Как создавать приложения машинного обучения?

Данные являются ключевым компонентом машинного обучения и обеспечивают основу для алгоритмов машинного обучения. Машины требуют огромных объемов данных, чтобы учиться работать и принимать обоснованные решения. Любая необработанная информация, значение, звук, изображение или текст могут считаться данными. Точность и эффективность модели машинного обучения сильно зависят от качества и количества данных, используемых для ее обучения.

При создании набора данных убедитесь, что он имеет характеристики:

Объем : количество информации, необходимой для того, чтобы модель была точной и эффективной. Точность модели машинного обучения будет увеличиваться с увеличением объема собираемых данных.

Скорость : скорость генерации и обработки данных также имеет решающее значение. В некоторых случаях для получения точных результатов может потребоваться обработка данных в режиме реального времени.

Разнообразие : набор данных должен включать разнообразие по форме, например, структурированные, неструктурированные и полуструктурированные данные.

Достоверность : чистота данных, согласованность и отсутствие ошибок — все это качества и аспекты точности данных. Только при наличии точных данных можно ожидать точного результата.

Ценность : информация в данных должна быть ценной, чтобы можно было сделать какой-либо вывод.

Модель служит основным основным компонентом машинного обучения и представляет собой связь между вводом и выводом для получения точных и свежих данных. Он обучается на наборе данных для выявления основных закономерностей и получения точных результатов. После обучения модель тестируется, чтобы определить, может ли она предоставить свежие и точные данные; если тест прошел успешно, он затем используется для реальных приложений.

Давайте возьмем пример, чтобы понять это дальше. Вы хотите создать модель, учитывающую такие характеристики, как возраст, индекс массы тела (ИМТ) и уровень сахара в крови, чтобы определить, есть ли у человека диабет. Сначала мы должны собрать набор данных о людях с диабетом и связанных показателях здоровья. Алгоритм использует набор данных о людях с диабетом и учитывает показатели их здоровья, чтобы анализировать данные на наличие закономерностей и взаимосвязей и получать точные результаты. Он определяет основные отношения между результатом (статусом диабета) и входными характеристиками (уровень сахара в крови, ИМТ и возраст). После обучения модель может предсказать, есть ли у новых пациентов диабет, используя такую ​​информацию, как уровень сахара в крови, вес и возраст.

Модель обучается с использованием алгоритма, который может изучать скрытые закономерности из данных, прогнозировать выходные данные и повышать производительность на основе опыта. Это неотъемлемая часть машинного обучения, поскольку оно обеспечивает процесс обучения и влияет на точность и эффективность модели.

Набор обучающих данных состоит из входных данных и связанных с ними выходных значений. После того как в данных выявлены закономерности и ассоциации, для определения лежащей в основе взаимосвязи между входными и выходными данными используется несколько математических и статистических методов. Например, когда у нас есть набор данных фотографий животных с соответствующими ярлыками видов, нам нужно обучить модель машинного обучения, чтобы идентифицировать виды животных на фотографии. Для этой цели может быть использована сверточная нейронная сеть (CNN). Метод CNN разбивает входящие визуальные данные на многочисленные уровни математических операций, которые распознают такие функции, как края, формы и узоры. Затем изображение классифицируется в одну из категорий видов с использованием этих характеристик.

Однако существует несколько альтернативных методов, включая деревья решений, логистическую регрессию, k-ближайших соседей и т. д. Предоставленный набор данных и проблемы, которые необходимо решить, определяют ваш алгоритм.

Обучение с учителем — это подмножество машинного обучения, которое обучает свой алгоритм с использованием помеченных наборов данных. Помеченные данные — это те, у которых выходные данные помечены вместе с входными данными. В этом подходе машины обучаются с использованием некоторых помеченных наборов данных, а затем ожидается, что машина будет давать точные результаты, используя эти обучающие данные. Вот пример, который поможет вам понять: Изображения нескольких животных, включая кошек и собак, подаются на машину с этикетками. Машина использует атрибуты животных, такие как форма, размер, цвет и т. д., чтобы учиться и генерировать ответы. Здесь сгенерированный ответ основан на помеченном наборе данных.

