Сможете решить такую задачу?
Перед вами числовой ряд. На каждом шаге цифры в рядах меняются.
Определите механизм формирования цифр и заполните значения в рядах 4 и 5.
Дам Вам подсказку:Значение 4 ряда: 1 2 1 1
Удивились?
Ответ будет в посте ниже 👇
👉 @aisimpleru
Перед вами числовой ряд. На каждом шаге цифры в рядах меняются.
Определите механизм формирования цифр и заполните значения в рядах 4 и 5.
Дам Вам подсказку:
Удивились?
Ответ будет в посте ниже 👇
👉 @aisimpleru
👍5
Возможно, вы не знаете, но в июле уже можно покататься на беспилотном такси в Москве 🚕.
В районе Ясенево такое такси можно заказать в тестовом режиме в приложении «Яндекс GO».
В интерфейсе появилась специальная кнопка для заказа роботизированных такси, нажав на которую пользователи смогут выбрать точки посадки и высадки и вызвать машину.
Всего в Ясенево есть 40 возможных точек посадки в машины под управлением искусственного интеллекта.
Первым городом России, где запустили беспилотное такси, стал наукоград Иннополис в Татарстане — это город-спутник Казани.
При этом, важно понимать, что в соответствии с текущим законодательство в такси будет находиться водитель-испытатель, который не участвует в управлении беспилотным автомобилем. Он следит за безопасностью.
P.S. Первыми возможностью заказать беспилотные такси смогут воспользоваться пользователи, выражавшие желание принять участие в тестировании технологии, и жители столичного района Ясенево
Источник: rbc.ru
👉 @aisimpleru
В районе Ясенево такое такси можно заказать в тестовом режиме в приложении «Яндекс GO».
В интерфейсе появилась специальная кнопка для заказа роботизированных такси, нажав на которую пользователи смогут выбрать точки посадки и высадки и вызвать машину.
Всего в Ясенево есть 40 возможных точек посадки в машины под управлением искусственного интеллекта.
Первым городом России, где запустили беспилотное такси, стал наукоград Иннополис в Татарстане — это город-спутник Казани.
При этом, важно понимать, что в соответствии с текущим законодательство в такси будет находиться водитель-испытатель, который не участвует в управлении беспилотным автомобилем. Он следит за безопасностью.
P.S. Первыми возможностью заказать беспилотные такси смогут воспользоваться пользователи, выражавшие желание принять участие в тестировании технологии, и жители столичного района Ясенево
Источник: rbc.ru
👉 @aisimpleru
👍4
Попытаюсь в одном коротком посте объяснить, что такое искусственный нейрон. Буду делать упрощения и применять аналогии, чтобы было понятно.
Подробную статью смотрите в разделе 2.1. нашего курса на сайте.
Искусственный нейрон - это математический аналог биологического нейрона.
Биологический нейрон (далее - нейрон) - клетка коры головного мозга млекопитающих. Мозг человека содержит 80 млрд. нейронов, соединенных друг с другом при помощи связей, представляющих собой тонкие отростки. Они словно «кабели» связывают массу нейронов между собой.
По этим связям через специальное соединение (синапс) передаются электрохимические сигналы. Таким образом нейроны обмениваются информацией между собой и другими участками мозга.
Каждый нейрон условно состоит из трех частей:
1. Коротких отростков, по которым сигналы поступают внутрь (дендриты),
2. Длинного отростка, передающего выходной сигнал (аксон),
3. Тела нейрона, в котором происходит активация клетки.
Американские ученые Уоррен Маккалок и Уолтер Питтс в 1943 придумали математическую модель искусственного нейрона, применив некоторые упрощения и допущения. Получилось то, что изображено в правой части картинки к этому посту.
Как работает искусственный нейрон?
Искусственный нейрон - это некая ячейка в которой происходит суммирование входных сигналов X. Каждый сигнал приходит из соответствующей связи и умножается на весовой коэффициент. Весовой коэффициент или вес связи регулирует силу сигнала.
👆Обратите внимание! На схеме изображено так называемое смещение w0. Чтобы не усложнять повествование, поговорим об этом позже.
После суммирование получаем значение состояния нейрона S. В соответствии с функцией активации выполняется преобразование состояния S.
