎΠ΅Π² ΠΈΠ·ΠΌΠ΅Π½Π΅Π½ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ z-index
. z-index
ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ° β 5 Π½Π΅ ΠΈΠΌΠ΅Π΅Ρ Π½ΠΈΠΊΠ°ΠΊΠΎΠ³ΠΎ ΡΡΡΠ΅ΠΊΡΠ°, ΠΏΠΎΡΠΊΠΎΠ»ΡΠΊΡ ΡΡΠΎ Π½Π΅ ΠΏΠΎΠ·ΠΈΡΠΈΠΎΠ½ΠΈΡΠΎΠ²Π°Π½Π½ΡΠΉ ΡΠ»Π΅ΠΌΠ΅Π½Ρ.
HTML
Π ΠΠΠΠΠ β1
ΠΏΠΎΠ·ΠΈΡΠΈΡ: Π°Π±ΡΠΎΠ»ΡΡΠ½Π°Ρ;
z-index: 5;
Π ΠΠΠΠΠ β2
ΠΏΠΎΠ·ΠΈΡΠΈΡ: ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½Π°Ρ;
z-index: 3;
Π ΠΠΠΠΠ β3
ΠΏΠΎΠ·ΠΈΡΠΈΡ: ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½Π°Ρ;
z-index: 2;
Π ΠΠΠΠΠ β4
ΠΏΠΎΠ·ΠΈΡΠΈΡ: Π°Π±ΡΠΎΠ»ΡΡΠ½Π°Ρ;
z-index: 1;
Π ΠΠΠΠΠ β 5
Π±Π΅Π· ΠΏΠΎΠ·ΠΈΡΠΈΠΎΠ½ΠΈΡΠΎΠ²Π°Π½ΠΈΡ
z-index: 8;
CSS
div {
ΠΎΡΡΡΡΠΏ: 10 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π½Π΅ΠΏΡΠΎΠ·ΡΠ°ΡΠ½ΠΎΡΡΡ: 0.7;
Π²ΡΡΠ°Π²Π½ΠΈΠ²Π°Π½ΠΈΠ΅ ΡΠ΅ΠΊΡΡΠ°: ΡΠ΅Π½ΡΡ;
}
b {
ΡΠ΅ΠΌΠ΅ΠΉΡΡΠ²ΠΎ ΡΡΠΈΡΡΠΎΠ²: Π±Π΅Π· Π·Π°ΡΠ΅ΡΠ΅ΠΊ;
}
# abs1 {
z-ΠΈΠ½Π΄Π΅ΠΊΡ: 5;
ΠΏΠΎΠ·ΠΈΡΠΈΡ: Π°Π±ΡΠΎΠ»ΡΡΠ½Π°Ρ;
ΡΠΈΡΠΈΠ½Π°: 150 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π²ΡΡΠΎΡΠ°: 350 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π²Π΅ΡΡ
: 10 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
ΡΠ»Π΅Π²Π°: 10 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π³ΡΠ°Π½ΠΈΡΠ°: 1px ΠΏΡΠ½ΠΊΡΠΈΡΠ½Π°Ρ # 900;
ΡΠ²Π΅Ρ ΡΠΎΠ½Π°: #fdd;
}
# rel1 {
z-ΠΈΠ½Π΄Π΅ΠΊΡ: 3;
Π²ΡΡΠΎΡΠ°: 100 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅: ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΎΠ΅;
Π²Π΅ΡΡ
: 30 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π³ΡΠ°Π½ΠΈΡΠ°: 1px ΠΏΡΠ½ΠΊΡΠΈΡΠ½Π°Ρ # 696;
ΡΠ²Π΅Ρ ΡΠΎΠ½Π°: #cfc;
ΠΌΠ°ΡΠΆΠ°: 0px 50px 0px 50px;
}
# rel2 {
z-ΠΈΠ½Π΄Π΅ΠΊΡ: 2;
Π²ΡΡΠΎΡΠ°: 100 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅: ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΎΠ΅;
Π²Π΅ΡΡ
: 15 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
ΡΠ»Π΅Π²Π°: 20 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π³ΡΠ°Π½ΠΈΡΠ°: 1px ΠΏΡΠ½ΠΊΡΠΈΡΠ½Π°Ρ # 696;
ΡΠ²Π΅Ρ ΡΠΎΠ½Π°: #cfc;
ΠΌΠ°ΡΠΆΠ°: 0px 50px 0px 50px;
}
# abs2 {
z-ΠΈΠ½Π΄Π΅ΠΊΡ: 1;
ΠΏΠΎΠ·ΠΈΡΠΈΡ: Π°Π±ΡΠΎΠ»ΡΡΠ½Π°Ρ;
ΡΠΈΡΠΈΠ½Π°: 150 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π²ΡΡΠΎΡΠ°: 350 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π²Π΅ΡΡ
: 10 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π²ΠΏΡΠ°Π²ΠΎ: 10 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π³ΡΠ°Π½ΠΈΡΠ°: 1px ΠΏΡΠ½ΠΊΡΠΈΡΠ½Π°Ρ # 900;
ΡΠ²Π΅Ρ ΡΠΎΠ½Π°: #fdd;
}
# sta1 {
z-ΠΈΠ½Π΄Π΅ΠΊΡ: 8;
Π²ΡΡΠΎΡΠ°: 70 ΠΏΠΈΠΊΡΠ΅Π»Π΅ΠΉ;
Π³ΡΠ°Π½ΠΈΡΠ°: 1px ΠΏΡΠ½ΠΊΡΠΈΡΠ½Π°Ρ # 996;
ΡΠ²Π΅Ρ ΡΠΎΠ½Π°: #ffc;
ΠΌΠ°ΡΠΆΠ°: 0px 50px 0px 50px;
}
ΠΠ°ΡΠΈΠ½Π½ΠΎΠ΅ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠ΅ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Python
ΠΠΎΡΠ»Π΅Π΄Π½Π΅Π΅ ΠΎΠ±Π½ΠΎΠ²Π»Π΅Π½ΠΈΠ΅ 27 Π°ΠΏΡΠ΅Π»Ρ 2021 Π³.
Stacking or Stacked Generalization — ΡΡΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ.
ΠΠ½ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅Ρ Π°Π»Π³ΠΎΡΠΈΡΠΌ ΠΌΠ΅ΡΠ°ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ, ΡΡΠΎΠ±Ρ ΡΠ·Π½Π°ΡΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΈΠ· Π΄Π²ΡΡ ΠΈΠ»ΠΈ Π±ΠΎΠ»Π΅Π΅ Π±Π°Π·ΠΎΠ²ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ² ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ.
ΠΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²ΠΎ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π·Π°ΠΊΠ»ΡΡΠ°Π΅ΡΡΡ Π² ΡΠΎΠΌ, ΡΡΠΎ ΠΎΠ½ΠΎ ΠΌΠΎΠΆΠ΅Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎΡΡΠΈ ΡΡΠ΄Π° Ρ ΠΎΡΠΎΡΠΎ ΡΠ°Π±ΠΎΡΠ°ΡΡΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ Π·Π°Π΄Π°ΡΠΈ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ ΠΈΠ»ΠΈ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈ Π΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΈΠΌΠ΅ΡΡ Π»ΡΡΡΡΡ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ, ΡΠ΅ΠΌ Π»ΡΠ±Π°Ρ ΠΎΡΠ΄Π΅Π»ΡΠ½Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ Π² Π°Π½ΡΠ°ΠΌΠ±Π»Π΅.
Π ΡΡΠΎΠΌ ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²Π΅ Π²Ρ ΠΏΠΎΠ·Π½Π°ΠΊΠΎΠΌΠΈΡΠ΅ΡΡ Ρ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅ΠΌ ΡΠΎΡΡΠ°Π²Π½ΠΎΠ³ΠΎ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΡ ΠΈΠ»ΠΈ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ΠΌ ΡΡΠ΅ΠΊΠ° Π² Python.
ΠΠΎΡΠ»Π΅ ΠΏΡΠΎΡ ΠΎΠΆΠ΄Π΅Π½ΠΈΡ ΡΡΠΎΠ³ΠΎ ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²Π° Π²Ρ Π±ΡΠ΄Π΅ΡΠ΅ Π·Π½Π°ΡΡ:
- Stacking — ΡΡΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΠΎΠ³ΠΎ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ, ΠΊΠΎΡΠΎΡΡΠΉ ΡΡΠΈΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΈΠ· Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΡ Ρ ΠΎΡΠΎΡΠΎ ΡΠ°Π±ΠΎΡΠ°ΡΡΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ.
- ΠΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° scikit-learn ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΡΡ ΡΠ΅Π°Π»ΠΈΠ·Π°ΡΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½Π° Python.
- ΠΠ°ΠΊ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»ΠΈ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·Π½ΠΎΠ³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ.
ΠΠ°ΡΠ½ΠΈΡΠ΅ ΡΠ²ΠΎΠΉ ΠΏΡΠΎΠ΅ΠΊΡ Ρ ΠΌΠΎΠ΅ΠΉ Π½ΠΎΠ²ΠΎΠΉ ΠΊΠ½ΠΈΠ³ΠΈ Ensemble Learning Algorithms With Python, Π²ΠΊΠ»ΡΡΠ°ΡΡΠ΅ΠΉ ΠΏΠΎΡΠ°Π³ΠΎΠ²ΡΡ ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ² ΠΈ ΡΠ°ΠΉΠ»ΠΎΠ² ΠΈΡΡ ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΠΊΠΎΠ΄Π° Python Π΄Π»Ρ Π²ΡΠ΅Ρ ΠΏΡΠΈΠΌΠ΅ΡΠΎΠ².
ΠΡΠΈΡΡΡΠΏΠΈΠΌ.
- ΠΠ±Π½ΠΎΠ²Π»Π΅Π½ΠΎ Π² Π°Π²Π³ΡΡΡΠ΅ 2020 Π³. : Π£Π»ΡΡΡΠ΅Π½Ρ ΠΏΡΠΈΠΌΠ΅ΡΡ ΠΊΠΎΠ΄Π°, Π΄ΠΎΠ±Π°Π²Π»Π΅Π½Ρ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ ΡΡΡΠ»ΠΊΠΈ.
Π‘ΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Python
Π€ΠΎΡΠΎΠ³ΡΠ°ΡΠΈΡ lamoix, Π½Π΅ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΡΠ°Π²Π° Π·Π°ΡΠΈΡΠ΅Π½Ρ.
ΠΠ±Π·ΠΎΡ ΡΡΠ΅Π±Π½ΠΎΠ³ΠΎ ΠΏΠΎΡΠΎΠ±ΠΈΡ
ΠΡΠΎ ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²ΠΎ ΡΠ°Π·Π΄Π΅Π»Π΅Π½ΠΎ Π½Π° ΡΠ΅ΡΡΡΠ΅ ΡΠ°ΡΡΠΈ; ΠΈΡ :
- Π‘ΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠ΅ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΠ΅
- Stacking Scikit-Learn API
- Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ
- Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ
Π‘ΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠ΅ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΠ΅
Stacked Generalization ΠΈΠ»ΠΈ Β« Stacking Β» Π΄Π»Ρ ΠΊΡΠ°ΡΠΊΠΎΡΡΠΈ — ΡΡΠΎ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΡΠΉ Π°Π»Π³ΠΎΡΠΈΡΠΌ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ.
ΠΠ½ Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π² ΡΠ΅Π±Ρ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΠ΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ² ΠΈΠ· Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π² ΠΎΠ΄Π½ΠΎΠΌ Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ , ΡΠ°ΠΊΠΈΡ ΠΊΠ°ΠΊ ΡΠΏΠ°ΠΊΠΎΠ²ΠΊΠ° ΠΈ ΡΡΠΊΠΎΡΠ΅Π½ΠΈΠ΅.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° ΡΠ΅ΡΠ°Π΅Ρ Π²ΠΎΠΏΡΠΎΡ:
- Π£ΡΠΈΡΡΠ²Π°Ρ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ, ΠΊΠΎΡΠΎΡΡΠ΅ ΡΠΌΠ΅ΡΡ ΡΠ΅ΡΠ°ΡΡ ΠΏΡΠΎΠ±Π»Π΅ΠΌΡ, Π½ΠΎ ΠΏΠΎ-ΡΠ°Π·Π½ΠΎΠΌΡ, ΠΊΠ°ΠΊ Π²Ρ Π²ΡΠ±ΠΈΡΠ°Π΅ΡΠ΅, ΠΊΠ°ΠΊΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ (Π΄ΠΎΠ²Π΅ΡΡΡΡ)?
ΠΠΎΠ΄Ρ ΠΎΠ΄ ΠΊ ΡΡΠΎΠΌΡ Π²ΠΎΠΏΡΠΎΡΡ Π·Π°ΠΊΠ»ΡΡΠ°Π΅ΡΡΡ Π² ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠΈ Π΄ΡΡΠ³ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ, ΠΊΠΎΡΠΎΡΠ°Ρ ΡΡΠΈΡ, ΠΊΠΎΠ³Π΄Π° ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΈΠ»ΠΈ Π΄ΠΎΠ²Π΅ΡΡΡΡ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² Π°Π½ΡΠ°ΠΌΠ±Π»Π΅.
- Π ΠΎΡΠ»ΠΈΡΠΈΠ΅ ΠΎΡ ΡΠΏΠ°ΠΊΠΎΠ²ΠΊΠΈ Π² ΠΌΠ΅ΡΠΊΠΈ, ΠΏΡΠΈ ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΎΠ±ΡΡΠ½ΠΎ ΡΠ°Π·Π»ΠΈΡΠ°ΡΡΡΡ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ,Π³ΡΠ°ΠΌΠΌ. Π½Π΅ Π²ΡΠ΅ Π΄Π΅ΡΠ΅Π²ΡΡ ΡΠ΅ΡΠ΅Π½ΠΈΠΉ) ΠΈ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΡΡ ΠΎΠ΄Π½ΠΎΠΌΡ Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, Π²ΠΌΠ΅ΡΡΠΎ ΠΎΠ±ΡΠ°Π·ΡΠΎΠ² Π½Π°Π±ΠΎΡΠ° Π΄Π°Π½Π½ΡΡ Π΄Π»Ρ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ).
- Π ΠΎΡΠ»ΠΈΡΠΈΠ΅ ΠΎΡ ΠΏΠΎΠ²ΡΡΠ΅Π½ΠΈΡ, ΠΏΡΠΈ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΡΡΡ ΠΎΠ΄Π½Π° ΠΌΠΎΠ΄Π΅Π»Ρ, ΡΡΠΎΠ±Ρ ΡΠ·Π½Π°ΡΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΎΡ ΡΡΠ°ΡΡΠ²ΡΡΡΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, Π²ΠΌΠ΅ΡΡΠΎ ΠΏΠΎΡΠ»Π΅Π΄ΠΎΠ²Π°ΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΊΠΎΡΡΠ΅ΠΊΡΠΈΡΡΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΏΡΠ΅Π΄ΡΠ΄ΡΡΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ).