Два основных типа контролируемого обучения:

Классификация используется, когда выходная переменная является категориальной и имеет два или более классов. Например, да или нет, правда или ложь, мужчина или женщина и т. д. Например, если мы хотим, чтобы машина распознавала спам, мы должны сначала научить ее, что такое спам, чтобы она могла определить, является ли сообщение спамом. . Это делается с помощью различных спам-фильтров, которые проверяют тему, тело, заголовок и т. д. электронного письма, чтобы проверить, содержит ли оно вводящую в заблуждение информацию. Спамеры, уже занесенные в черный список, используют для шантажа определенные фразы и фильтры черного списка. Сообщение оценивается с использованием всех этих характеристик, чтобы определить его рейтинг спама.

Регрессия используется, когда выходная переменная имеет реальное или непрерывное значение. Существует связь между двумя или более переменными; изменение одной переменной пропорционально изменению другой. Например, оценка стоимости дома на основе его размера, местоположения и других факторов. Здесь цена дома зависит от размера, местоположения и т. д.

Неконтролируемое обучение предполагает использование неразмеченных данных для машинного обучения. Компьютер ищет тенденции и закономерности в неразмеченных данных, не сообщая конкретно о желаемом результате. Давайте воспользуемся предыдущим примером, чтобы лучше понять это. Без меток машине предоставляются изображения животных, таких как кошки и собаки, для получения ответа. Машина анализирует шаблоны на входе и соответствующим образом классифицирует данные, используя такие характеристики, как форма, размер, цвет и т. д. Здесь наборы данных полностью не помечены, и система сравнивает и анализирует шаблоны для получения желаемых результатов.

Полууправляемое обучение относится к машинному обучению, которое находится между контролируемым и неконтролируемым обучением. Это метод обучения, который смешивает значительный объем неразмеченных данных с небольшим объемом размеченных данных. Обучение с полуучителем направлено на создание функции, которая может точно предсказывать выходную переменную по входным переменным, как это делает обучение с учителем. Метод неконтролируемого обучения используется для кластеризации сопоставимых данных, что также помогает разделить немаркированные данные на маркированные. Когда доступно большое количество неразмеченных данных, но категоризировать их все было бы дорого или сложно, полууправляемое обучение чрезвычайно полезно.

Например, предположим, что у нас есть коллекция из 10 000 фотографий животных, но только 1000 из них относятся к соответствующему классу, такому как собаки или кошки. С полууправляемым обучением мы можем обучить модель сверточной нейронной сети (CNN) различать собак и кошек, используя помеченные фотографии. Оставшиеся 9000 фотографий, которые не были идентифицированы, могут быть помечены с помощью этой обученной модели. С добавлением этих ожидаемых меток исходный набор данных с метками может вырасти с 1000 до 10 000 меток. Чтобы повысить точность модели при категоризации собак и кошек, ее можно переобучить на новом, более крупном наборе данных с метками.

Обучение с подкреплением (RL) — это тип машинного обучения, в котором автономный агент учится принимать решения и совершать действия в среде, чтобы максимизировать сигнал вознаграждения. Агент взаимодействует с окружающей средой, совершая действия и получая обратную связь в виде вознаграждения или наказания в зависимости от результата своих действий.

RL стремится найти оптимальную политику, которая представляет собой набор правил, сообщающих агенту, какое действие следует предпринять в данном состоянии, чтобы максимизировать его долгосрочное вознаграждение. Агент изучает эту политику путем проб и ошибок, предпринимая действия, наблюдая за результирующим состоянием и вознаграждением и соответствующим образом обновляя свою стратегию принятия решений.

Среда в RL обычно определяется набором состояний и действий, которые может выполнять агент. Агент запускается в заданном состоянии, выполняет действие и переходит в новое состояние. Функция вознаграждения оценивает результат каждого действия, предоставляя агенту обратную связь о его выполнении. Задача агента — изучить политику, которая со временем приводит к максимально возможному вознаграждению.

Таким образом, обучение с подкреплением — это тип машинного обучения, при котором агент учится предпринимать действия в среде, чтобы максимизировать сигнал вознаграждения. Это процесс проб и ошибок, когда агент взаимодействует с окружающей средой и получает обратную связь в виде вознаграждений или штрафов. Цель состоит в том, чтобы изучить оптимальную политику, которая максимизирует долгосрочное вознаграждение.