Рассчитанный сигнал поступает на выход Y, как конечное значение или передается на другие нейроны.
В последнем случае выходной сигнал первого искусственного нейрона является входным сигналом для второго и последующих искусственных нейронов.
Если понятно объясняю ставьте - 👍, если непонятно - 👎
👉 @aisimpleru
Подробную статью смотрите в разделе 2.1. нашего курса на сайте.
Искусственный нейрон - это математический аналог биологического нейрона.
Биологический нейрон (далее - нейрон) - клетка коры головного мозга млекопитающих. Мозг человека содержит 80 млрд. нейронов, соединенных друг с другом при помощи связей, представляющих собой тонкие отростки. Они словно «кабели» связывают массу нейронов между собой.
По этим связям через специальное соединение (синапс) передаются электрохимические сигналы. Таким образом нейроны обмениваются информацией между собой и другими участками мозга.
Каждый нейрон условно состоит из трех частей:
1. Коротких отростков, по которым сигналы поступают внутрь (дендриты),
2. Длинного отростка, передающего выходной сигнал (аксон),
3. Тела нейрона, в котором происходит активация клетки.
Американские ученые Уоррен Маккалок и Уолтер Питтс в 1943 придумали математическую модель искусственного нейрона, применив некоторые упрощения и допущения. Получилось то, что изображено в правой части картинки к этому посту.
Как работает искусственный нейрон?
Искусственный нейрон - это некая ячейка в которой происходит суммирование входных сигналов X. Каждый сигнал приходит из соответствующей связи и умножается на весовой коэффициент. Весовой коэффициент или вес связи регулирует силу сигнала.
👆Обратите внимание! На схеме изображено так называемое смещение w0. Чтобы не усложнять повествование, поговорим об этом позже.
После суммирование получаем значение состояния нейрона S. В соответствии с функцией активации выполняется преобразование состояния S.
Рассчитанный сигнал поступает на выход Y, как конечное значение или передается на другие нейроны.
В последнем случае выходной сигнал первого искусственного нейрона является входным сигналом для второго и последующих искусственных нейронов.
Если понятно объясняю ставьте - 👍, если непонятно - 👎
👉 @aisimpleru
👍10👎3
Переходим к понятию функции активации искусственного нейрона.
Из предыдущего урока мы узнали, что внутри тела искусственного нейрона происходит некоторое преобразование входного сигнала.
Преобразование выполняется в соответствии с функцией активации.
Выделяют пять популярных функций активации:
1. Пороговая функция (0 или 1)
2. Линейная функция (прямая вида cx)
3. Функция ReLU
4. Сигмоидная логистическая функция
5. Гипербполический тангенс
Более подробно каждая функция описана на сайте (урок 2.2).
Помимо соотношений, представленных выше, есть и другие функции активации. Исследователи в области искусственного интеллекта постоянно ищут новые способы улучшить нейронные сети, в том числе модифицируя уже существующие способы и приемы обработки входных сигналов.
Корректный выбор активационной функции - основная задача для построения правильной нейронной сети. Оне Однако, не существует универсального правила, в каком случае какую из функций применять. Практика, показывает, что ReLU лучше ведет себя как аппроксиматор. Сигмоида и гиперболический тангенс чаще используются в задачах классификации.
Выбор функции активации рассмотрим подробнее на конкретных примерах в следующих уроках.
👉 @aisimpleru
Из предыдущего урока мы узнали, что внутри тела искусственного нейрона происходит некоторое преобразование входного сигнала.
Преобразование выполняется в соответствии с функцией активации.
Выделяют пять популярных функций активации:
1. Пороговая функция (0 или 1)
2. Линейная функция (прямая вида cx)
3. Функция ReLU
4. Сигмоидная логистическая функция
5. Гипербполический тангенс
Более подробно каждая функция описана на сайте (урок 2.2).
Помимо соотношений, представленных выше, есть и другие функции активации. Исследователи в области искусственного интеллекта постоянно ищут новые способы улучшить нейронные сети, в том числе модифицируя уже существующие способы и приемы обработки входных сигналов.