ΠΡΡ ΠΈΡΠ΅ΠΊΡΡΡΠ° ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π΄Π²Π΅ ΠΈΠ»ΠΈ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΡΠ°ΡΡΠΎ Π½Π°Π·ΡΠ²Π°Π΅ΠΌΡΡ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ ΡΡΠΎΠ²Π½Ρ 0, ΠΈ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½ΡΠ΅Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π½Π°Π·ΡΠ²Π°Π΅ΠΌΡΡ ΠΌΠΎΠ΄Π΅Π»ΡΡ ΡΡΠΎΠ²Π½Ρ 1.
- ΠΠΎΠ΄Π΅Π»ΠΈ ΡΡΠΎΠ²Π½Ρ 0 ( ΠΠ°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ) : ΠΠΎΠ΄Π΅Π»ΠΈ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡ Π΄Π»Ρ ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ ΠΈ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΊΠΎΡΠΎΡΡΡ ΡΠΎΡΡΠ°Π²Π»ΡΡΡΡΡ.
- ΠΠΎΠ΄Π΅Π»Ρ ΡΡΠΎΠ²Π½Ρ 1 (ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ ) : ΠΠΎΠ΄Π΅Π»Ρ, ΠΊΠΎΡΠΎΡΠ°Ρ ΡΡΠΈΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ.
ΠΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΠΎΠ±ΡΡΠ°Π΅ΡΡΡ Π½Π° ΠΎΡΠ½ΠΎΠ²Π΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ², ΡΠ΄Π΅Π»Π°Π½Π½ΡΡ Π±Π°Π·ΠΎΠ²ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ Π½Π° Π΄Π°Π½Π½ΡΡ Π²Π½Π΅ Π²ΡΠ±ΠΎΡΠΊΠΈ. Π’ΠΎ Π΅ΡΡΡ Π΄Π°Π½Π½ΡΠ΅, Π½Π΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌΡΠ΅ Π΄Π»Ρ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΠΏΠ΅ΡΠ΅Π΄Π°ΡΡΡΡ Π² Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ, Π΄Π΅Π»Π°ΡΡΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ, ΠΈ ΡΡΠΈ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ Π²ΠΌΠ΅ΡΡΠ΅ Ρ ΠΎΠΆΠΈΠ΄Π°Π΅ΠΌΡΠΌΠΈ Π²ΡΡ ΠΎΠ΄Π½ΡΠΌΠΈ Π΄Π°Π½Π½ΡΠΌΠΈ ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΡΡ ΠΏΠ°ΡΡ Π²Ρ ΠΎΠ΄Π½ΡΡ ΠΈ Π²ΡΡ ΠΎΠ΄Π½ΡΡ Π΄Π°Π½Π½ΡΡ Π½Π°Π±ΠΎΡΠ° ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ , ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌΡΡ Π΄Π»Ρ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΠΈΡ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΡΡ ΠΎΠ΄Π½ΡΠ΅ Π΄Π°Π½Π½ΡΠ΅ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌΡΡ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ Π²Ρ ΠΎΠ΄Π½ΡΡ Π΄Π°Π½Π½ΡΡ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΌΠΎΠ³ΡΡ Π±ΡΡΡ Π΄Π΅ΠΉΡΡΠ²ΠΈΡΠ΅Π»ΡΠ½ΡΠΌΠΈ Π·Π½Π°ΡΠ΅Π½ΠΈΡΠΌΠΈ Π² ΡΠ»ΡΡΠ°Π΅ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈ Π·Π½Π°ΡΠ΅Π½ΠΈΡΠΌΠΈ Π²Π΅ΡΠΎΡΡΠ½ΠΎΡΡΠΈ, Π·Π½Π°ΡΠ΅Π½ΠΈΡΠΌΠΈ, ΠΏΠΎΠ΄ΠΎΠ±Π½ΡΠΌΠΈ Π²Π΅ΡΠΎΡΡΠ½ΠΎΡΡΠΈ, ΠΈΠ»ΠΈ ΠΌΠ΅ΡΠΊΠ°ΠΌΠΈ ΠΊΠ»Π°ΡΡΠΎΠ² Π² ΡΠ»ΡΡΠ°Π΅ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ.
ΠΠ°ΠΈΠ±ΠΎΠ»Π΅Π΅ ΡΠ°ΡΠΏΡΠΎΡΡΡΠ°Π½Π΅Π½Π½ΡΠΉ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ ΠΊ ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²ΠΊΠ΅ Π½Π°Π±ΠΎΡΠ° ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ — ΡΡΠΎ k-ΠΊΡΠ°ΡΠ½Π°Ρ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½Π°Ρ ΠΏΡΠΎΠ²Π΅ΡΠΊΠ° Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π³Π΄Π΅ Π²Π½Π΅ΠΊΡΠ°ΡΠ½ΡΠ΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡΡΡΡ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ ΠΎΡΠ½ΠΎΠ²Ρ Π΄Π»Ρ Π½Π°Π±ΠΎΡΠ° ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ. .
ΠΠ±ΡΡΠ°ΡΡΠΈΠ΅ Π΄Π°Π½Π½ΡΠ΅ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΌΠΎΠ³ΡΡ ΡΠ°ΠΊΠΆΠ΅ Π²ΠΊΠ»ΡΡΠ°ΡΡ Π²Ρ ΠΎΠ΄Π½ΡΠ΅ Π΄Π°Π½Π½ΡΠ΅ Π΄Π»Ρ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, e.Π³ΡΠ°ΠΌΠΌ. Π²Ρ ΠΎΠ΄Π½ΡΠ΅ ΡΠ»Π΅ΠΌΠ΅Π½ΡΡ ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ . ΠΡΠΎ ΠΌΠΎΠΆΠ΅Ρ ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²ΠΈΡΡ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΠΉ ΠΊΠΎΠ½ΡΠ΅ΠΊΡΡ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΎ ΡΠΎΠ³ΠΎ, ΠΊΠ°ΠΊ Π½Π°ΠΈΠ»ΡΡΡΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½ΠΈΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΈΠ· ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΠΎΡΠ»Π΅ ΡΠΎΠ³ΠΎ, ΠΊΠ°ΠΊ Π½Π°Π±ΠΎΡ ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²Π»Π΅Π½ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ ΠΌΠΎΠΆΠ½ΠΎ ΠΎΠ±ΡΡΠ°ΡΡ ΠΈΠ·ΠΎΠ»ΠΈΡΠΎΠ²Π°Π½Π½ΠΎ Π½Π° ΡΡΠΎΠΌ Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ , Π° Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΎΠ±ΡΡΠ°ΡΡ Π½Π° Π²ΡΠ΅ΠΌ ΠΈΡΡ ΠΎΠ΄Π½ΠΎΠΌ Π½Π°Π±ΠΎΡΠ΅ ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ .
Π‘ΡΠ΅ΠΊΠΈΠ½Π³ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ, ΠΊΠΎΠ³Π΄Π° Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π·Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΠΈΠΌΠ΅ΡΡ Π½Π°Π²ΡΠΊΠΈ ΡΠ°Π±ΠΎΡΡ Ρ Π½Π°Π±ΠΎΡΠΎΠΌ Π΄Π°Π½Π½ΡΡ , Π½ΠΎ ΠΈΠΌΠ΅ΡΡ ΡΠ°Π·Π½ΡΠ΅ Π½Π°Π²ΡΠΊΠΈ.ΠΡΡΠ³ΠΈΠΌΠΈ ΡΠ»ΠΎΠ²Π°ΠΌΠΈ, ΠΏΡΠ΅Π΄ΡΠΊΠ°Π·Π°Π½ΠΈΡ, ΡΠ΄Π΅Π»Π°Π½Π½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ, ΠΈΠ»ΠΈ ΠΎΡΠΈΠ±ΠΊΠΈ Π² ΠΏΡΠ΅Π΄ΡΠΊΠ°Π·Π°Π½ΠΈΡΡ , ΡΠ΄Π΅Π»Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ, Π½Π΅ΠΊΠΎΡΡΠ΅Π»ΠΈΡΠΎΠ²Π°Π½Ρ ΠΈΠ»ΠΈ ΠΈΠΌΠ΅ΡΡ Π½ΠΈΠ·ΠΊΡΡ ΠΊΠΎΡΡΠ΅Π»ΡΡΠΈΡ.
ΠΠ°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΠ°ΡΡΠΎ Π±ΡΠ²Π°ΡΡ ΡΠ»ΠΎΠΆΠ½ΡΠΌΠΈ ΠΈ ΡΠ°Π·Π½ΠΎΠΎΠ±ΡΠ°Π·Π½ΡΠΌΠΈ. Π’Π°ΠΊΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ, ΡΠ°ΡΡΠΎ Π±ΡΠ²Π°Π΅Ρ Ρ ΠΎΡΠΎΡΠ΅ΠΉ ΠΈΠ΄Π΅Π΅ΠΉ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΡΠ΄ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΠΊΠΎΡΠΎΡΡΠ΅ Π΄Π΅Π»Π°ΡΡ ΠΎΡΠ΅Π½Ρ ΡΠ°Π·Π½ΡΠ΅ ΠΏΡΠ΅Π΄ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΎ ΡΠΎΠΌ, ΠΊΠ°ΠΊ ΡΠ΅ΡΠ°ΡΡ Π·Π°Π΄Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Π½ΠΎΠ³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ Π»ΠΈΠ½Π΅ΠΉΠ½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ, Π΄Π΅ΡΠ΅Π²ΡΡ ΡΠ΅ΡΠ΅Π½ΠΈΠΉ, Π²ΡΠΏΠΎΠΌΠΎΠ³Π°ΡΠ΅Π»ΡΠ½ΡΠ΅ Π²Π΅ΠΊΡΠΎΡΠ½ΡΠ΅ ΠΌΠ°ΡΠΈΠ½Ρ, Π½Π΅ΠΉΡΠΎΠ½Π½ΡΠ΅ ΡΠ΅ΡΠΈ ΠΈ ΠΌΠ½ΠΎΠ³ΠΎΠ΅ Π΄ΡΡΠ³ΠΎΠ΅. ΠΡΡΠ³ΠΈΠ΅ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ ΡΠ°ΠΊΠΆΠ΅ ΠΌΠΎΠ³ΡΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡΡΡ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΡΠ»ΡΡΠ°ΠΉΠ½ΡΠ΅ Π»Π΅ΡΠ°.
- ΠΠ°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ : ΠΡΠΏΠΎΠ»ΡΠ·ΡΠΉΡΠ΅ ΡΠΈΡΠΎΠΊΠΈΠΉ Π΄ΠΈΠ°ΠΏΠ°Π·ΠΎΠ½ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΠΊΠΎΡΠΎΡΡΠ΅ Π΄Π΅Π»Π°ΡΡ ΡΠ°Π·Π½ΡΠ΅ ΠΏΡΠ΅Π΄ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΎ Π·Π°Π΄Π°ΡΠ΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ.
ΠΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΠ°ΡΡΠΎ Π±ΡΠ²Π°Π΅Ρ ΠΏΡΠΎΡΡΠΎΠΉ, ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΠ²Π°Ρ ΠΏΠ»Π°Π²Π½ΡΡ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ², ΡΠ΄Π΅Π»Π°Π½Π½ΡΡ Π±Π°Π·ΠΎΠ²ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ. Π’Π°ΠΊΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ, Π»ΠΈΠ½Π΅ΠΉΠ½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΠ°ΡΡΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡΡΡΡ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ Π»ΠΈΠ½Π΅ΠΉΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ Π΄Π»Ρ Π·Π°Π΄Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ (ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΡΠΈΡΠ»ΠΎΠ²ΠΎΠ³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ) ΠΈ Π»ΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ Π΄Π»Ρ Π·Π°Π΄Π°Ρ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ (ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΌΠ΅ΡΠΊΠΈ ΠΊΠ»Π°ΡΡΠ°). Π₯ΠΎΡΡ ΡΡΠΎ ΠΎΠ±ΡΡΠ½ΠΎΠ΅ Π΄Π΅Π»ΠΎ, ΡΡΠΎ Π½Π΅ ΠΎΠ±ΡΠ·Π°ΡΠ΅Π»ΡΠ½ΠΎ.
- ΠΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ : ΠΠΈΠ½Π΅ΠΉΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ.
- ΠΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΎΠ½Π½Π°Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ : Π»ΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ.
ΠΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΠΏΡΠΎΡΡΠΎΠΉ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΠ°ΡΡΠΎ Π΄Π°Π΅Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ°Π·Π³ΠΎΠ²ΠΎΡΠ½ΠΎΠ³ΠΎ Π½Π°Π·Π²Π°Π½ΠΈΡ Β«, ΡΠΌΠ΅ΡΠΈΠ²Π°Π½ΠΈΠ΅, Β». ΠΠ°ΠΊ ΠΈ Π² ΠΏΡΠΎΠ³Π½ΠΎΠ·Π΅, ΡΡΠΎ ΡΡΠ΅Π΄Π½Π΅Π²Π·Π²Π΅ΡΠ΅Π½Π½ΠΎΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΈΠ»ΠΈ ΡΠΌΠ΅ΡΠ΅Π½ΠΈΠ΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ², ΡΠ΄Π΅Π»Π°Π½Π½ΡΡ Π±Π°Π·ΠΎΠ²ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ.
Π‘ΡΠΏΠ΅Ρ-ΡΡΠ΅Π½ΠΈΠΊ ΠΌΠΎΠΆΠ΅Ρ ΡΡΠΈΡΠ°ΡΡΡΡ ΡΠΏΠ΅ΡΠΈΠ°Π»ΠΈΠ·ΠΈΡΠΎΠ²Π°Π½Π½ΡΠΌ ΡΠΈΠΏΠΎΠΌ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ.
Stacking ΡΠ°Π·ΡΠ°Π±ΠΎΡΠ°Π½ Π΄Π»Ρ ΠΏΠΎΠ²ΡΡΠ΅Π½ΠΈΡ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ, Ρ ΠΎΡΡ Π½Π΅ Π³Π°ΡΠ°Π½ΡΠΈΡΡΠ΅Ρ, ΡΡΠΎ ΡΡΠΎ ΠΏΡΠΈΠ²Π΅Π΄Π΅Ρ ΠΊ ΡΠ»ΡΡΡΠ΅Π½ΠΈΡ Π²ΠΎ Π²ΡΠ΅Ρ ΡΠ»ΡΡΠ°ΡΡ .