Алгоритмы глубокого обучения создаются для обучения и развития с течением времени посредством процесса, известного как обратное распространение. Эти алгоритмы вдохновлены структурой и работой человеческого мозга. Глубокое обучение включает обучение искусственных нейронных сетей с многочисленными слоями для оценки и понимания сложных данных. Нейронные сети с глубоким обучением часто включают в себя множество слоев связанных узлов, где каждый слой извлекает все более абстрактные свойства из входных данных. Первый уровень получает входные данные, обрабатывает их, а затем передает результаты на следующий уровень. Этот процесс выполняется с последовательными слоями, уточняя особенности, обнаруженные предыдущим слоем. Конечным результатом сети является прогноз или классификация, основанная на изученных функциях.

Допустим, мы хотим сгруппировать изображения животных по подкатегориям, таким как кошки, собаки и птицы. Большая коллекция помеченных фотографий, где каждое изображение помечено соответствующей категорией, может быть использована для обучения алгоритма глубокого обучения. Начиная с необработанных значений пикселей с фотографий, алгоритм будет передавать их в глубокую нейронную сеть, состоящую из множества слоев взаимосвязанных узлов. Края, текстуры и формы — это всего лишь несколько примеров абстрактных качеств, которые каждый слой будет постепенно изучать из входных данных. Окончательный выходной слой сети будет состоять из узлов для каждой потенциальной категории, при этом каждый узел будет давать оценку, указывающую вероятность того, что входное изображение попадает в эту категорию.

Алгоритм дерева решений относится к подмножеству контролируемого обучения и может применяться к задачам классификации и регрессии. Каждый конечный узел дерева решений соответствует метке класса, а внутренние узлы дерева представляют атрибуты для решения проблемы. Предположим, вы хотите определить состояние здоровья человека на основе возраста, пищевых привычек, уровня физической активности и т. д. Вопросы типа «Сколько лет?» — Он занимается спортом? и «Ест ли он здоровую пищу?» являются узлами принятия решений в этом сценарии. А листья, которые обозначают либо «здоровое», либо «нездоровое», являются следствием. В данном случае проблема заключалась в бинарной классификации (проблема типа «да-нет»). Существуют различные типы деревьев решений, а именно:

Деревья классификации : эти деревья решений группируют или классифицируют входные данные по нескольким классам или категориям по их признакам или характеристикам.

Деревья регрессии : эти структуры принятия решений используются для прогнозирования непрерывного числового значения в свете входных данных.

Двоичные деревья решений : эти деревья решений классифицируются как двоичные, поскольку каждый узел имеет только два возможных результата.

Многосторонние деревья решений : каждый узел имеет несколько альтернативных результатов в этих деревьях решений.

K-ближайшие соседи — это метод контролируемого машинного обучения для решения задач классификации и регрессии. Тем не менее, наиболее часто она применяется в вопросах классификации. Он считается непараметрическим методом, поскольку он не делает предположений о базовом распределении данных. Принимая ввод, он не выполняет никаких вычислений или других операций; вместо этого он сохраняет информацию до тех пор, пока запрос не будет выполнен. Это отличный вариант для интеллектуального анализа данных, который также называют алгоритмом ленивого обучения.

Параметр «K» в K-NN управляет тем, сколько ближайших соседей будут участвовать в голосовании. K-NN использует систему голосования для определения класса ненаблюдаемого наблюдения. В результате класс с наибольшим количеством голосов будет классом соответствующей точки данных. Если K равно 1, мы будем использовать только ближайшего соседа точки данных для классификации точки данных. Мы будем использовать десять ближайших соседей, если K равно десяти, и так далее. Метод категоризации k ближайших соседей легко понять и применить, и он лучше всего работает, когда точки данных нелинейны.

Один из наиболее известных алгоритмов обучения с учителем, машина опорных векторов или SVM, используется для решения задач классификации и регрессии. Тем не менее, он в основном используется в вопросах классификации машинного обучения. Алгоритм SVM направлен на установление границы или линии наилучшего решения для разделения n-мерного пространства на классы, чтобы последующие точки данных можно было отнести к соответствующей категории. Термин «гиперплоскость» относится к этой оптимальной границе решения. Для создания гиперплоскости SVM выбирает крайние точки и векторы.