Корректный выбор активационной функции - основная задача для построения правильной нейронной сети. Оне Однако, не существует универсального правила, в каком случае какую из функций применять. Практика, показывает, что ReLU лучше ведет себя как аппроксиматор. Сигмоида и гиперболический тангенс чаще используются в задачах классификации.
Выбор функции активации рассмотрим подробнее на конкретных примерах в следующих уроках.
👉 @aisimpleru
👍5
Из предыдущих постов вы уже знаете, что такое искусственный нейрон, как он работает и какие бывают функции активации.
Объединив нейроны при помощи связей, получим нейронную сеть.
Искусственная нейронная сеть - вычислительная структура, которая моделирует простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга.
На картинках посту изображены способы классификации искусственных нейронных сетей.
Подробный текст найдете на сайте (урок 2.3).
👉 @aisimpleru
Объединив нейроны при помощи связей, получим нейронную сеть.
Искусственная нейронная сеть - вычислительная структура, которая моделирует простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга.
На картинках посту изображены способы классификации искусственных нейронных сетей.
Подробный текст найдете на сайте (урок 2.3).
👉 @aisimpleru
👍5
Посмотрите на картинку.
Теперь вы знаете, какие задачи может решать нейронная сеть соответствующей архитектуры.
Завтра поговорим о процессе обучения нейронных сетей.
👉 @aisimpleru
Теперь вы знаете, какие задачи может решать нейронная сеть соответствующей архитектуры.
Завтра поговорим о процессе обучения нейронных сетей.
👉 @aisimpleru
👍5
Чтобы разобраться в процессе обучения, рассмотрим простую для понимания архитектуру НС.
На картинке к посту изображена многослойная нейронная сеть прямого распространения.
В ней сигнал распространяется по слоям слева-направо в одну сторону от входных значений до выходных.
Основные элементы нейронной сети вы уже знаете:
- входные значения,
- искусственные нейроны разных типов,
- синаптические связи.
На что, стоит обратить внимание 👆
🟢 Скрытые слои и нейроны в них. Количество скрытых слоев и число нейронов в них выбирается с учетом поставленной задачи. В дальнейшим уроках мы разберем, как это делать правильно.
🟢 Входные значения. Запомните, что входные значения - это не нейроны. В них не происходит расчета активационной функции, значения просто умножаются на соответствующий весовой коэффициент.
🟢 Нейроны смещения. На следующей неделе выйдет отдельный пост о пользе этих нейронов.
Для того, чтобы многослойная НС могла решить задачу, ее нужно обучить.
Есть три способа обучения искусственных нейронных сетей:
1. С учителем (supervised learning),
2. Без учителя (unsupervised learning),
3. Подкреплением (reinforcement learning).
В понедельник 10.07 мы рассмотрим, алгоритм обучения ИНС с учителем с использованием метода обратного распространения ошибки.
👉 @aisimpleru
На картинке к посту изображена многослойная нейронная сеть прямого распространения.
В ней сигнал распространяется по слоям слева-направо в одну сторону от входных значений до выходных.
Основные элементы нейронной сети вы уже знаете:
- входные значения,
- искусственные нейроны разных типов,
- синаптические связи.
На что, стоит обратить внимание 👆
🟢 Скрытые слои и нейроны в них. Количество скрытых слоев и число нейронов в них выбирается с учетом поставленной задачи. В дальнейшим уроках мы разберем, как это делать правильно.
🟢 Входные значения. Запомните, что входные значения - это не нейроны. В них не происходит расчета активационной функции, значения просто умножаются на соответствующий весовой коэффициент.
🟢 Нейроны смещения. На следующей неделе выйдет отдельный пост о пользе этих нейронов.
Для того, чтобы многослойная НС могла решить задачу, ее нужно обучить.
Есть три способа обучения искусственных нейронных сетей:
1. С учителем (supervised learning),
2. Без учителя (unsupervised learning),
3. Подкреплением (reinforcement learning).
В понедельник 10.07 мы рассмотрим, алгоритм обучения ИНС с учителем с использованием метода обратного распространения ошибки.
👉 @aisimpleru
🔥3
Сейчас много внимания уделяют программным компонентам ИИ, таким как ChatGPT, Midjourney и им подобное ПО.
При этом ИИ не стоит на месте в сфере робототехники.