ΠΠΎΡΡΠΈΠΆΠ΅Π½ΠΈΠ΅ ΡΠ»ΡΡΡΠ΅Π½ΠΈΡ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ ΡΠ»ΠΎΠΆΠ½ΠΎΡΡΠΈ ΠΏΡΠΎΠ±Π»Π΅ΠΌΡ ΠΈ ΠΎΡ ΡΠΎΠ³ΠΎ, Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π»ΠΈ ΠΎΠ½Π° Ρ ΠΎΡΠΎΡΠΎ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½Π° ββΠΎΠ±ΡΡΠ°ΡΡΠΈΠΌΠΈ Π΄Π°Π½Π½ΡΠΌΠΈ ΠΈ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π»ΠΈ ΡΠ»ΠΎΠΆΠ½Π°, ΡΡΠΎΠ±Ρ ΠΌΠΎΠΆΠ½ΠΎ Π±ΡΠ»ΠΎ ΡΠ·Π½Π°ΡΡ Π±ΠΎΠ»ΡΡΠ΅, ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ. ΠΡΠΎ ΡΠ°ΠΊΠΆΠ΅ Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ Π²ΡΠ±ΠΎΡΠ° Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΈ ΠΎΡ ΡΠΎΠ³ΠΎ, Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π»ΠΈ ΠΎΠ½ΠΈ ΠΊΠ²Π°Π»ΠΈΡΠΈΡΠΈΡΠΎΠ²Π°Π½Ρ ΠΈ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π½Π΅ΠΊΠΎΡΡΠ΅Π»ΠΈΡΠΎΠ²Π°Π½Ρ Π² ΡΠ²ΠΎΠΈΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Π°Ρ (ΠΈΠ»ΠΈ ΠΎΡΠΈΠ±ΠΊΠ°Ρ ).
ΠΡΠ»ΠΈ Π±Π°Π·ΠΎΠ²Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ ΡΠ°ΠΊ ΠΆΠ΅ Ρ ΠΎΡΠΎΡΠΎ ΠΈΠ»ΠΈ Π»ΡΡΡΠ΅, ΡΠ΅ΠΌ Π½Π°Π±ΠΎΡΠ½ΡΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ, Π²ΠΌΠ΅ΡΡΠΎ Π½Π΅Π΅ ΡΠ»Π΅Π΄ΡΠ΅Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ, ΡΡΠΈΡΡΠ²Π°Ρ Π΅Π΅ ΠΌΠ΅Π½ΡΡΡΡ ΡΠ»ΠΎΠΆΠ½ΠΎΡΡΡ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ,Π³ΡΠ°ΠΌΠΌ. Π΅Π³ΠΎ ΠΏΡΠΎΡΠ΅ ΠΎΠΏΠΈΡΠ°ΡΡ, ΠΎΠ±ΡΡΠΈΡΡ ΠΈ ΠΏΠΎΠ΄Π΄Π΅ΡΠΆΠΈΠ²Π°ΡΡ).
Π₯ΠΎΡΠΈΡΠ΅ Π½Π°ΡΠ°ΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΠΎΠ΅ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠ΅?
ΠΡΠΎΠΉΠ΄ΠΈΡΠ΅ ΠΌΠΎΠΉ Π±Π΅ΡΠΏΠ»Π°ΡΠ½ΡΠΉ 7-Π΄Π½Π΅Π²Π½ΡΠΉ ΡΡΠΊΠΎΡΠ΅Π½Π½ΡΠΉ ΠΊΡΡΡ ΡΠ»Π΅ΠΊΡΡΠΎΠ½Π½ΠΎΠΉ ΠΏΠΎΡΡΡ (Ρ ΠΎΠ±ΡΠ°Π·ΡΠΎΠΌ ΠΊΠΎΠ΄Π°).
ΠΠ°ΠΆΠΌΠΈΡΠ΅, ΡΡΠΎΠ±Ρ Π·Π°ΡΠ΅Π³ΠΈΡΡΡΠΈΡΠΎΠ²Π°ΡΡΡΡ, Π° ΡΠ°ΠΊΠΆΠ΅ ΠΏΠΎΠ»ΡΡΠΈΡΠ΅ Π±Π΅ΡΠΏΠ»Π°ΡΠ½ΡΡ ΡΠ»Π΅ΠΊΡΡΠΎΠ½Π½ΡΡ Π²Π΅ΡΡΠΈΡ ΠΊΡΡΡΠ° Π² ΡΠΎΡΠΌΠ°ΡΠ΅ PDF.
ΠΠ°Π³ΡΡΠ·ΠΈΡΠ΅ ΠΠΠ‘ΠΠΠΠ’ΠΠ«Π ΠΌΠΈΠ½ΠΈ-ΠΊΡΡΡ
Π‘ΡΠ΅ΠΊ Scikit-Learn API
Π‘ΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΡΠ΅Π°Π»ΠΈΠ·ΠΎΠ²Π°Π½ΠΎ Ρ Π½ΡΠ»Ρ, Ρ ΠΎΡΡ Π΄Π»Ρ Π½ΠΎΠ²ΠΈΡΠΊΠΎΠ² ΡΡΠΎ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π½Π΅ΠΏΡΠΎΡΡΠΎ.
ΠΡΠΈΠΌΠ΅Ρ ΡΠ΅Π°Π»ΠΈΠ·Π°ΡΠΈΠΈ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Ρ Π½ΡΠ»Ρ Π² Python ΡΠΌ. Π ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²Π΅:
ΠΡΠΈΠΌΠ΅Ρ ΡΠ΅Π°Π»ΠΈΠ·Π°ΡΠΈΠΈ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Ρ Π½ΡΠ»Ρ Π΄Π»Ρ Π³Π»ΡΠ±ΠΎΠΊΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΡΠΌ. Π ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²Π΅:
ΠΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Python scikit-learn ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ ΡΠ΅Π°Π»ΠΈΠ·Π°ΡΠΈΡ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄Π»Ρ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ.
ΠΠΎΡΡΡΠΏΠ΅Π½ Π² Π²Π΅ΡΡΠΈΠΈ 0.22 Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠΈ ΠΈ Π²ΡΡΠ΅.
ΠΠΎ-ΠΏΠ΅ΡΠ²ΡΡ , ΡΠ±Π΅Π΄ΠΈΡΠ΅ΡΡ, ΡΡΠΎ Π²Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΡΠ΅ ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ Π²Π΅ΡΡΠΈΡ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠΈ, Π·Π°ΠΏΡΡΡΠΈΠ² ΡΠ»Π΅Π΄ΡΡΡΠΈΠΉ ΡΡΠ΅Π½Π°ΡΠΈΠΉ:
# ΠΏΡΠΎΠ²Π΅ΡΠΈΡΡ Π²Π΅ΡΡΠΈΡ scikit-learn ΠΈΠΌΠΏΠΎΡΡΠ½ΡΠΉ ΡΠΊΠ»Π΅Π°ΡΠ½ ΠΏΠ΅ΡΠ°ΡΡ (sklearn .__ Π²Π΅ΡΡΠΈΡ__)
# ΠΏΡΠΎΠ²Π΅ΡΠΈΡΡ Π²Π΅ΡΡΠΈΡ scikit-learn import sklearn print (sklearn .__ version__) |
ΠΠ°ΠΏΡΡΠΊ ΡΡΠ΅Π½Π°ΡΠΈΡ ΡΠ°ΡΠΏΠ΅ΡΠ°ΡΠ°Π΅Ρ Π²Π°ΡΡ Π²Π΅ΡΡΠΈΡ scikit-learn.
ΠΠ°ΡΠ° Π²Π΅ΡΡΠΈΡ Π΄ΠΎΠ»ΠΆΠ½Π° Π±ΡΡΡ ΡΠ°ΠΊΠΎΠΉ ΠΆΠ΅ ΠΈΠ»ΠΈ Π²ΡΡΠ΅. ΠΡΠ»ΠΈ Π½Π΅Ρ, Π²Ρ Π΄ΠΎΠ»ΠΆΠ½Ρ ΠΎΠ±Π½ΠΎΠ²ΠΈΡΡ ΡΠ²ΠΎΡ Π²Π΅ΡΡΠΈΡ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠΈ scikit-learn.
Π‘ΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΠ²Π°Π΅ΡΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΊΠ»Π°ΡΡΠΎΠ² StackingRegressor ΠΈ StackingClassifier.
ΠΠ±Π΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΠ°Π±ΠΎΡΠ°ΡΡ ΠΎΠ΄ΠΈΠ½Π°ΠΊΠΎΠ²ΠΎ ΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡΡ ΠΎΠ΄Π½ΠΈ ΠΈ ΡΠ΅ ΠΆΠ΅ Π°ΡΠ³ΡΠΌΠ΅Π½ΡΡ. ΠΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠ΅Π±ΡΠ΅Ρ, ΡΡΠΎΠ±Ρ Π²Ρ ΡΠΊΠ°Π·Π°Π»ΠΈ ΡΠΏΠΈΡΠΎΠΊ ΠΎΡΠ΅Π½ΡΠΈΠΊΠΎΠ² (ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠΎΠ²Π½Ρ 0) ΠΈ ΠΎΠΊΠΎΠ½ΡΠ°ΡΠ΅Π»ΡΠ½ΡΠΉ ΠΎΡΠ΅Π½ΡΠΈΠΊ (ΡΡΠΎΠ²Π΅Π½Ρ 1 ΠΈΠ»ΠΈ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ).
Π‘ΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΡΡΠΎΠ²Π½Ρ 0 ΠΈΠ»ΠΈ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅ΡΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π°ΡΠ³ΡΠΌΠ΅Π½ΡΠ° Β« ΠΎΡΠ΅Π½ΠΊΠΈ Β».ΠΡΠΎ ΡΠΏΠΈΡΠΎΠΊ Python, Π² ΠΊΠΎΡΠΎΡΠΎΠΌ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΡΠ»Π΅ΠΌΠ΅Π½Ρ Π² ΡΠΏΠΈΡΠΊΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΠ΅Ρ ΡΠΎΠ±ΠΎΠΉ ΠΊΠΎΡΡΠ΅ΠΆ Ρ ΠΈΠΌΠ΅Π½Π΅ΠΌ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ Π½Π°ΡΡΡΠΎΠ΅Π½Π½ΡΠΌ ΡΠΊΠ·Π΅ΠΌΠΏΠ»ΡΡΠΎΠΌ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, Π½ΠΈΠΆΠ΅ ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½Ρ Π΄Π²Π΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠΎΠ²Π½Ρ 0:
… models = [(‘lr’, LogisticRegression ()), (‘svm’, SVC ()) stacking = StackingClassifier (ΠΎΡΠ΅Π½ΠΊΠΈ = ΠΌΠΎΠ΄Π΅Π»ΠΈ)
… models = [(‘lr’, LogisticRegression ()), (‘svm’, SVC ()) stacking = StackingClassifier (ΡΡΡΠΈΠΌΠ°ΡΠΎΡΡ = ΠΌΠΎΠ΄Π΅Π»ΠΈ) |
ΠΠ°ΠΆΠ΄Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ Π² ΡΠΏΠΈΡΠΊΠ΅ ΡΠ°ΠΊΠΆΠ΅ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΠΊΠΎΠ½Π²Π΅ΠΉΠ΅ΡΠΎΠΌ, Π²ΠΊΠ»ΡΡΠ°Ρ Π»ΡΠ±ΡΡ ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²ΠΊΡ Π΄Π°Π½Π½ΡΡ , ΡΡΠ΅Π±ΡΠ΅ΠΌΡΡ Π΄Π»Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΏΠ΅ΡΠ΅Π΄ ΠΏΠΎΠ΄Π³ΠΎΠ½ΠΊΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΊ Π½Π°Π±ΠΎΡΡ ΠΎΠ±ΡΡΠ°ΡΡΠΈΡ Π΄Π°Π½Π½ΡΡ .ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ:
… models = [(‘lr’, LogisticRegression ()), (‘svm’, make_pipeline (StandardScaler (), SVC ())) stacking = StackingClassifier (ΠΎΡΠ΅Π½ΠΊΠΈ = ΠΌΠΎΠ΄Π΅Π»ΠΈ)
… models = [(‘lr’, LogisticRegression ()), (‘svm’, make_pipeline (StandardScaler (), SVC ())) stacking = StackingClassifier (ΡΡΡΠΈΠΌΠ°ΡΠΎΡΡ = ΠΌΠΎΠ΄Π΅Π»ΠΈ) |
ΠΠΎΠ΄Π΅Π»Ρ ΠΈΠ»ΠΈ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠΎΠ²Π½Ρ 1 ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅ΡΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π°ΡΠ³ΡΠΌΠ΅Π½ΡΠ° Β« final_estimator Β».ΠΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ Π΄Π»Ρ Π½Π΅Π³ΠΎ ΡΡΡΠ°Π½ΠΎΠ²Π»Π΅Π½ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ LinearRegression, Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈ LogisticRegression, Π΄Π»Ρ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ, ΠΈ ΡΡΠΎ ΡΠ°Π·ΡΠΌΠ½ΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ, ΠΊΠΎΡΠΎΡΡΠ΅ Π²Ρ, Π²Π΅ΡΠΎΡΡΠ½ΠΎ, Π½Π΅ Π·Π°Ρ ΠΎΡΠΈΡΠ΅ ΠΈΠ·ΠΌΠ΅Π½ΡΡΡ.
ΠΠ°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²Π»Π΅Π½ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ. ΠΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΡΡΡ 5-ΠΊΡΠ°ΡΠ½Π°Ρ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½Π°Ρ ΠΏΡΠΎΠ²Π΅ΡΠΊΠ°, Ρ ΠΎΡΡ ΡΡΠΎ ΠΌΠΎΠΆΠ½ΠΎ ΠΈΠ·ΠΌΠ΅Π½ΠΈΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π°ΡΠ³ΡΠΌΠ΅Π½ΡΠ° Β« cv Β» ΠΈ ΡΡΡΠ°Π½ΠΎΠ²ΠΈΡΡ Π»ΠΈΠ±ΠΎ ΡΠΈΡΠ»ΠΎ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, 10 Π΄Π»Ρ 10-ΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ), Π»ΠΈΠ±ΠΎ ΠΎΠ±ΡΠ΅ΠΊΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, Π‘ΡΡΠ°ΡΠΈΡΠΈΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠΉKFold ).
ΠΠ½ΠΎΠ³Π΄Π° Π±ΠΎΠ»Π΅Π΅ Π²ΡΡΠΎΠΊΠ°Ρ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΡ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π΄ΠΎΡΡΠΈΠ³Π½ΡΡΠ°, Π΅ΡΠ»ΠΈ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ , ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²Π»Π΅Π½Π½ΡΠΉ Π΄Π»Ρ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΡΠ°ΠΊΠΆΠ΅ Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π²Ρ ΠΎΠ΄Π½ΡΠ΅ Π΄Π°Π½Π½ΡΠ΅ Π΄Π»Ρ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΡΡΠΎΠ²Π½Ρ 0, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ Π²Ρ ΠΎΠ΄Π½ΡΠ΅ Π΄Π°Π½Π½ΡΠ΅ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ. ΠΡΠΎΠ³ΠΎ ΠΌΠΎΠΆΠ½ΠΎ Π΄ΠΎΠ±ΠΈΡΡΡΡ, Π·Π°Π΄Π°Π² Π΄Π»Ρ Π°ΡΠ³ΡΠΌΠ΅Π½ΡΠ° Β« passthrough Β» Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ True ΠΈ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ ΠΎΠ½ Π½Π΅ Π²ΠΊΠ»ΡΡΠ΅Π½.
