@@ -1,18 +1,23 @@
+
+
 https://pp.vk.me/c624227/v624227427/1b3b4/4fsocxGHHGg.jpg
 
 - Пару слов о себе:
 
-	* Быдлокодер (линк на гитхаб аккаунт https://github.com/dzruyk);
+	* [[http://img0.joyreactor.cc/pics/comment/full/%D0%B3%D0%B5%D1%80%D0%BE%D0%B8-%D0%BC%D0%B5%D1%87%D0%B0-%D0%B8-%D0%BC%D0%B0%D0%B3%D0%B8%D0%B8-3-Heroes-of-Might-and-Magic-3-Heroes-of-Might-and-Magic-%D0%98%D0%B3%D1%80%D1%8B-1611943.png| OK | 40px]]
+	* Быдлокодер ([[https://github.com/dzruyk| линк на гитхаб аккаунт ]]);
 	* Адепт лаборатории с октября 2010;
 	* В дипломе на фото трояк за дисциплину «Язык программирования Си» подтверждающий мои глубокие знания в этой сфере;
 	* Закончил СыктГУ в 2013 году, выпустился со специальности КЗОИ;
-	* Линк на практическую часть ВКР https://github.com/dzruyk/crypti (сам текст ВКР был посеян).
+	* [[https://github.com/dzruyk/crypti | Линк на практическую часть ВКР]] (сам текст ВКР был посеян).
 		* Мне кажется, что она вовсе не была посеяна. Тебе просто стыдно показывать её, т. к. она, скорее всего, была безобразно свёрстана в OpenOffice :-D
 		* Она была безобразно свёрстана в MS Word, однако я её всё же посеял. Зачем стыдиться исторических фактов?
+		* UPD: Нашёл текст ВКР, прикопал в [[https://github.com/dzruyk/crypti/blob/master/doc/diploma.docx | репозитории]]
+
 ----
 На занятиях лаборатории Боря был исключительно вредный и дотошный, иногда даже хотелось бросить в него фломастером. -- СиткаревГригорий
-
 ----
+
 Some tests
 
 %R(
@@ -37,12 +42,7 @@
 %V 1
 %P 20-28
 
-%R)
-
-Ссылки на электронные ресурсы (пока просто POC):
-
-%R(
-%s The Open Group Base Specifications Issue 7 [Электронный ресурс]
+%s The Open Group Base Specifications Issue 7
 %Q The IEEE and The Open Group
 %T sed - stream editor
 %I IEEE Std 1003.1, 2013 Edition
@@ -52,18 +52,19 @@
 
 
 - Помойка с полезными ссылками:
-	1 http://archive.amplab.ru/history/lab-2015-01-24.log 2015-01-24T11:28:15 groff cyrillic font
+	1 [[http://archive.amplab.ru/history/lab-2015-01-24.log 2015-01-24T11:28:15| groff cyrillic font]]
 
 Разговор о Unix
 
-	1 http://archive.amplab.ru/history/lab-2015-03-06.log 2015-03-06T23:09:09 Unix and Plan9
+	1 [[http://archive.amplab.ru/history/lab-2015-03-06.log| 2015-03-06T23:09:09 Unix and Plan9]]
 
 Однострочники
 
-	1 http://archive.amplab.ru/history/lab-2015-01-16.log 2015-01-16T07:10:26 progress bar
-	1 http://archive.amplab.ru/history/lab-2015-02-03.log 2015-02-03T14:36:29 merge files
-	1 http://archive.amplab.ru/history/lab-2015-02-06.log 2015-02-06T21:23:49 merge files (paste)
-	1 http://archive.amplab.ru/history/lab-2015-02-23.log 2015-02-23T19:41:07 ifconfig output sed 
+	1 [[http://archive.amplab.ru/history/lab-2015-01-16.log| 2015-01-16T07:10:26 progress bar]]
+	1 [[http://archive.amplab.ru/history/lab-2015-02-03.log| 2015-02-03T14:36:29 merge files]]
+	1 [[http://archive.amplab.ru/history/lab-2015-02-06.log| 2015-02-06T21:23:49 merge files ]](paste)
+	1 [[http://archive.amplab.ru/history/lab-2015-02-23.log| 2015-02-23T19:41:07 ifconfig output sed]] 
+	1 [[http://swtch.com/~rsc/regexp/regexp2.html| Регулярные выражения. Описание как они устроены]]
 