Поиск гиперплоскости в N-мерном пространстве, которая классифицирует точки данных, является целью метода SVM. Количество функций определяет размер гиперплоскости. Гиперплоскость, по сути, является линией, если есть только два входных объекта, и гиперплоскость превращается в двумерную плоскость, если есть три входных объекта. Вообразить что-то с более чем тремя функциями становится сложно.

Технику SVM можно использовать для разработки модели, которая может точно определить результат. Например, на изображении есть корзина с фруктами (яблоками и бананами), и мы хотим, чтобы система распознала эти фрукты. Мы будем тренировать нашу модель с несколькими фотографиями яблок и бананов, чтобы она познакомилась с атрибутами этих фруктов. В результате опорный вектор увидит крайние случаи и атрибуты яблок и бананов при проведении границы суждения между этими двумя наборами данных. Основываясь на векторах поддержки, он классифицирует его как яблоко или банан.

Нейронная сеть — это технология искусственного интеллекта, позволяющая компьютерам анализировать данные. Человеческий мозг является источником вдохновения для архитектуры нейронной сети. Клетки человеческого мозга, называемые нейронами, образуют сложную сеть с высокой степенью взаимосвязанности и посылают друг другу электрические сигналы, помогая людям обрабатывать информацию. Точно так же искусственная нейронная сеть состоит из нейронов, которые работают вместе для решения проблем. Искусственные нейроны — это программные модули, называемые узлами, а искусственные нейронные сети — это программы или алгоритмы, которые по своей сути используют вычислительные системы для выполнения математических вычислений. Компьютеры могут использовать это для создания адаптивной системы, которая помогает им совершенствоваться, учась на своих ошибках. В результате искусственные нейронные сети пытаются решать сложные задачи, такие как обобщение документов или идентификация лиц.

Входной слой, скрытый слой и выходной слой — это три слоя, которые составляют простую нейронную сеть. Входной слой — это место, где данные из внешнего мира поступают в искусственную нейронную сеть. Входные узлы обрабатывают, анализируют или классифицируют данные перед их отправкой на скрытый уровень. Входные или другие скрытые слои служат входными данными для скрытых слоев. Искусственные нейронные сети могут иметь множество скрытых слоев. Каждый скрытый уровень оценивает выходные данные предыдущего уровня, уточняет их, а затем отправляет на выходной уровень. Выходной слой искусственной нейронной сети представляет полные результаты обработки данных.

Нейронные сети с прямой связью, также известные как многослойные персептроны (MLP), сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), относятся к различным типам нейронных сетей, которые используются для разных целей.

Это метод обучения без учителя, то есть алгоритм не контролируется и работает с немаркированным набором данных. Немаркированный набор данных группируется с помощью кластеризации машинного обучения или кластерного анализа. Его можно описать как метод разделения точек данных на кластеры связанных точек данных.

Он идентифицирует некоторые сопоставимые шаблоны в немаркированном наборе данных, включая форму, размер, цвет, поведение и т. д., и делит их на группы в зависимости от наличия или отсутствия этих похожих шаблонов. Например, в торговом центре футболки отнесены к одной секции, брюки — к другой, а фрукты и овощи расположены в разных секциях, чтобы покупателям было легче найти нужные товары. Процесс кластеризации работает аналогично.

Двумя основными методами кластеризации являются жесткая кластеризация (где каждая точка данных принадлежит к одной группе) и мягкая кластеризация (точки данных могут также принадлежать к другой группе). Тем не менее, существует несколько различных методов кластеризации. Основные методы кластеризации в машинном обучении перечислены ниже:

1. Разделение кластеризации — этот метод кластеризации делит данные на неиерархические группы. Он также известен как подход, основанный на центроидах. Алгоритм кластеризации K-средних является наиболее популярным примером кластеризации с разделением. Набор данных разбит на k групп, где K означает количество предопределенных групп. Центроид кластера предназначен для минимального расстояния между точками данных в одном кластере по сравнению с центроидами других кластеров.
2. Кластеризация на основе плотности . Алгоритм кластеризации на основе плотности объединяется в кластеры, и формируются произвольные формы, если можно соединить области с высокой плотностью. После обнаружения нескольких кластеров в наборе данных алгоритм группирует области с высокой плотностью в кластеры. Более разреженные области в пространстве данных отделяют плотные участки друг от друга. Если набор данных включает много измерений и плотностей, у этих алгоритмов могут возникнуть проблемы с кластеризацией точек данных.
3. Кластеризация на основе модели распределения . В методе кластеризации на основе модели распределения данные разделяются в соответствии с вероятностью того, что каждый набор данных соответствует определенному распределению. Несколько распределений — чаще всего распределение Гаусса — предположительно используются для классификации объектов.
4. Иерархическая кластеризация . Иерархическую кластеризацию можно использовать в качестве альтернативы секционированной кластеризации, поскольку нет необходимости предварительно указывать количество создаваемых кластеров. Этот метод делит набор данных на кластеры для создания структуры, напоминающей дерево, известной как дендрограмма. Удаление соответствующего количества дерева позволяет выбрать наблюдения или любое количество кластеров. Агломеративный иерархический алгоритм является наиболее популярным примером этой техники.
5. Нечеткая кластеризация . При использовании нечеткой кластеризации точки данных могут быть включены более чем в одну категорию (или «кластер»). Чтобы определить закономерности или общие черты между элементами в наборе, кластеризация разделяет точки данных на разделы на основе сходства между элементами; элементы в кластерах должны быть похожи и отличаться от элементов в других группах.

Помимо рассмотренных выше алгоритмов, в машинном обучении используются многие другие алгоритмы, такие как алгоритм наивного Байеса, алгоритм случайного леса, априорный алгоритм и т. д.

Беспилотные автомобили активно используют алгоритмы машинного обучения для оценки и анализа огромных объемов информации в режиме реального времени, поступающей от датчиков, камер и других источников. Алгоритмы машинного обучения используются для идентификации и классификации объектов, таких как автомобили, люди, идущие по тротуару, и дорожные знаки, чтобы решить, как автомобиль должен двигаться по дороге. Чтобы лучше управлять автомобилем с течением времени, например, реагировать на меняющиеся дорожные условия и избегать столкновений, эти алгоритмы также учатся на предыдущем опыте вождения. Используя машинное обучение, беспилотные транспортные средства могут обеспечить пассажирам повышенную безопасность, эффективность и удобство, уменьшая заторы на дорогах.

Машинное обучение обычно используется в логистике и транспортной отрасли для прогнозирования моделей движения. Для точного прогнозирования моделей трафика и уровней заторов алгоритмы машинного обучения могут анализировать огромные объемы исторических данных о трафике, включая погоду, время суток и другие факторы. Эти прогнозы могут оптимизировать транспортный поток, уменьшить препятствия и задержки, а также оптимизировать время в пути. Кроме того, машинное обучение может прогнозировать спрос на общественный транспорт, улучшать синхронизацию сигналов светофора и информировать водителей о пробках в режиме реального времени и предлагать альтернативные маршруты. Города и транспортные агентства могут повысить эффективность и безопасность своих транспортных систем, снизить выбросы углерода и улучшить общее впечатление от поездок для клиентов, используя машинное обучение для прогнозирования моделей движения.

Машинное обучение имеет решающее значение для обнаружения мошенничества в финансовом, электронной коммерции и других секторах. Алгоритмы машинного обучения могут оценивать огромные объемы данных о транзакциях, включая поведение пользователей, прошлые транзакции и другие факторы, чтобы находить тенденции и отклонения, которые могут указывать на мошеннические действия. Чтобы повысить точность и распознавать новые формы мошеннической деятельности, эти алгоритмы могут учиться на предыдущих случаях мошенничества. Организации могут уменьшить финансовые потери, избежать репутационного ущерба и повысить доверие потребителей, используя машинное обучение для обнаружения мошенничества. Кроме того, он может оптимизировать методы защиты от мошенничества, обнаруживать мошенничество в режиме реального времени и оптимизировать процессы расследования.

Машинное обучение широко используется в различных секторах, включая безопасность, розничную торговлю и здравоохранение. Алгоритмы машинного обучения могут оценивать и классифицировать огромные объемы визуальных данных, включая медицинские фотографии, изображения продуктов и кадры видеонаблюдения, чтобы находить закономерности и особенности, отличающие одну вещь от другой.