Π’Π΅ΠΏΠ΅ΡΡ, ΠΊΠΎΠ³Π΄Π° ΠΌΡ Π·Π½Π°ΠΊΠΎΠΌΡ Ρ API ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π² scikit-learn, Π΄Π°Π²Π°ΠΉΡΠ΅ ΠΏΠΎΡΠΌΠΎΡΡΠΈΠΌ Π½Π° Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π±ΠΎΡΠΈΡ ΠΏΡΠΈΠΌΠ΅ΡΠΎΠ².
Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ
Π ΡΡΠΎΠΌ ΡΠ°Π·Π΄Π΅Π»Π΅ ΠΌΡ ΡΠ°ΡΡΠΌΠΎΡΡΠΈΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄Π»Ρ ΡΠ΅ΡΠ΅Π½ΠΈΡ Π·Π°Π΄Π°ΡΠΈ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ.
ΠΠΎ-ΠΏΠ΅ΡΠ²ΡΡ , ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΡΠ½ΠΊΡΠΈΡ make_classification () Π΄Π»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ Π·Π°Π΄Π°ΡΠΈ ΡΠΈΠ½ΡΠ΅ΡΠΈΡΠ΅ΡΠΊΠΎΠΉ Π΄Π²ΠΎΠΈΡΠ½ΠΎΠΉ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ Ρ 1000 ΠΏΡΠΈΠΌΠ΅ΡΠ°ΠΌΠΈ ΠΈ 20 Π²Ρ ΠΎΠ΄Π½ΡΠΌΠΈ ΡΡΠ½ΠΊΡΠΈΡΠΌΠΈ.
ΠΠΎΠ»Π½ΡΠΉ ΠΏΡΠΈΠΌΠ΅Ρ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π½ΠΈΠΆΠ΅.
# ΡΠ΅ΡΡΠΎΠ²ΡΠΉ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_classification # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 1) # ΡΠ΅Π·ΡΠΌΠΈΡΡΠ΅ΠΌ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΏΠ΅ΡΠ°ΡΡ (X.ΡΠΎΡΠΌΠ°, y.shape)
# ΡΠ΅ΡΡΠΎΠ²ΡΠΉ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΈΠ· sklearn.datasets import make_classification # define dataset X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = ) # = ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°ΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡΠΏΠ΅ΡΠ°ΡΡ (X.shape, y.shape) |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΡΠΎΠ·Π΄Π°Π΅ΡΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΈ ΡΠ΅Π·ΡΠΌΠΈΡΡΠ΅ΡΡΡ ΡΠΎΡΠΌΠ° Π²Ρ ΠΎΠ΄Π½ΡΡ ΠΈ Π²ΡΡ ΠΎΠ΄Π½ΡΡ ΠΊΠΎΠΌΠΏΠΎΠ½Π΅Π½ΡΠΎΠ².
ΠΠ°ΡΠ΅ΠΌ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΎΡΠ΅Π½ΠΈΡΡ Π½Π°Π±ΠΎΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π² Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ .
Π ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ, ΠΌΡ ΠΎΡΠ΅Π½ΠΈΠΌ ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ ΠΏΡΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ²:
- ΠΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ.
- ΠΊ-Π±Π»ΠΈΠΆΠ°ΠΉΡΠΈΠ΅ ΡΠΎΡΠ΅Π΄ΠΈ.
- ΠΠ΅ΡΠ΅Π²ΠΎ ΡΠ΅ΡΠ΅Π½ΠΈΠΉ.
- ΠΠ°ΡΠΈΠ½Π° ΠΎΠΏΠΎΡΠ½ΡΡ Π²Π΅ΠΊΡΠΎΡΠΎΠ².
- ΠΠ°ΠΈΠ²Π½ΡΠΉ ΠΠ°ΠΉΠ΅Ρ.
ΠΠ°ΠΆΠ΄ΡΠΉ Π°Π»Π³ΠΎΡΠΈΡΠΌ Π±ΡΠ΄Π΅Ρ ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡΡΡ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ Π³ΠΈΠΏΠ΅ΡΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ. Π€ΡΠ½ΠΊΡΠΈΡ get_models () Π½ΠΈΠΆΠ΅ ΡΠΎΠ·Π΄Π°Π΅Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΌΡ Ρ ΠΎΡΠΈΠΌ ΠΎΡΠ΅Π½ΠΈΡΡ.
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () models [‘lr’] = LogisticRegression () models [‘knn’] = KNeighborsClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘cart’] = DecisionTreeClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVC () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘bayes’] = GaussianNB () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘lr’] = LogisticRegression () models [‘knn’] = KNeighborsClassifier () models [‘cart’] = DecisionTreeClassifier () models [‘svm’] = SVC () models [‘bayes’] = GaussianNB () return models |
ΠΠ°ΠΆΠ΄Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ Π±ΡΠ΄Π΅Ρ ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡΡΡ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΌΠ½ΠΎΠ³ΠΎΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ Π² k ΡΠ°Π·.
Π€ΡΠ½ΠΊΡΠΈΡ rating_model () Π½ΠΈΠΆΠ΅ ΠΏΡΠΈΠ½ΠΈΠΌΠ°Π΅Ρ ΡΠΊΠ·Π΅ΠΌΠΏΠ»ΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ Π²ΠΎΠ·Π²ΡΠ°ΡΠ°Π΅Ρ ΡΠΏΠΈΡΠΎΠΊ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ² ΡΡΠ΅Ρ ΠΏΠΎΠ²ΡΠΎΡΠΎΠ² ΡΡΡΠ°ΡΠΈΡΠΈΡΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠΉ 10-ΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ.
# ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡ_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) ΠΎΡΠ΅Π½ΠΊΠΈ = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, ΠΎΡΠ΅Π½ΠΊΠ° = ‘ΡΠΎΡΠ½ΠΎΡΡΡ’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²ΠΎΠ·Π²ΡΠ°Ρ Π±Π°Π»Π»ΠΎΠ²
# ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def Assessment_model (model, X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) scores = cross_val_score (model, X , y, scoring = ‘ΡΠΎΡΠ½ΠΎΡΡΡ’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²ΠΎΠ·Π²ΡΠ°ΡΠ½ΡΡ Π±Π°Π»Π»ΠΎΠ² |
ΠΠ°ΡΠ΅ΠΌ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΡΠΎΡΡΠ°Π²ΠΈΡΡ ΠΎΡΡΠ΅Ρ ΠΎ ΡΡΠ΅Π΄Π½Π΅ΠΉ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°, Π° ΡΠ°ΠΊΠΆΠ΅ ΡΠΎΠ·Π΄Π°ΡΡ Π³ΡΠ°ΡΠΈΠΊ Π² Π²ΠΈΠ΄Π΅ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½ΠΈΠΊΠΎΠ² ΠΈ ΡΡΠΎΠ², ΡΡΠΎΠ±Ρ ΡΡΠ°Π²Π½ΠΈΡΡ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΠ΅ ΠΎΡΠ΅Π½ΠΎΠΊ ΡΠΎΡΠ½ΠΎΡΡΠΈ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°.
ΠΠΎΠ»Π½ΡΠΉ ΠΏΡΠΈΠΌΠ΅Ρ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π½ΠΈΠΆΠ΅.
# ΡΡΠ°Π²Π½ΠΈΡΡ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ Π΄Π²ΠΎΠΈΡΠ½ΠΎΠΉ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ ΠΈΠ· ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΈΠΌΠΏΠΎΡΡΠ° ΠΈΠ· numpy import std ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_classification ΠΈΠ· sklearn.model_selection ΠΈΠΌΠΏΠΎΡΡ cross_val_score ΠΈΠ· sklearn.model_selection import RepeatedStratifiedKFold ΠΈΠ· sklearn.linear_model import LogisticRegression from sklearn.neighbors import KNeighborsClassifier ΠΈΠ· ΡΠΊΠ»Π΅Π°ΡΠ½Π°.Π΄Π΅ΡΠ΅Π²ΠΎ ΠΈΠΌΠΏΠΎΡΡΠ° DecisionTreeClassifier ΠΈΠ· sklearn.svm ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ SVC ΠΈΠ· sklearn.naive_bayes ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ GaussianNB ΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 1) Π²Π΅ΡΠ½ΡΡΡ X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () models [‘lr’] = LogisticRegression () models [‘knn’] = KNeighborsClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘cart’] = DecisionTreeClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVC () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘bayes’] = GaussianNB () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ # ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡ_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) ΠΎΡΠ΅Π½ΠΊΠΈ = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, ΠΎΡΠ΅Π½ΠΊΠ° = ‘ΡΠΎΡΠ½ΠΎΡΡΡ’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²Π΅ΡΠ½ΡΡΡ Π±Π°Π»Π»Ρ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΈΠΌΠ΅Π½Π° = ΡΠΏΠΈΡΠΎΠΊ (), ΡΠΏΠΈΡΠΎΠΊ () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .ΠΡΠ΅Π΄ΠΌΠ΅ΡΡ(): ΠΎΡΠ΅Π½ΠΊΠΈ = ΠΎΡΠ΅Π½ΠΊΠ°_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y) results.append (Π±Π°Π»Π»Ρ) names.append (ΠΈΠΌΡ) print (‘>% s% .3f (% .3f)’% (ΠΈΠΌΡ, ΡΡΠ΅Π΄Π½Π΅Π΅ (Π±Π°Π»Π»Ρ), ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ΅ (Π±Π°Π»Π»Ρ))) # ΠΏΠΎΡΡΡΠΎΠΈΡΡ Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΌΠ΅ΡΠΊΠΈ = ΠΈΠΌΠ΅Π½Π°, showmeans = True) pyplot.show ()
1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42 43 44 45 46 47 | # ΡΡΠ°Π²Π½ΠΈΡΡ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ Π΄Π²ΠΎΠΈΡΠ½ΠΎΠΉ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ ΠΈΠ· numpy import mean ΠΈΠ· numpy import std ΠΈΠ· sklearn.Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_classification ΠΈΠ· sklearn.model_selection ΠΈΠΌΠΏΠΎΡΡ cross_val_score ΠΈΠ· sklearn.model_selection import RepeatedStratifiedKFold ΠΈΠ· sklearn.linear_model import LogisticRegression ΠΈΠ· sklearnifier.neighbours import LogisticRegression ΠΈΠ· sklearnifier.neighbors import sklearnifier.neighbours SVCΠΈΠ· sklearn.naive_bayes import GaussianNB from matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_classification (n_samples n_redundant = 5, random_state = 1) return X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘lr’] = LogisticRegression () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘knn’] = KNeighborsClassifier () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’] = DecisionTreeC lassifier () models [‘svm’] = SVC () models [‘bayes’] = GaussianNB () return models # ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def Assessment_model (model , X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) Π±Π°Π»Π»ΠΎΠ² = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, ΠΎΡΠ΅Π½ΠΊΠ° = ‘ΡΠΎΡΠ½ΠΎΡΡΡ’, cv = cv, n_jobs = -1 , error_score = ‘raise’) Π²Π΅ΡΠ½ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ models = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΈΠΌΠ΅Π½Π° = ΡΠΏΠΈΡΠΎΠΊ (), ΡΠΏΠΈΡΠΎΠΊ () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .items (): scores = valu_model (model, X, y) results.append (scores) names.append (name) print (‘>% s% .3f (% .3f)’% (name, mean (scores), std (scores))) # Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (results, labels = names, showmeans = True) pyplot.show () |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΡΠ½Π°ΡΠ°Π»Π° ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°Π΅ΡΡΡ ΡΠΎΡΠ½ΠΎΡΡΡ ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ ΠΈ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ³ΠΎ ΠΎΡΠΊΠ»ΠΎΠ½Π΅Π½ΠΈΡ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ : ΠΠ°ΡΠΈ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΠΌΠΎΠ³ΡΡ ΠΎΡΠ»ΠΈΡΠ°ΡΡΡΡ ΠΈΠ·-Π·Π° ΡΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΠΏΡΠΈΡΠΎΠ΄Ρ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ° ΠΈΠ»ΠΈ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΈΠ»ΠΈ ΡΠ°Π·Π»ΠΈΡΠΈΠΉ Π² ΡΠΈΡΠ»ΠΎΠ²ΠΎΠΉ ΡΠΎΡΠ½ΠΎΡΡΠΈ.ΠΠΎΠΏΡΠΎΠ±ΡΠΉΡΠ΅ Π·Π°ΠΏΡΡΡΠΈΡΡ ΠΏΡΠΈΠΌΠ΅Ρ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π· ΠΈ ΡΡΠ°Π²Π½ΠΈΡΠ΅ ΡΡΠ΅Π΄Π½ΠΈΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ.
ΠΡ Π²ΠΈΠ΄ΠΈΠΌ, ΡΡΠΎ Π² ΡΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ SVM ΡΠ°Π±ΠΎΡΠ°Π΅Ρ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΡΠΎ ΡΡΠ΅Π΄Π½Π΅ΠΉ ΡΠΎΡΠ½ΠΎΡΡΡΡ ΠΎΠΊΠΎΠ»ΠΎ 95,7%.
> lr 0,866 (0,029) > knn 0,931 (0,025) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° 0.821 (0.050) > SVM 0,957 (0,020) > Π±Π°ΠΉΠ΅ΡΠΎΠ²ΡΠΊΠΈΠΉ 0,833 (0,031)
> lr 0,866 (0,029) > knn 0,931 (0,025) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° 0.821 (0,050) > svm 0,957 (0,020) > Π±Π°ΠΉΠ΅Ρ 0,833 (0,031) |
ΠΠ°ΡΠ΅ΠΌ ΡΠΎΠ·Π΄Π°Π΅ΡΡΡ Π΄ΠΈΠ°Π³ΡΠ°ΠΌΠΌΠ° Ρ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½ΡΠΌΠΈ ΡΡΠ΅ΠΉΠΊΠ°ΠΌΠΈ, ΡΡΠ°Π²Π½ΠΈΠ²Π°ΡΡΠ°Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΡΠΎΡΠ½ΠΎΡΡΠΈ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΡ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΡΡΠΎ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ Π½Π°ΠΌ ΡΡΠ½ΠΎ Π²ΠΈΠ΄Π΅ΡΡ, ΡΡΠΎ KNN ΠΈ SVM Π² ΡΡΠ΅Π΄Π½Π΅ΠΌ ΡΠ°Π±ΠΎΡΠ°ΡΡ Π»ΡΡΡΠ΅, ΡΠ΅ΠΌ LR, CART ΠΈ ΠΠ°ΠΉΠ΅Ρ.
