Анна Резницкая

 Для анализа я использовала два текста, посвященных премии Грэмми-2025 о скандальном образе звездной пары. Текст №1: Текст №2: Вывод: тексты не сильно отличаются по эмоциональной окраске по итогам исследования, так как посвящены одной теме, рассказывающей один смысловой посыл. Однако, второй текст показался хоть и не на много, но менее негативный. Модель Feature Statistics помогает быстро увидеть эмоциональность текста по цветам и объему столбцов. Наиболее точную оценку, на мой взгляд дает модель MDS. 

 Для анализа я взяла статистики о потребительских ценах на нефтепродукты за три временных отрезка: апрель 2025 года, март 2025 и декабрь 2024. Результаты исследования: Polynomial Regression Linear Projection Scater Plot Interactive k-Mean Data Table Вывод: наиболее понятными схемами для меня стали Scater Plot и Polynomial Regression. В этих методах анализа проще проследить аналогию между данными, так как представлена основная линия взлета или падения показателей, а также сами значения точками на этой прямой.

 Я выбрала файл с данными по авиаперевозкам. Данные, которые имеют большее значение в модели Network Explorer отмечены оранжевым, зеленым цветами, так как содержат основную информацию о базе данных. Также в этой схеме есть другие цвета, например красный, которые помогают проследить пересечения между ветвями и их соприкосновения. В модели MDS преобладает синий цвет, а также в конце есть акцент красного - элемент Nonhub. Я считаю, что самая удобная для восприятия - модель MDS, так как проследить за данными проще, чем, например, в последней представленной модели, потому что не нужно искать среди всех пересечений нужную информацию, а данные показаны просто и четко.

 Для анализа я использовала те же 10 фото достопримечательностей разных стран, что и в практическом задании №6. Я считаю, что из представленных примеров схем самой простой и информативной является последняя. Она удобнее других, так как видно сами фотографии, благодаря чему понятно, почему так распределены столбцы. Для анализа я брала достаточно "простые" фотографии по теме. Фотографии в моделях Image Grid и t-SNE поделились с учетом схожей цветовой палитры и оттенков света. Я согласна с распределением фотографий в моделях, однако считаю, что где-то логика не совпадает с расположением фотографии на схеме модели. Например, в модели Image Grid представлены две практически идентичные фотографии (Статуя Свободы и Статуя Христа-Искупителя), однако на схеме они находятся на разных уровнях.

 Для анализа я взяла 10 фотографий достопримечательностей мира. Я считаю, что модель Image Grid более удобная и простая для понимания модель, так как можно увидеть сами фотографии, расположенные в определенном порядке и на конкретных уровнях. Фотографии распределились по ракурсу фото, красочности и времени суток. Я согласна с таким разделением. 

 Для анализа я взяла 10 стихотворений о природе разных русских поэтов. Представленная ниже классификация мне показалась наиболее подходящей. Стихотворения поделились на 2 группы. Стихотворения первой группы были посвящены исключительно природе, ее красотам, родине и впечатлениям, соответственно, содержали в себе больше средств выразительности. Вторая же группа включила в себя те стихотворения, авторы которых скорее упоминали природу, нежели посвящали строфы только ей. В текстах второй группы фигурируют разные другие темы: любовь, одиночество, отчизна. Да, число групп по общности текстов меняется при обеспечении уровня кластеризации. Если ползунок двигается в правую сторону, то количество группируется, а если в другую, то увеличивается.

 Для анализа я взяла 2 текста, посвященных премии Грэмми-2025 о скандальном образе звездной пары. Word cloud Topic modelling Вывод: на мой взгляд модель текста точно отражает содержание. Схема word cloud, как мне кажется более удобный и понятный инструмент, что делает анализ с ним легче, чем с topic modelling.Topic modelling фокусируется больше на отдельных словах, а word cloud на основных аспектах по теме текстов.