Распознавание изображений используется в сфере здравоохранения для оценки медицинских изображений, таких как рентгеновские снимки, МРТ и компьютерная томография, для выявления и лечения заболеваний. В розничной торговле он используется для анализа изображений товаров, поиска недостатков и выявления подделок. Распознавание изображений используется в службах безопасности для просмотра записей видеонаблюдения, выявления потенциальных опасностей и отслеживания поведения толпы. Организации могут автоматизировать действия по анализу изображений, повысить точность и эффективность, а также раскрыть новые идеи и перспективы, используя алгоритмы машинного обучения для распознавания изображений.

Широко известным применением машинного обучения (ML) является распознавание речи. Компьютеры могут понимать и распознавать человеческие голоса с помощью методов машинного обучения (ML), а затем преобразовывать их в текст или другие типы данных, которые могут использоваться для различных задач.

Среди частых применений распознавания речи с помощью ML:

Виртуальные помощники. Основной технологией виртуальных помощников, таких как Alexa от Amazon, Siri от Apple, Google Assistant и Cortana от Microsoft, является распознавание речи. Эти помощники могут отвечать на запросы, воспроизводить музыку, создавать напоминания и выполнять другие задачи, понимая команды на естественном языке.

Транскрипция. Распознавание голоса часто используется для преобразования аудио- и видеоконтента, включая встречи, интервью, подкасты и диктовки, в письменный текст. Алгоритмы машинного обучения (ML) могут точно преобразовывать произносимые слова в текст, экономя время и усилия по сравнению с транскрипцией вручную.

Обслуживание клиентов. Взаимодействие со службой поддержки клиентов можно автоматизировать в колл-центрах с помощью распознавания речи на основе машинного обучения. Автоматические голосовые системы могут распознавать запросы клиентов, отвечать на них и направлять вызовы агенту или отделу по мере необходимости.

На этом шаге установите scikit-learn и pandas:

Мы применим набор данных на примере авиаперелетов, где мы создаем запрос относительно информации о рейсах и получаем ответ в соответствии с созданным запросом. Давайте рассмотрим этот набор данных с помощью Pandas.

импортировать pandas как pd

В этом процессе мы очищаем необработанные данные. Перед запуском алгоритма набор данных предварительно обрабатывается для поиска пропущенных значений, зашумленных данных и других аномалий.

Лишние пробелы между текстом и интентом удаляются методом полосы. Используйте следующий код для удаления пробелов.

Мы будем векторизовать данные, чтобы преобразовать их в числовую форму, которая будет входными данными для обучения.

Мы сохраняем метки, соответствующие точкам данных из набора данных для обучения и тестирования, в y_train и y_test соответственно.

Мы используем наивный байесовский классификатор, и код, который мы использовали:

Запустите следующую строку в терминале, чтобы установить колбу.

Теперь следуйте этим инструкциям, чтобы убедиться, что все работает правильно.

Следующий код является примером простого приложения, взятого из документации Flask.

Давайте объясним это дальше:

• app = Flask( name__) — создает экземпляр класса Flask с именем командного приложения Flask. Имя модуля приложения представлено именем переменной, что помогает Flask узнать, где искать ресурсы, такие как «шаблоны», которые мы будем использовать позже.
• @app.route("/"): @ — обозначает декораторы (они изменяют поведение функции или класса). Flask сообщает декоратору route(), какой URL должен вызывать нашу функцию.

Чтобы начать создание внешнего интерфейса, сначала создайте папку, в которой хранится ваше приложение, под названием «шаблоны» (вам не разрешено использовать любое другое имя). Создайте HTML-файл и поместите его в папку «templates». Вы можете дать этому файлу любое имя; мы назвали его index.html.

Откройте файл HTML, введите doc или HTML и нажмите клавишу Tab. Кроме того, ваша IDE создаст для вас простой HTML-шаблон. Если нет, скопируйте и вставьте шаблон ниже.

Перейдите в раздел панели навигации веб-сайта, скопируйте и вставьте код в раздел <head>. Мы также добавим панель навигации (она нам не нужна, но она поможет вам привыкнуть к начальной загрузке).

Мы изменим цвет навигационной панели на темный перед запуском скрипта, изменив светлые компоненты в первой строке кода на темные (если вы оставите все как есть, он будет иметь светлый цвет).

Мы делаем почтовый запрос через элемент формы, который достигает конечной точки в бэкэнде, предоставляя нам желаемый результат.

Мы делаем почтовый запрос через элемент формы, который достигает конечной точки в бэкэнде, предоставляя нам желаемый результат.