ΠΡΠ°ΡΠΈΠΊ ΡΠΎΡΠ½ΠΎΡΡΠΈ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ Π΄Π²ΠΎΠΈΡΠ½ΠΎΠΉ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ
ΠΠ΄Π΅ΡΡ Ρ Π½Π°Ρ Π΅ΡΡΡ ΠΏΡΡΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ², ΠΊΠΎΡΠΎΡΡΠ΅ Ρ ΠΎΡΠΎΡΠΎ ΡΠ°Π±ΠΎΡΠ°ΡΡ, ΠΏΡΠ΅Π΄ΠΏΠΎΠ»ΠΎΠΆΠΈΡΠ΅Π»ΡΠ½ΠΎ ΠΏΠΎ-ΡΠ°Π·Π½ΠΎΠΌΡ, Ρ ΡΡΠΈΠΌ Π½Π°Π±ΠΎΡΠΎΠΌ Π΄Π°Π½Π½ΡΡ .
ΠΠ°ΡΠ΅ΠΌ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΏΠΎΠΏΡΡΠ°ΡΡΡΡ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½ΠΈΡΡ ΡΡΠΈ ΠΏΡΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π² Π΅Π΄ΠΈΠ½ΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ, ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅.
ΠΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π»ΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ, ΡΡΠΎΠ±Ρ ΡΠ·Π½Π°ΡΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΈΠ· ΠΏΡΡΠΈ ΠΎΡΠ΄Π΅Π»ΡΠ½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ.
Π€ΡΠ½ΠΊΡΠΈΡ get_stacking () Π½ΠΈΠΆΠ΅ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅Ρ ΠΌΠΎΠ΄Π΅Π»Ρ StackingClassifier, ΡΠ½Π°ΡΠ°Π»Π° ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΊΠΎΡΡΠ΅ΠΆΠ΅ΠΉ Π΄Π»Ρ ΠΏΡΡΠΈ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π° Π·Π°ΡΠ΅ΠΌ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΡ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ Π»ΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ Π΄Π»Ρ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ² ΠΈΠ· Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ 5-ΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ.
# ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = ΡΠΏΠΈΡΠΎΠΊ () level0.append ((‘lr’, LogisticRegression ())) level0.append ((‘knn’, KNeighborsClassifier ())) level0.append ((‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’, DecisionTreeClassifier ())) level0.append ((‘svm’, SVC ())) level0.append ((‘Π±Π°ΠΉΠ΅ΡΠΎΠ²ΡΠΊΠΈΠΉ’, GaussianNB ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = ΠΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ model = StackingClassifier (ΠΎΡΠ΅Π½ΠΊΠΈ = level0, final_estimator = level1, cv = 5) Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ
# ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = list () level0.append ((‘lr’, LogisticRegression ())) level0.append ((‘knn’, KNeighborsClassifier ())) level0.append ((‘cart’, DecisionTreeClassifier ())) level0.append ( (‘svm’, SVC ())) level0.append ((‘bayes’, GaussianNB ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΠΎΠ±ΡΡΠ°Π΅ΠΌΠΎΠ³ΠΎ level1 = LogisticRegression () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΡΡΠ΅ΠΊΠΈΡΡΠ΅ΠΌΡΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΠΌΠΎΠ΄Π΅Π»Ρ = StackingClassifier (ΡΡΡΠΈΠΌΠ°ΡΠΎΡΡ = level0, final_estimator = level1, cv = 5) ΠΌΠΎΠ΄Π΅Π»Ρ Π²ΠΎΠ·Π²ΡΠ°ΡΠ° |
ΠΡ ΠΌΠΎΠΆΠ΅ΠΌ Π²ΠΊΠ»ΡΡΠΈΡΡ ΡΠΎΡΡΠ°Π²Π½ΠΎΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π² ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ Π²ΠΌΠ΅ΡΡΠ΅ Ρ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ.
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () models [‘lr’] = LogisticRegression () models [‘knn’] = KNeighborsClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘cart’] = DecisionTreeClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVC () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘bayes’] = GaussianNB () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘stacking’] = get_stacking () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘lr’] = LogisticRegression () models [‘knn’] = KNeighborsClassifier () models [‘cart’] = DecisionTreeClassifier () models [‘svm’] = SVC () models [‘bayes’] = GaussianNB () models [‘stacking’] = get_stacking () return models |
ΠΡ ΠΎΠΆΠΈΠ΄Π°Π΅ΠΌ, ΡΡΠΎ ΡΡΠ΅ΠΊΠΈΡΡΠ΅ΠΌΡΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π±ΡΠ΄Π΅Ρ ΡΠ°Π±ΠΎΡΠ°ΡΡ Π»ΡΡΡΠ΅, ΡΠ΅ΠΌ Π»ΡΠ±Π°Ρ ΠΎΡΠ΄Π΅Π»ΡΠ½Π°Ρ Π±Π°Π·ΠΎΠ²Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ.
ΠΡΠΎ Π½Π΅ Π²ΡΠ΅Π³Π΄Π° ΡΠ°ΠΊ, ΠΈ Π΅ΡΠ»ΠΈ ΡΡΠΎ Π½Π΅ ΡΠ°ΠΊ, ΡΠΎ ΡΠ»Π΅Π΄ΡΠ΅Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π² ΠΏΠΎΠ»ΡΠ·Ρ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΠΎΠ»Π½ΡΠΉ ΠΏΡΠΈΠΌΠ΅Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π²ΠΌΠ΅ΡΡΠ΅ Ρ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π½ΠΈΠΆΠ΅.
# ΡΡΠ°Π²Π½ΠΈΠ²Π°Π΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Ρ ΠΊΠ°ΠΆΠ΄ΡΠΌ Π±Π°Π·ΠΎΠ²ΡΠΌ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΎΡΠΎΠΌ ΠΈΠ· ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΈΠΌΠΏΠΎΡΡΠ° ΠΈΠ· numpy import std ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_classification ΠΈΠ· sklearn.model_selection ΠΈΠΌΠΏΠΎΡΡ cross_val_score ΠΈΠ· ΡΠΊΠ»Π΅Π°ΡΠ½Π°.model_selection import RepeatedStratifiedKFold ΠΈΠ· sklearn.linear_model import LogisticRegression from sklearn.neighbors import KNeighborsClassifier ΠΈΠ· sklearn.tree ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ DecisionTreeClassifier ΠΈΠ· sklearn.svm ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ SVC ΠΈΠ· sklearn.naive_bayes ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ GaussianNB ΠΈΠ· sklearn.ensemble ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ StackingClassifier ΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 1) Π²Π΅ΡΠ½ΡΡΡ X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = ΡΠΏΠΈΡΠΎΠΊ () level0.append ((‘lr’, LogisticRegression ())) level0.append ((‘knn’, KNeighborsClassifier ())) level0.append ((‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’, DecisionTreeClassifier ())) level0.append ((‘svm’, SVC ())) level0.append ((‘Π±Π°ΠΉΠ΅ΡΠΎΠ²ΡΠΊΠΈΠΉ’, GaussianNB ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = ΠΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ model = StackingClassifier (ΠΎΡΠ΅Π½ΠΊΠΈ = level0, final_estimator = level1, cv = 5) ΠΌΠΎΠ΄Π΅Π»Ρ Π²ΠΎΠ·Π²ΡΠ°ΡΠ° # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () models [‘lr’] = LogisticRegression () models [‘knn’] = KNeighborsClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘cart’] = DecisionTreeClassifier () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVC () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘bayes’] = GaussianNB () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘stacking’] = get_stacking () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»Π΅Π½ΠΈΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡ_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) ΠΎΡΠ΅Π½ΠΊΠΈ = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, ΠΎΡΠ΅Π½ΠΊΠ° = ‘ΡΠΎΡΠ½ΠΎΡΡΡ’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²Π΅ΡΠ½ΡΡΡ Π±Π°Π»Π»Ρ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΈΠΌΠ΅Π½Π° = ΡΠΏΠΈΡΠΎΠΊ (), ΡΠΏΠΈΡΠΎΠΊ () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .ΠΡΠ΅Π΄ΠΌΠ΅ΡΡ(): ΠΎΡΠ΅Π½ΠΊΠΈ = ΠΎΡΠ΅Π½ΠΊΠ°_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y) results.append (Π±Π°Π»Π»Ρ) names.append (ΠΈΠΌΡ) print (‘>% s% .3f (% .3f)’% (ΠΈΠΌΡ, ΡΡΠ΅Π΄Π½Π΅Π΅ (Π±Π°Π»Π»Ρ), ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ΅ (Π±Π°Π»Π»Ρ))) # ΠΏΠΎΡΡΡΠΎΠΈΡΡ Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΌΠ΅ΡΠΊΠΈ = ΠΈΠΌΠ΅Π½Π°, showmeans = True) pyplot.show ()
1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42 43 44 45 46 49 0002 4700030002 47000351 52 53 54 55 56 57 58 59 60 61 62 63 9 0002 6465 | # compare ensemble to each baseline classifier from numpy import mean from numpy import std from sklearn.Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_classification ΠΈΠ· sklearn.model_selection ΠΈΠΌΠΏΠΎΡΡ cross_val_score ΠΈΠ· sklearn.model_selection import RepeatedStratifiedKFold ΠΈΠ· sklearn.linear_model import LogisticRegression ΠΈΠ· sklearnifier.neighbours import LogisticRegression ΠΈΠ· sklearnifier.neighbors import sklearnifier.neighbours SVCΠΈΠ· sklearn.naive_bayes ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ GaussianNB ΠΈΠ· sklearn.ensemble ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ StackingClassifier ΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ = def get_datification 9_dataset (): n_features = 20, n_informative = 15, n_redundant = 5, random_state = 1) return X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π±Π°Π·ΠΎΠ²ΠΎΠ³ΠΎ ΡΡΠΎΠ²Π½Ρ = list () level0.append ((‘lr’, LogisticRegression ())) level0.append ((‘knn’, KNeighborsClassifier ())) level0.append ((‘cart’, DecisionTreeClassifier ())) level0.append ( (‘svm’, SVC ())) level0.append ((‘bayes’, GaussianNB ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = LogisticRegression () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΡΡΠ΅ΠΊΠΎΠ²ΡΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΠΌΠΎΠ΄Π΅Π»Ρ = StackingClassifier (Estimators = level0, final_estimator = level1, cv = 5) return model # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘ lr ‘] = LogisticRegression () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘ knn ‘] = KNeighborsClassifier () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘ cart ‘] = DecisionTreeClassifier () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘ svm ‘] = SVC () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘ bayes ‘ ] = GaussianNB () ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ [‘stacking’] = get_stacking () return models # ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def Assessment_model (model, X, y): cv = RepeatedStratifiedKFold (n_splits = 10, n_repeats = 3, random_state = 1) Π±Π°Π»Π»ΠΎΠ² = cross_val_score (model, X, y, scoring = » ΡΠΎΡΠ½ΠΎΡΡΡ ‘, cv = cv, n_jobs = -1, error_score =’ raise ‘) Π²Π΅ΡΠ½ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ models = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ results, names = list (), list () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .items (): scores = valu_model (model, X, y) results.append (scores) names.append (name) print (‘>% s% .3f (% .3f)’% (name, mean (scores), std (scores))) # Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (results, labels = names, showmeans = True) pyplot.show () |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΡΠ½Π°ΡΠ°Π»Π° ΡΠΎΠΎΠ±ΡΠ°Π΅ΡΡΡ ΠΎ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ. ΠΡΠΎ Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π² ΡΠ΅Π±Ρ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ Π±Π°Π·ΠΎΠ²ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ, Π° Π·Π°ΡΠ΅ΠΌ ΠΈ ΠΊΠΎΠΌΠΏΠ»Π΅ΠΊΡΠ° ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ.
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ : ΠΠ°ΡΠΈ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΠΌΠΎΠ³ΡΡ ΠΎΡΠ»ΠΈΡΠ°ΡΡΡΡ ΠΈΠ·-Π·Π° ΡΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΠΏΡΠΈΡΠΎΠ΄Ρ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ° ΠΈΠ»ΠΈ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΈΠ»ΠΈ ΡΠ°Π·Π»ΠΈΡΠΈΠΉ Π² ΡΠΈΡΠ»ΠΎΠ²ΠΎΠΉ ΡΠΎΡΠ½ΠΎΡΡΠΈ. ΠΠΎΠΏΡΠΎΠ±ΡΠΉΡΠ΅ Π·Π°ΠΏΡΡΡΠΈΡΡ ΠΏΡΠΈΠΌΠ΅Ρ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π· ΠΈ ΡΡΠ°Π²Π½ΠΈΡΠ΅ ΡΡΠ΅Π΄Π½ΠΈΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ.
Π ΡΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ ΠΌΡ Π²ΠΈΠ΄ΠΈΠΌ, ΡΡΠΎ ΡΡΠΌΠΌΠΈΡΡΡΡΠΈΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π² ΡΡΠ΅Π΄Π½Π΅ΠΌ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ Π»ΡΡΡΠ΅, ΡΠ΅ΠΌ Π»ΡΠ±Π°Ρ ΠΎΡΠ΄Π΅Π»ΡΠ½Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ, Π΄ΠΎΡΡΠΈΠ³Π°Ρ ΡΠΎΡΠ½ΠΎΡΡΠΈ ΠΎΠΊΠΎΠ»ΠΎ 96,4 ΠΏΡΠΎΡΠ΅Π½ΡΠ°.
> lr 0,866 (0,029) > knn 0,931 (0,025) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° 0.820 (0,044) > SVM 0,957 (0,020) > Π±Π°ΠΉΠ΅ΡΠΎΠ²ΡΠΊΠΈΠΉ 0,833 (0,031) > ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ 0,964 (0,019)
> lr 0,866 (0,029) > knn 0,931 (0,025) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° 0,820 (0,044) > svm 0,957 (0,020) > Π±Π°ΠΉΠ΅Ρ 0,833 (0,031) > ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ 0,964 (0,019) |
Π‘ΠΎΠ·Π΄Π°Π΅ΡΡΡ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½Π°Ρ Π΄ΠΈΠ°Π³ΡΠ°ΠΌΠΌΠ°, ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡΠ°Ρ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΠ΅ ΡΠΎΡΠ½ΠΎΡΡΠΈ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΠ΄Π΅ΡΡ ΠΌΡ Π²ΠΈΠ΄ΠΈΠΌ, ΡΡΠΎ ΡΡΠ΅Π΄Π½ΡΡ ΠΈ ΠΌΠ΅Π΄ΠΈΠ°Π½Π½Π°Ρ ΡΠΎΡΠ½ΠΎΡΡΡ Π΄Π»Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π²ΡΡΠ΅, ΡΠ΅ΠΌ Π΄Π»Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ SVM.
ΠΡΠ°ΡΠΈΠΊ ΡΠΎΡΠ½ΠΎΡΡΠΈ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Ρ Π½Π°ΠΊΠΎΠΏΠ»Π΅Π½ΠΈΠ΅ΠΌ Π΄Π»Ρ Π΄Π²ΠΎΠΈΡΠ½ΠΎΠΉ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ
ΠΡΠ»ΠΈ ΠΌΡ Π²ΡΠ±Π΅ΡΠ΅ΠΌ Π½Π°Π±ΠΎΡ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ Π½Π°ΡΠ΅ΠΉ ΠΎΠΊΠΎΠ½ΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΌΡ ΡΠΌΠΎΠΆΠ΅ΠΌ ΠΏΠΎΠ΄ΠΎΠ³Π½Π°ΡΡ Π΅Π³ΠΎ ΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½ΠΎΠ²ΡΡ Π΄Π°Π½Π½ΡΡ , ΠΊΠ°ΠΊ ΠΈ Π»ΡΠ±ΡΡ Π΄ΡΡΠ³ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ.