 -Книжки по типографии, которые стоит загрепать
 
@@ -84,75 +85,42 @@
 
 - spam
 
---- Распределение Пуассона
-
-%EQ
-P sub m
-= a sub m over { m! } e sup {-a} (m = 0, 1, ...)
-%EN
-
----Нормальный закон
-
-%EQ
-f(x)
-=
-1 over {sigma sqrt {2 Pi}} e sup {- {(x - m)} sup 2 over {2 sigma sup 2}}
-%EN
-Где $$M = m; D = sigma sup 2$$, M - Математическое ожидание; D - Дисперсия
-
---- Метод градиентного спуска (Gradient descent method)
-
-Метод градиентного спуска используется для подбора оптимальных коэффициентов для произвольной функции $$ h(x) $$ при наборе известных пар $$ (x, y) $$ (Входной параметр, результат).
-Например в результате эксперимента мы получили следующие значения
+-- refer test
 
-X	Y
-
-1	3
-
-2	6
-
-3	11
-
-Мы знаем что зависимость $$X$$ от $$Y$$ имеет квадратичный карактер ( $$ y ~ x sup 2 $$ )
-и хотим узнать функцию  $$ h(x) $$,
-которая для каждого $i$ -того эксперимента в соответствие
-$$x sup i$$
-получит значение максимально близкое к
-$$y sup i$$.
-Иными словами мы хотим получить коэффициент $$ THETA sub 1 для уравнения
-%%EQ
-y = THETA sub 1 x sup 2
-%%EN
-
-Метод используется для решения тех же задач что и МетодНаименьшихКвадратов.
-
-Под "оптимальностью" понимается то, что значение функции при данных $$ x sup (i) $$ будет минимально отличаться от $$y sup (i)$$ . Для этого необходимо ввести функцию потерь $$J$$, её значения зависят только от параметров $$ THETA $$, поэтому будем обозначать функцию потерь как $$J( THETA )$$
-
-%EQ
-J( THETA )
-=
-1 over {2m} sum {(h sub theta (x sup i) - y sup (i) ) sup 2}
-%EN
-
-Функция потерь - квадрат средней ошибки.
-
-%EQ
-THETA sub i
-=
-THETA sub i - alpha {partial over {partial THETA sub i}} J( THETA )
-%EN
-
-Где:
-	* $$ J( THETA ) $$ - функция потерь
-	* $$ alpha $$ - некий коэффициент называемый "скоростью обучения"
-
-Откуда ясно что производная от $$J( THETA )$$ вычисляется следующим образом
+%R(
+%A Линник Ю.В.
+%T Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений
+%I ФизМатГИЗ
+%D 1962
+%C М.
+%P 10
+%U http://books.e-heritage.ru/book/10084376
+
+%A Линник Ю.В.
+%T Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений
+%I ФизМатГИЗ
+%D 1962
+%C М.
+%P 10-12
+%U http://books.e-heritage.ru/book/10084376
+
+%A Moore A.V.
+%T Least squaries 
+%I Orsk university
+%D 1999
+%C M.
+%P 110
+%U http://books.e-heritage.ru/book/10084376
+
+%A Moore A.V.
+%T Least squaries 
+%I Orsk university
+%D 1999
+%C M.
+%P 110-112
+%U http://books.e-heritage.ru/book/10084376
+%R)
 
-%EQ
-partial {J( THETA )} over { partial THETA }
-=
-1 over m sum {(h sub theta (x sup i) - y sup (i) ) x sup (i)}
-%EN
 
 ----