Π‘Π½Π°ΡΠ°Π»Π° Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π΄Π»Ρ Π²ΡΠ΅Ρ Π΄ΠΎΡΡΡΠΏΠ½ΡΡ Π΄Π°Π½Π½ΡΡ , Π·Π°ΡΠ΅ΠΌ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π²ΡΠ·Π²Π°Π½Π° ΡΡΠ½ΠΊΡΠΈΡ predic () Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½ΠΎΠ²ΡΡ Π΄Π°Π½Π½ΡΡ .
ΠΡΠΈΠΌΠ΅Ρ Π½ΠΈΠΆΠ΅ Π΄Π΅ΠΌΠΎΠ½ΡΡΡΠΈΡΡΠ΅Ρ ΡΡΠΎ Π½Π° Π½Π°ΡΠ΅ΠΌ Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ Π΄Π²ΠΎΠΈΡΠ½ΠΎΠΉ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ.
# ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ· Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_classification ΠΈΠ· sklearn.ensemble ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ StackingClassifier ΠΈΠ· sklearn.linear_model import LogisticRegression from sklearn.neighbors import KNeighborsClassifier ΠΈΠ· sklearn.tree ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ DecisionTreeClassifier ΠΈΠ· sklearn.svm ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ SVC ΠΈΠ· sklearn.naive_bayes ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ GaussianNB # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 1) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = ΡΠΏΠΈΡΠΎΠΊ () level0.append ((‘lr’, LogisticRegression ())) level0.append ((‘knn’, KNeighborsClassifier ())) level0.append ((‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’, DecisionTreeClassifier ())) level0.append ((‘svm’, SVC ())) level0.append ((‘Π±Π°ΠΉΠ΅ΡΠΎΠ²ΡΠΊΠΈΠΉ’, GaussianNB ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = ΠΠΎΠ³ΠΈΡΡΠΈΡΠ΅ΡΠΊΠ°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ model = StackingClassifier (ΠΎΡΠ΅Π½ΠΊΠΈ = level0, final_estimator = level1, cv = 5) # ΠΏΠΎΠ΄ΠΎΠ³Π½Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ ΠΏΠΎ Π²ΡΠ΅ΠΌ ΠΈΠΌΠ΅ΡΡΠΈΠΌΡΡ Π΄Π°Π½Π½ΡΠΌ model.fit (X, y) # ΡΠ΄Π΅Π»Π°Π΅ΠΌ ΠΏΡΠΎΠ³Π½ΠΎΠ· Π½Π° ΠΎΠ΄Π½ΠΎΠΌ ΠΏΡΠΈΠΌΠ΅ΡΠ΅ Π΄Π°Π½Π½ΡΠ΅ = [[2.47475454,0.40165523,1.68081787,2.88940715,0.
519, -3.07950644,4.39961206,0.72464273, -4.86563631, -6.06338084, -1.22209949, -0.4699618, -0.51222748, -0.68993578410, -0.58993578410, -0.58993578410, -0.58 ]] yhat = model.predict (Π΄Π°Π½Π½ΡΠ΅) print (‘ΠΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΡΠ΅ΠΌΡΠΉ ΠΊΠ»Π°ΡΡ:% d’% (yhat))1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 25 26 27 | # ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ· Ρ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅ΠΌ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΈΠ· sklearn.Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ import make_classification from sklearn.ensemble import StackingClassifier from sklearn.linear_model import LogisticRegression from sklearn.neighbours import KNeighborsClassifier from sklearnive.tree import DecisionTreeClass2 9. GaussianNB # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = make_classification (n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 1) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = () level0.append ((‘lr’, LogisticRegression ()))level0.append ((‘knn’, KNeighborsClassifier ())) level0.append ((‘cart’, DecisionTreeClassifier ())) level0.append ( (‘svm’, SVC ())) level0.append ((‘bayes’, GaussianNB ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = LogisticRegression () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΡΡΠ΅ΠΊΠΎΠ²ΡΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΠΌΠΎΠ΄Π΅Π»Ρ = StackingClassifier (Estimators = level0, final_estimator = level1, cv = 5) # ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΠ΅Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π½Π° Π²ΡΠ΅Ρ Π΄ΠΎΡΡΡΠΏΠ½ΡΡ Π΄Π°Π½Π½ΡΡ model.fit (X, y) # ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ· Π΄Π»Ρ ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΠΏΡΠΈΠΌΠ΅ΡΠ° data = [[2.47475454,0.40165523,1.68081787,2.88940715,0. 519, -3.07950644,4.39961206,0.72464273, -4.86563631, -620338049, -4.86563631, -620338049, 1.01222748, -0.6899355, -0.53000581,6.86966784, -3.27211075, -6.546, -2.212, -3.139579]]yhat = model.predict (data) print (‘Predicted Classhat:% d)’% (y |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΠΌΠΎΠ΄Π΅Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΠ΅Ρ Π²ΡΠ΅ΠΌΡ Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ , Π° Π·Π°ΡΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΡΡΡ Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½ΠΎΠ²ΠΎΠΉ ΡΡΡΠΎΠΊΠΈ Π΄Π°Π½Π½ΡΡ , ΠΊΠ°ΠΊ ΠΌΡ ΠΌΠΎΠ³Π»ΠΈ Π±Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π² ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΈ.
Π£ΠΊΠ»Π°Π΄ΠΊΠ° Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ
Π ΡΡΠΎΠΌ ΡΠ°Π·Π΄Π΅Π»Π΅ ΠΌΡ ΡΠ°ΡΡΠΌΠΎΡΡΠΈΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄Π»Ρ ΡΠ΅ΡΠ΅Π½ΠΈΡ Π·Π°Π΄Π°ΡΠΈ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ.
ΠΠΎ-ΠΏΠ΅ΡΠ²ΡΡ , ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΡΠ½ΠΊΡΠΈΡ make_regression () Π΄Π»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ Π·Π°Π΄Π°ΡΠΈ ΡΠΈΠ½ΡΠ΅ΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ Ρ 1000 ΠΏΡΠΈΠΌΠ΅ΡΠ°ΠΌΠΈ ΠΈ 20 Π²Ρ ΠΎΠ΄Π½ΡΠΌΠΈ ΡΡΠ½ΠΊΡΠΈΡΠΌΠΈ.
ΠΠΎΠ»Π½ΡΠΉ ΠΏΡΠΈΠΌΠ΅Ρ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π½ΠΈΠΆΠ΅.
# ΡΠ΅ΡΡΠΎΠ²ΡΠΉ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_regression # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1) # ΡΠ΅Π·ΡΠΌΠΈΡΡΠ΅ΠΌ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΏΠ΅ΡΠ°ΡΡ (X.shape, y.shape)
# ΡΠ΅ΡΡΠΎΠ²ΡΠΉ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈΠ· sklearn.datasets import make_regression # define dataset X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1) # ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°ΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡΠΏΠ΅ΡΠ°ΡΡ (X.shape, y.shape) |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΡΠΎΠ·Π΄Π°Π΅ΡΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΈ ΡΠ΅Π·ΡΠΌΠΈΡΡΠ΅ΡΡΡ ΡΠΎΡΠΌΠ° Π²Ρ ΠΎΠ΄Π½ΡΡ ΠΈ Π²ΡΡ ΠΎΠ΄Π½ΡΡ ΠΊΠΎΠΌΠΏΠΎΠ½Π΅Π½ΡΠΎΠ².
ΠΠ°ΡΠ΅ΠΌ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΎΡΠ΅Π½ΠΈΡΡ Π½Π°Π±ΠΎΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π² Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ .
Π ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ, ΠΌΡ ΠΎΡΠ΅Π½ΠΈΠΌ ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ ΡΡΠΈ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°:
- ΠΊ-ΠΠ»ΠΈΠΆΠ°ΠΉΡΠΈΠ΅ ΡΠΎΡΠ΅Π΄ΠΈ.
- ΠΠ΅ΡΠ΅Π²ΠΎ ΡΠ΅ΡΠ΅Π½ΠΈΠΉ.
- ΠΠΏΠΎΡΠ½Π°Ρ Π²Π΅ΠΊΡΠΎΡΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ.
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ : Π’Π΅ΡΡΠΎΠ²ΡΠΉ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΡΡΠΈΠ²ΠΈΠ°Π»ΡΠ½ΠΎ ΡΠ΅ΡΠ΅Π½ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ, ΠΏΠΎΡΠΊΠΎΠ»ΡΠΊΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ Π±ΡΠ» ΡΠΎΠ·Π΄Π°Π½ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΡΠΊΡΡΡΠΎΠΉ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ. Π’Π°ΠΊΠΈΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ, ΠΌΡ ΠΎΡΡΠ°Π²ΠΈΠΌ ΡΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π²Π½Π΅ ΠΏΡΠΈΠΌΠ΅ΡΠ°, ΡΡΠΎΠ±Ρ ΠΏΡΠΎΠ΄Π΅ΠΌΠΎΠ½ΡΡΡΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠ΅ΠΈΠΌΡΡΠ΅ΡΡΠ²Π° ΠΌΠ΅ΡΠΎΠ΄Π° Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ.
ΠΠ°ΠΆΠ΄ΡΠΉ Π°Π»Π³ΠΎΡΠΈΡΠΌ Π±ΡΠ΄Π΅Ρ ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡΡΡ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ Π³ΠΈΠΏΠ΅ΡΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΏΠΎ ΡΠΌΠΎΠ»ΡΠ°Π½ΠΈΡ. Π€ΡΠ½ΠΊΡΠΈΡ get_models () Π½ΠΈΠΆΠ΅ ΡΠΎΠ·Π΄Π°Π΅Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΌΡ Ρ ΠΎΡΠΈΠΌ ΠΎΡΠ΅Π½ΠΈΡΡ.
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘knn’] = KNeighborsRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’] = DecisionTreeRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVR () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘knn’] = KNeighborsRegressor () models [‘cart’] = DecisionTreeRegressor () models [‘svm’] = SVR () return models |
ΠΠ°ΠΆΠ΄Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ Π±ΡΠ΄Π΅Ρ ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡΡΡ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΠΌΠ½ΠΎΠ³ΠΎΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ Π² k ΡΠ°Π·.ΠΡΠΈΠ²Π΅Π΄Π΅Π½Π½Π°Ρ Π½ΠΈΠΆΠ΅ ΡΡΠ½ΠΊΡΠΈΡ rating_model () ΠΏΡΠΈΠ½ΠΈΠΌΠ°Π΅Ρ ΡΠΊΠ·Π΅ΠΌΠΏΠ»ΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ Π²ΠΎΠ·Π²ΡΠ°ΡΠ°Π΅Ρ ΡΠΏΠΈΡΠΎΠΊ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ² ΡΡΠ΅Ρ ΠΏΠΎΠ²ΡΠΎΡΠ΅Π½ΠΈΠΉ 10-ΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ.
# ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡ_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y): cv = RepeatedKFold (n_splits = 10, n_repeats = 3, random_state = 1) scores = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, scoring = ‘neg_mean_absolute_error’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²ΠΎΠ·Π²ΡΠ°Ρ Π±Π°Π»Π»ΠΎΠ²
# ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def Assessment_model (model, X, y): cv = RepeatedKFold (n_splits = 10, n_repeats = 3, random_state = 1) Π±Π°Π»Π»ΠΎΠ² = cross_val_score (model, X , y, scoring = ‘neg_mean_absolute_error’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²Π΅ΡΠ½ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ |
ΠΠ°ΡΠ΅ΠΌ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΡΠΎΡΡΠ°Π²ΠΈΡΡ ΠΎΡΡΠ΅Ρ ΠΎ ΡΡΠ΅Π΄Π½Π΅ΠΉ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°, Π° ΡΠ°ΠΊΠΆΠ΅ ΡΠΎΠ·Π΄Π°ΡΡ Π³ΡΠ°ΡΠΈΠΊ Π² Π²ΠΈΠ΄Π΅ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½ΠΈΠΊΠΎΠ² ΠΈ ΡΡΠΎΠ², ΡΡΠΎΠ±Ρ ΡΡΠ°Π²Π½ΠΈΡΡ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΠ΅ ΠΎΡΠ΅Π½ΠΎΠΊ ΡΠΎΡΠ½ΠΎΡΡΠΈ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°.
Π ΡΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π±ΡΠ΄ΡΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½Ρ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΡΡΠ΅Π΄Π½Π΅ΠΉ Π°Π±ΡΠΎΠ»ΡΡΠ½ΠΎΠΉ ΠΎΡΠΈΠ±ΠΊΠΈ (MAE). ΠΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° scikit-learn ΠΌΠ΅Π½ΡΠ΅Ρ Π·Π½Π°ΠΊ ΡΡΠΎΠΉ ΠΎΡΠΈΠ±ΠΊΠΈ, ΡΡΠΎΠ±Ρ ΡΠ²Π΅Π»ΠΈΡΠΈΡΡ Π΅Π΅, ΠΎΡ -infinity Π΄ΠΎ 0 Π΄Π»Ρ Π»ΡΡΡΠ΅Π³ΠΎ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠ°.
ΠΠΎΠ»Π½ΡΠΉ ΠΏΡΠΈΠΌΠ΅Ρ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π½ΠΈΠΆΠ΅.
# ΡΡΠ°Π²Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π½Π° ΠΏΡΠ΅Π΄ΠΌΠ΅Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈΠ· ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΈΠΌΠΏΠΎΡΡΠ° ΠΈΠ· numpy import std ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_regression ΠΈΠ· sklearn.model_selection ΠΈΠΌΠΏΠΎΡΡ cross_val_score ΠΈΠ· ΡΠΊΠ»Π΅Π°ΡΠ½Π°.model_selection import RepeatedKFold ΠΈΠ· sklearn.linear_model import LinearRegression ΠΈΠ· sklearn.neighbours import KNeighborsRegressor ΠΈΠ· sklearn.tree import DecisionTreeRegressor ΠΈΠ· sklearn.svm ΠΈΠΌΠΏΠΎΡΡ SVR ΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1) Π²Π΅ΡΠ½ΡΡΡ X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘knn’] = KNeighborsRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’] = DecisionTreeRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVR () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ # ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡ_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y): cv = RepeatedKFold (n_splits = 10, n_repeats = 3, random_state = 1) scores = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, scoring = ‘neg_mean_absolute_error’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²Π΅ΡΠ½ΡΡΡ Π±Π°Π»Π»Ρ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΈΠΌΠ΅Π½Π° = ΡΠΏΠΈΡΠΎΠΊ (), ΡΠΏΠΈΡΠΎΠΊ () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .ΠΡΠ΅Π΄ΠΌΠ΅ΡΡ(): ΠΎΡΠ΅Π½ΠΊΠΈ = ΠΎΡΠ΅Π½ΠΊΠ°_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y) results.append (Π±Π°Π»Π»Ρ) names.append (ΠΈΠΌΡ) print (‘>% s% .3f (% .3f)’% (ΠΈΠΌΡ, ΡΡΠ΅Π΄Π½Π΅Π΅ (Π±Π°Π»Π»Ρ), ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ΅ (Π±Π°Π»Π»Ρ))) # ΠΏΠΎΡΡΡΠΎΠΈΡΡ Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΌΠ΅ΡΠΊΠΈ = ΠΈΠΌΠ΅Π½Π°, showmeans = True) pyplot.show ()
1 2 3 4 5 6 7 8 9 10 11 12 13 140002 14 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42 43 44 45 | # ΡΡΠ°Π²Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈΠ· numpy import mean ΠΈΠ· numpy import std ΠΈΠ· sklearn.Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ import make_regression from sklearn.model_selection import cross_val_score from sklearn.model_selection import RepeatedKFold from sklearn.linear_model import LinearRegression from sklearn.neighbors import SVRΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1) return X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘knn’] = KNeighborsRegressor () models [‘cart’] = DecisionTreeRegressor () models [‘svm’] = SVR () return models # ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def Assessment_model (model, X, y): cv = RepeatedKFold (n_splits = 10, n_repeats = 3, random_state = 1) Π±Π°Π»Π»ΠΎΠ² = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, scoring = ‘neg_mean_absolute_error’, cv = cv, n_jobs = -1, error_score ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²Π΅ΡΠ½ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ models = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΈΠΌΠ΅Π½Π° = ΡΠΏΠΈΡΠΎΠΊ (), ΡΠΏΠΈΡΠΎΠΊ () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .items (): scores = valu_model (model, X, y) results.append (scores) names.append (name) print (‘>% s% .3f (% .3f)’% (name, mean (scores), std (scores))) # Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (results, labels = names, showmeans = True) pyplot.show () |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΡΠ½Π°ΡΠ°Π»Π° ΠΎΡΠΎΠ±ΡΠ°ΠΆΠ°Π΅ΡΡΡ ΡΡΠ΅Π΄Π½Π΅Π΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΈ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ΅ ΠΎΡΠΊΠ»ΠΎΠ½Π΅Π½ΠΈΠ΅ MAE Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ : ΠΠ°ΡΠΈ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΠΌΠΎΠ³ΡΡ ΠΎΡΠ»ΠΈΡΠ°ΡΡΡΡ ΠΈΠ·-Π·Π° ΡΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΠΏΡΠΈΡΠΎΠ΄Ρ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ° ΠΈΠ»ΠΈ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΈΠ»ΠΈ ΡΠ°Π·Π»ΠΈΡΠΈΠΉ Π² ΡΠΈΡΠ»ΠΎΠ²ΠΎΠΉ ΡΠΎΡΠ½ΠΎΡΡΠΈ.ΠΠΎΠΏΡΠΎΠ±ΡΠΉΡΠ΅ Π·Π°ΠΏΡΡΡΠΈΡΡ ΠΏΡΠΈΠΌΠ΅Ρ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π· ΠΈ ΡΡΠ°Π²Π½ΠΈΡΠ΅ ΡΡΠ΅Π΄Π½ΠΈΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ.
ΠΡ Π²ΠΈΠ΄ΠΈΠΌ, ΡΡΠΎ Π² ΡΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ KNN ΡΠ°Π±ΠΎΡΠ°Π΅Ρ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΡΠΎ ΡΡΠ΅Π΄Π½Π΅ΠΉ ΠΎΡΡΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ MAE ΠΎΠΊΠΎΠ»ΠΎ -100.
> knn -101,019 (7,161) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° -148.100 (11.039) > Π‘ΠΠ -162,419 (12,565)
> knn -101.019 (7.161) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° -148.100 (11.039) > svm -162.419 (12.565) |
ΠΠ°ΡΠ΅ΠΌ ΡΠΎΠ·Π΄Π°Π΅ΡΡΡ Π΄ΠΈΠ°Π³ΡΠ°ΠΌΠΌΠ° «ΡΡΠΈΠΊ ΠΈ ΡΡ», ΡΡΠ°Π²Π½ΠΈΠ²Π°ΡΡΠ°Ρ ΠΎΡΡΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ MAE ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΡ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
Π―ΡΠΈΡΠ½ΡΠΉ Π³ΡΠ°ΡΠΈΠΊ ΠΎΡΡΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΡΠ΅Π΄Π½Π΅ΠΉ Π°Π±ΡΠΎΠ»ΡΡΠ½ΠΎΠΉ ΠΎΡΠΈΠ±ΠΊΠΈ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ
ΠΠ΄Π΅ΡΡ Ρ Π½Π°Ρ Π΅ΡΡΡ ΡΡΠΈ ΡΠ°Π·Π½ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°, ΠΊΠΎΡΠΎΡΡΠ΅ Ρ ΠΎΡΠΎΡΠΎ ΡΠ°Π±ΠΎΡΠ°ΡΡ, ΠΏΡΠ΅Π΄ΠΏΠΎΠ»ΠΎΠΆΠΈΡΠ΅Π»ΡΠ½ΠΎ ΠΏΠΎ-ΡΠ°Π·Π½ΠΎΠΌΡ, Π² ΡΡΠΎΠΌ Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ .
ΠΠ°ΡΠ΅ΠΌ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΏΠΎΠΏΡΡΠ°ΡΡΡΡ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½ΠΈΡΡ ΡΡΠΈ ΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² Π΅Π΄ΠΈΠ½ΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ, ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅.
ΠΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ, ΡΡΠΎΠ±Ρ ΡΠ·Π½Π°ΡΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΈΠ· ΡΡΠ΅Ρ ΠΎΡΠ΄Π΅Π»ΡΠ½ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ.
Π€ΡΠ½ΠΊΡΠΈΡ get_stacking () Π½ΠΈΠΆΠ΅ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅Ρ ΠΌΠΎΠ΄Π΅Π»Ρ StackingRegressor, ΡΠ½Π°ΡΠ°Π»Π° ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΊΠΎΡΡΠ΅ΠΆΠ΅ΠΉ Π΄Π»Ρ ΡΡΠ΅Ρ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π° Π·Π°ΡΠ΅ΠΌ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΡ ΠΌΠ΅ΡΠ°ΠΌΠΎΠ΄Π΅Π»Ρ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ Π΄Π»Ρ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ² ΠΈΠ· Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ 5-ΠΊΡΠ°ΡΠ½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ.
# ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = ΡΠΏΠΈΡΠΎΠΊ () level0.append ((‘knn’, KNeighborsRegressor ())) level0.append ((‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’, DecisionTreeRegressor ())) level0.append ((‘svm’, SVR ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = ΠΠΈΠ½Π΅ΠΉΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ model = StackingRegressor (ΠΎΡΠ΅Π½ΠΊΠΈ = level0, final_estimator = level1, cv = 5) Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ
# ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = list () level0.append ((‘knn’, KNeighborsRegressor ())) level0.append ((‘cart’, DecisionTreeRegressor ())) level0.append ((‘svm’, SVR ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΡΡΠ΅Π½ΠΈΠΊΠ° model level1 = LinearRegression () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ model = StackingRegressor (Estimators = level0, final_estimator = level1, cv = 5) return model |
ΠΡ ΠΌΠΎΠΆΠ΅ΠΌ Π²ΠΊΠ»ΡΡΠΈΡΡ ΡΠΎΡΡΠ°Π²Π½ΠΎΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π² ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ Π²ΠΌΠ΅ΡΡΠ΅ Ρ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ.
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘knn’] = KNeighborsRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’] = DecisionTreeRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVR () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘stacking’] = get_stacking () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ
# ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘knn’] = KNeighborsRegressor () models [‘cart’] = DecisionTreeRegressor () models [‘svm’] = SVR () models [‘stacking’] = get_stacking () return models |
ΠΡ ΠΎΠΆΠΈΠ΄Π°Π΅ΠΌ, ΡΡΠΎ ΡΡΠ΅ΠΊΠΈΡΡΠ΅ΠΌΡΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π±ΡΠ΄Π΅Ρ ΡΠ°Π±ΠΎΡΠ°ΡΡ Π»ΡΡΡΠ΅, ΡΠ΅ΠΌ Π»ΡΠ±Π°Ρ ΠΎΡΠ΄Π΅Π»ΡΠ½Π°Ρ Π±Π°Π·ΠΎΠ²Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ.
ΠΡΠΎ Π½Π΅ Π²ΡΠ΅Π³Π΄Π° ΡΠ°ΠΊ, ΠΈ Π΅ΡΠ»ΠΈ ΡΡΠΎ Π½Π΅ ΡΠ°ΠΊ, ΡΠΎ ΡΠ»Π΅Π΄ΡΠ΅Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π±Π°Π·ΠΎΠ²ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π² ΠΏΠΎΠ»ΡΠ·Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ.
ΠΠΎΠ»Π½ΡΠΉ ΠΏΡΠΈΠΌΠ΅Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π²ΠΌΠ΅ΡΡΠ΅ Ρ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π½ΠΈΠΆΠ΅.
# ΡΡΠ°Π²Π½ΠΈΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΡΡ Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈΠ· ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΈΠΌΠΏΠΎΡΡΠ° ΠΈΠ· numpy import std ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_regression ΠΈΠ· sklearn.model_selection ΠΈΠΌΠΏΠΎΡΡ cross_val_score ΠΈΠ· ΡΠΊΠ»Π΅Π°ΡΠ½Π°.model_selection import RepeatedKFold ΠΈΠ· sklearn.linear_model import LinearRegression ΠΈΠ· sklearn.neighbours import KNeighborsRegressor ΠΈΠ· sklearn.tree import DecisionTreeRegressor ΠΈΠ· sklearn.svm ΠΈΠΌΠΏΠΎΡΡ SVR ΠΈΠ· sklearn.ensemble ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ StackingRegressor ΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1) Π²Π΅ΡΠ½ΡΡΡ X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = ΡΠΏΠΈΡΠΎΠΊ () level0.append ((‘knn’, KNeighborsRegressor ())) level0.append ((‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’, DecisionTreeRegressor ())) level0.append ((‘svm’, SVR ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = ΠΠΈΠ½Π΅ΠΉΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ model = StackingRegressor (ΠΎΡΠ΅Π½ΠΊΠΈ = level0, final_estimator = level1, cv = 5) ΠΌΠΎΠ΄Π΅Π»Ρ Π²ΠΎΠ·Π²ΡΠ°ΡΠ° # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): ΠΌΠΎΠ΄Π΅Π»ΠΈ = dict () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘knn’] = KNeighborsRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’] = DecisionTreeRegressor () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘svm’] = SVR () ΠΌΠΎΠ΄Π΅Π»ΠΈ [‘stacking’] = get_stacking () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ # ΠΎΡΠ΅Π½ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def ΠΎΡΠ΅Π½ΠΈΠ²Π°ΡΡ_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y): cv = RepeatedKFold (n_splits = 10, n_repeats = 3, random_state = 1) scores = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, scoring = ‘neg_mean_absolute_error’, cv = cv, n_jobs = -1, error_score = ‘ΠΏΠΎΠ΄Π½ΡΡΡ’) Π²Π΅ΡΠ½ΡΡΡ Π±Π°Π»Π»Ρ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ = get_models () # ΠΎΡΠ΅Π½ΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΡΠΎΡ ΡΠ°Π½ΠΈΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΈΠΌΠ΅Π½Π° = ΡΠΏΠΈΡΠΎΠΊ (), ΡΠΏΠΈΡΠΎΠΊ () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .ΠΡΠ΅Π΄ΠΌΠ΅ΡΡ(): ΠΎΡΠ΅Π½ΠΊΠΈ = ΠΎΡΠ΅Π½ΠΊΠ°_ΠΌΠΎΠ΄Π΅Π»Ρ (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y) results.append (Π±Π°Π»Π»Ρ) names.append (ΠΈΠΌΡ) print (‘>% s% .3f (% .3f)’% (ΠΈΠΌΡ, ΡΡΠ΅Π΄Π½Π΅Π΅ (Π±Π°Π»Π»Ρ), ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ΅ (Π±Π°Π»Π»Ρ))) # ΠΏΠΎΡΡΡΠΎΠΈΡΡ Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ, ΠΌΠ΅ΡΠΊΠΈ = ΠΈΠΌΠ΅Π½Π°, showmeans = True) pyplot.show ()
1 2 3 4 5 6 7 8 9 10 11 12 13 140002 14 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42 43 44 45 46 49 0002 4700030002 47000351 52 53 54 55 56 57 58 59 60 | # compare ensemble to each standalone models for regression from numpy import mean from numpy import std from sklearn.Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ import make_regression from sklearn.model_selection import cross_val_score from sklearn.model_selection import RepeatedKFold from sklearn.linear_model import LinearRegression from sklearn.neighbors import SVRΠΈΠ· sklearn.ensemble import StackingRegressor ΠΈΠ· matplotlib import pyplot # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ def get_dataset (): X, y = make_regression (n_sample_informatures = 20) ΡΡΠΌ = 0.1, random_state = 1) return X, y # ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½Π°Π±ΠΎΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ def get_stacking (): # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = list () level0.append ( (‘knn’, KNeighborsRegressor ())) level0.append ((‘cart’, DecisionTreeRegressor ())) level0.append ((‘svm’, SVR ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ΅Π½ΠΈΠΊΠ° level1 = LinearRegression () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ model = StackingRegressor (Estimators = level0, final_estimator = level1, cv = 5) return model # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΡΠΏΠΈΡΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ def get_models (): models = dict () models [‘knn’] = KNeighborsRegressor () models [‘cart’] = DecisionTreeRegressor () models [‘svm’] = SVR () models [‘stacking’] = get_stacking () Π²Π΅ΡΠ½ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ # ev Π²ΡΡΠΈΡΠ»ΠΈΡΡ Π΄Π°Π½Π½ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΏΠ΅ΡΠ΅ΠΊΡΠ΅ΡΡΠ½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ def Assessment_model (model, X, y): cv = RepeatedKFold (n_splits = 10, n_repeats = 3, random_state = 1) Π±Π°Π»Π»ΠΎΠ² = cross_val_score (ΠΌΠΎΠ΄Π΅Π»Ρ, X, y, scoring = ‘neg_mean_absolute_error’, cv = cv, n_jobs = -1, error_score = ‘raise’) Π²Π΅ΡΠ½ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = get_dataset () # ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΠΎΡΠ΅Π½ΠΊΠΈ models = get_models () # ΠΎΡΠ΅Π½ΠΊΠ° ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΈ ΡΠΎΡ ΡΠ°Π½Π΅Π½ΠΈΠ΅ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ² results, names = list (), list () Π΄Π»Ρ ΠΈΠΌΠ΅Π½ΠΈ, ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΌΠΎΠ΄Π΅Π»ΡΡ .items (): scores = valu_model (model, X, y) results.append (scores) names.append (name) print (‘>% s% .3f (% .3f)’% (name, mean (scores), std (scores))) # Π³ΡΠ°ΡΠΈΠΊ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π΄Π»Ρ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ pyplot.boxplot (results, labels = names, showmeans = True) pyplot.show () |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΡΠ½Π°ΡΠ°Π»Π° ΡΠΎΠΎΠ±ΡΠ°Π΅ΡΡΡ ΠΎ ΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΠ΅Π»ΡΠ½ΠΎΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ. ΠΡΠΎ Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π² ΡΠ΅Π±Ρ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠΈ ΠΊΠ°ΠΆΠ΄ΠΎΠΉ Π±Π°Π·ΠΎΠ²ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ, Π° Π·Π°ΡΠ΅ΠΌ ΠΈ ΠΊΠΎΠΌΠΏΠ»Π΅ΠΊΡΠ° ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ.
ΠΡΠΈΠΌΠ΅ΡΠ°Π½ΠΈΠ΅ : ΠΠ°ΡΠΈ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΠΌΠΎΠ³ΡΡ ΠΎΡΠ»ΠΈΡΠ°ΡΡΡΡ ΠΈΠ·-Π·Π° ΡΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΠΏΡΠΈΡΠΎΠ΄Ρ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ° ΠΈΠ»ΠΈ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ ΠΈΠ»ΠΈ ΡΠ°Π·Π»ΠΈΡΠΈΠΉ Π² ΡΠΈΡΠ»ΠΎΠ²ΠΎΠΉ ΡΠΎΡΠ½ΠΎΡΡΠΈ. ΠΠΎΠΏΡΠΎΠ±ΡΠΉΡΠ΅ Π·Π°ΠΏΡΡΡΠΈΡΡ ΠΏΡΠΈΠΌΠ΅Ρ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠ°Π· ΠΈ ΡΡΠ°Π²Π½ΠΈΡΠ΅ ΡΡΠ΅Π΄Π½ΠΈΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ.
Π ΡΡΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ ΠΌΡ Π²ΠΈΠ΄ΠΈΠΌ, ΡΡΠΎ ΡΡΠΌΠΌΠΈΡΡΡΡΠΈΠΉ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π² ΡΡΠ΅Π΄Π½Π΅ΠΌ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ Π»ΡΡΡΠ΅, ΡΠ΅ΠΌ Π»ΡΠ±Π°Ρ ΠΎΡΠ΄Π΅Π»ΡΠ½Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ, Π΄ΠΎΡΡΠΈΠ³Π°Ρ ΡΡΠ΅Π΄Π½Π΅Π³ΠΎ ΠΎΡΡΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠ³ΠΎ MAE ΠΎΠΊΠΎΠ»ΠΎ -56.
> knn -101,019 (7,161) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° -148.017 (10.635) > ΡΠ²ΠΌ -162.419 (12,565) > ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ -56,893 (5,253)
> knn -101,019 (7,161) > ΡΠ΅Π»Π΅ΠΆΠΊΠ° -148,017 (10,635) > svm -162,419 (12,565) > ΡΡΠ°Π±Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ -56,893 (5,253) |
Π‘ΠΎΠ·Π΄Π°Π΅ΡΡΡ ΠΏΡΡΠΌΠΎΡΠ³ΠΎΠ»ΡΠ½Π°Ρ Π΄ΠΈΠ°Π³ΡΠ°ΠΌΠΌΠ°, ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡΠ°Ρ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΠ΅ ΠΎΡΠ΅Π½ΠΎΠΊ ΠΎΡΠΈΠ±ΠΎΠΊ ΠΌΠΎΠ΄Π΅Π»ΠΈ. ΠΠ΄Π΅ΡΡ ΠΌΡ Π²ΠΈΠ΄ΠΈΠΌ, ΡΡΠΎ ΡΡΠ΅Π΄Π½ΠΈΠΉ ΠΈ ΡΡΠ΅Π΄Π½ΠΈΠΉ Π±Π°Π»Π»Ρ Π΄Π»Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½Π°ΠΌΠ½ΠΎΠ³ΠΎ Π²ΡΡΠ΅, ΡΠ΅ΠΌ Π΄Π»Ρ Π»ΡΠ±ΠΎΠΉ ΠΎΡΠ΄Π΅Π»ΡΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
Π―ΡΠΈΡΠ½ΡΠΉ Π³ΡΠ°ΡΠΈΠΊ ΠΎΡΡΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΡΠ΅Π΄Π½Π΅ΠΉ Π°Π±ΡΠΎΠ»ΡΡΠ½ΠΎΠΉ ΠΎΡΠΈΠ±ΠΊΠΈ Π΄Π»Ρ Π°Π²ΡΠΎΠ½ΠΎΠΌΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ Ρ Π½Π°ΠΊΠΎΠΏΠ»Π΅Π½ΠΈΠ΅ΠΌ Π΄Π»Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ
ΠΡΠ»ΠΈ ΠΌΡ Π²ΡΠ±Π΅ΡΠ΅ΠΌ Π½Π°Π±ΠΎΡ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π² ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ Π½Π°ΡΠ΅ΠΉ ΠΎΠΊΠΎΠ½ΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΌΡ ΡΠΌΠΎΠΆΠ΅ΠΌ ΠΏΠΎΠ΄ΠΎΠ³Π½Π°ΡΡ Π΅Π³ΠΎ ΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½ΠΎΠ²ΡΡ Π΄Π°Π½Π½ΡΡ , ΠΊΠ°ΠΊ ΠΈ Π»ΡΠ±ΡΡ Π΄ΡΡΠ³ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ.
Π‘Π½Π°ΡΠ°Π»Π° Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΈΡ Π΄Π»Ρ Π²ΡΠ΅Ρ Π΄ΠΎΡΡΡΠΏΠ½ΡΡ Π΄Π°Π½Π½ΡΡ , Π·Π°ΡΠ΅ΠΌ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π²ΡΠ·Π²Π°Π½Π° ΡΡΠ½ΠΊΡΠΈΡ predic () Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½ΠΎΠ²ΡΡ Π΄Π°Π½Π½ΡΡ .
ΠΡΠΈΠΌΠ΅Ρ Π½ΠΈΠΆΠ΅ Π΄Π΅ΠΌΠΎΠ½ΡΡΡΠΈΡΡΠ΅Ρ ΡΡΠΎ Π½Π° Π½Π°ΡΠ΅ΠΌ Π½Π°Π±ΠΎΡΠ΅ Π΄Π°Π½Π½ΡΡ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ.
# ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ· Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΈΠ· sklearn.datasets ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ make_regression ΠΈΠ· sklearn.linear_model import LinearRegression ΠΈΠ· sklearn.neighbours import KNeighborsRegressor ΠΈΠ· sklearn.tree import DecisionTreeRegressor ΠΈΠ· ΡΠΊΠ»Π΅Π°ΡΠ½Π°.SVM ΠΈΠΌΠΏΠΎΡΡ SVR ΠΈΠ· sklearn.ensemble ΠΈΠΌΠΏΠΎΡΡΠΈΡΠΎΠ²Π°ΡΡ StackingRegressor # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = ΡΠΏΠΈΡΠΎΠΊ () level0.append ((‘knn’, KNeighborsRegressor ())) level0.append ((‘ΡΠ΅Π»Π΅ΠΆΠΊΠ°’, DecisionTreeRegressor ())) level0.append ((‘svm’, SVR ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΠΌΠΎΠ΄Π΅Π»Ρ ΡΡΠ°ΡΠ΅Π³ΠΎΡΡ level1 = ΠΠΈΠ½Π΅ΠΉΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ model = StackingRegressor (ΠΎΡΠ΅Π½ΠΊΠΈ = level0, final_estimator = level1, cv = 5) # ΠΏΠΎΠ΄ΠΎΠ³Π½Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ ΠΏΠΎ Π²ΡΠ΅ΠΌ ΠΈΠΌΠ΅ΡΡΠΈΠΌΡΡ Π΄Π°Π½Π½ΡΠΌ ΠΌΠΎΠ΄Π΅Π»Ρ.ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΡΡ (X, y) # ΡΠ΄Π΅Π»Π°Π΅ΠΌ ΠΏΡΠΎΠ³Π½ΠΎΠ· Π½Π° ΠΎΠ΄Π½ΠΎΠΌ ΠΏΡΠΈΠΌΠ΅ΡΠ΅ Π΄Π°Π½Π½ΡΠ΅ = [[0.59332206, -0.56637507,1.34808718, -0.57054047, -0.72480487,1.05648449,0.77744852,0.07361796,0.88398267,2.02843157,1.012,0.11227799, 0.94218853,0.2671431431475, -0.8] ] yhat = model.predict (Π΄Π°Π½Π½ΡΠ΅) print (‘ΠΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΡΠ΅ΠΌΠΎΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅:% .3f’% (yhat))
1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 | # ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ· Ρ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅ΠΌ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΈΠ· sklearn.Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ import make_regression from sklearn.linear_model import LinearRegression from sklearn.neighbors import KNeighborsRegressor from sklearn.tree import DecisionTreeRegressor from sklearn.svmase import X, y = make_regression (n_samples = 1000, n_features = 20, n_informative = 15, noise = 0.1, random_state = 1)# ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ level0 = list () level0.append ((‘knn’, KNeighborsRegressor ())) level0.append ((‘cart’, DecisionTreeRegressor ())) level0.append ((‘svm’, SVR ())) # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ ΠΌΠ΅ΡΠ°-ΡΡΠ΅Π½ΠΈΠΊΠ° ΠΌΠΎΠ΄Π΅Π»Ρ level1 = LinearRegression () # ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ model = StackingRegressor (Estimators = level0, final_estimator = level1, cv = 5) # ΠΏΠΎΠ΄ΠΎΠ³Π½Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ ΠΊΠΎ Π²ΡΠ΅ΠΌ ΠΈΠΌΠ΅ΡΡΠΈΠΌΡΡ Π΄Π°Π½Π½ΡΠΌ model.fit (X , y) # ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ· Π΄Π»Ρ ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΠΏΡΠΈΠΌΠ΅ΡΠ° data = [[0.59332206, -0.56637507,1.34808718, -0.57054047, -0.72480487,1.05648449,0.77744852,0.07361796,0.88398267,2.02843157,1.012,0.11227799,0.94218853,0.26741783,0. 1409.69, 94218853,0.26741783,0.1409.69 = model.predict (data)print (‘ΠΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΡΠ΅ΠΌΠΎΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅:% .3f’% (yhat)) |
ΠΡΠΈ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΠΈ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΠΌΠΎΠ΄Π΅Π»Ρ Π½Π°Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΠ΅Ρ Π²ΡΠ΅ΠΌΡ Π½Π°Π±ΠΎΡΡ Π΄Π°Π½Π½ΡΡ , Π° Π·Π°ΡΠ΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΡΡΡ Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½ΠΎΠ²ΠΎΠΉ ΡΡΡΠΎΠΊΠΈ Π΄Π°Π½Π½ΡΡ , ΠΊΠ°ΠΊ ΠΌΡ ΠΌΠΎΠ³Π»ΠΈ Π±Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ Π² ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΈ.
ΠΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½Π°Ρ Π»ΠΈΡΠ΅ΡΠ°ΡΡΡΠ°
ΠΡΠΎΡ ΡΠ°Π·Π΄Π΅Π» ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ ΡΠ΅ΡΡΡΡΡ ΠΏΠΎ ΡΠ΅ΠΌΠ΅, Π΅ΡΠ»ΠΈ Π²Ρ Ρ ΠΎΡΠΈΡΠ΅ ΡΠ³Π»ΡΠ±ΠΈΡΡΡΡ.
Π‘Π²ΡΠ·Π°Π½Π½ΡΠ΅ ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²Π°
ΠΠΎΠΊΡΠΌΠ΅Π½ΡΡ
ΠΠ½ΠΈΠ³ΠΈ
API
Π‘ΡΠ°ΡΡΠΈ
Π‘Π²ΠΎΠ΄ΠΊΠ°
Π ΡΡΠΎΠΌ ΡΡΠΊΠΎΠ²ΠΎΠ΄ΡΡΠ²Π΅ Π²Ρ ΠΎΡΠΊΡΡΠ»ΠΈ Π΄Π»Ρ ΡΠ΅Π±Ρ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΠΎΡΡΠ°Π²Π½ΠΎΠ³ΠΎ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΡ ΠΈΠ»ΠΈ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ Π² Python.
Π ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ, Π²Ρ Π²ΡΡΡΠΈΠ»ΠΈ:
- Stacking — ΡΡΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΠΎΠ³ΠΎ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ, ΠΊΠΎΡΠΎΡΡΠΉ ΡΡΠΈΡ, ΠΊΠ°ΠΊ Π»ΡΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΊΠΎΠΌΠ±ΠΈΠ½ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΠΈΠ· Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΡ Ρ ΠΎΡΠΎΡΠΎ ΡΠ°Π±ΠΎΡΠ°ΡΡΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ.
- ΠΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° scikit-learn ΠΏΡΠ΅Π΄ΠΎΡΡΠ°Π²Π»ΡΠ΅Ρ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΡΡ ΡΠ΅Π°Π»ΠΈΠ·Π°ΡΠΈΡ Π°Π½ΡΠ°ΠΌΠ±Π»Ρ ΡΡΠ΅ΠΊΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π½Π° Python.
- ΠΠ°ΠΊ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ Π°Π½ΡΠ°ΠΌΠ±Π»ΠΈ ΡΡΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄Π»Ρ ΠΏΡΠΎΠ³Π½ΠΎΠ·Π½ΠΎΠ³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΠΈ ΠΊΠ»Π°ΡΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ.
ΠΡΡΡ Π²ΠΎΠΏΡΠΎΡΡ?
ΠΠ°Π΄Π°ΠΉΡΠ΅ ΡΠ²ΠΎΠΈ Π²ΠΎΠΏΡΠΎΡΡ Π² ΠΊΠΎΠΌΠΌΠ΅Π½ΡΠ°ΡΠΈΡΡ
Π½ΠΈΠΆΠ΅, ΠΈ Ρ ΠΏΠΎΡΡΠ°ΡΠ°ΡΡΡ ΠΎΡΠ²Π΅ΡΠΈΡΡ.
ΠΠΎΠ»ΡΡΠΈΡΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΠΎ ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΌ Π°Π½ΡΠ°ΠΌΠ±Π»Π΅Π²ΠΎΠΌ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠΈ!
Π£Π»ΡΡΡΠΈΡΠ΅ ΡΠ²ΠΎΠΈ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ Π·Π° ΡΡΠΈΡΠ°Π½Π½ΡΠ΅ ΠΌΠΈΠ½ΡΡΡ
.