Известная компания Boston Dynamics продолжает совершенствовать своих роботов.
Посмотрите видео, где робот Atlas взаимодействует с окружающими предметами. Обратите внимание, насколько ловко робот хватает все, что попадается под руку, как он двигается.
Десять лет назад такая точность движений и ориентация в пространстве были недостижимы для роботов этого класса.
https://youtu.be/-e1_QhJ1EhQ
👉 @aisimpleru
При этом ИИ не стоит на месте в сфере робототехники.
Известная компания Boston Dynamics продолжает совершенствовать своих роботов.
Посмотрите видео, где робот Atlas взаимодействует с окружающими предметами. Обратите внимание, насколько ловко робот хватает все, что попадается под руку, как он двигается.
Десять лет назад такая точность движений и ориентация в пространстве были недостижимы для роботов этого класса.
https://youtu.be/-e1_QhJ1EhQ
👉 @aisimpleru
YouTube
Atlas Gets a Grip | Boston Dynamics
It’s time for Atlas to pick up a new set of skills and get hands on. In this video, the humanoid robot manipulates the world around it: Atlas interacts with objects and modifies the course to reach its goal—pushing the limits of locomotion, sensing, and athleticism.…
🔥3
В парке в подмосковном Домодедово установят арт-объект, визуализацию которого создали с помощью ИИ. Это будет лабиринт с интерактивным пространством из зеркальных инсталляций, в котором организуют выставки.
При создании объекта авторы пользовались нейросетью Stable Diffusion, модель дообучали архитекторы «Культ-Строя». Они размечали точки по картинке и выдавали им разную глубину.
«Точки были соединены в грани, было произведено удаление неудачных граней, всего получилось 77 уникальных граней, разного размера и величины. Затем были сделаны точные замеры и полноценная развёртка для производства и монтажа зеркальных граней», – рассказали авторы проекта.
Авторы подчеркнули, что их проект станет первые в России арт-пространством, созданным при помощи искусственного интеллекта.
Источник: rb.ru
Пока это только «первые ласточки» подобного рода. Наверное уже скоро что-то, сделанное человеком, будет цениться значительно дороже, чем сгенерированное ИИ 🤔
👉 @aisimpleru
При создании объекта авторы пользовались нейросетью Stable Diffusion, модель дообучали архитекторы «Культ-Строя». Они размечали точки по картинке и выдавали им разную глубину.
«Точки были соединены в грани, было произведено удаление неудачных граней, всего получилось 77 уникальных граней, разного размера и величины. Затем были сделаны точные замеры и полноценная развёртка для производства и монтажа зеркальных граней», – рассказали авторы проекта.
Авторы подчеркнули, что их проект станет первые в России арт-пространством, созданным при помощи искусственного интеллекта.
Источник: rb.ru
Пока это только «первые ласточки» подобного рода. Наверное уже скоро что-то, сделанное человеком, будет цениться значительно дороже, чем сгенерированное ИИ 🤔
👉 @aisimpleru
👍7
На прошлой неделе мы уже рассмотрели, что такое многослойная нейронная сеть прямого распространения.
Проще говоря, нейронная сеть – это черный ящик. Вы подаете на вход ящика сигналы и получаете ответный сигнал на выходе.
Сигналы - это числовые значения.
Нейронная сеть строит сложную функциональную зависимость выхода от входа 📈.
Чтобы она это делала правильно, обучим ее. Для этого потребуется выборка обучающих примеров.
Возьмем для примера температуру 🌡 воздуха в Москве в июле в разбивке по дням за 10 лет.
Примем что на вход сети подаются значения температуры сегодня.
На выходе - значения температуры завтра.
Во время обучения вы подаете на вход сети значения температуры сегодня. На выходе получаете от нее некие значения и сравниваете с эталонным образцом. Например, значения температуры воздуха в Москве 19.07.2020 (вход) и 20.07.2020 (выход).
На выходе происходит расчет ошибки нейронной сети. Если ошибка велика, происходит подстройка весовых коэффициентов всех связей между нейронами НС на всех промежуточных слоях.
Все примеры обучающей выборки в случайном порядке подаются на вход, а выходное значение сети сравнивается эталонным выходным значением. Один такой цикл называется эпохой обучения.
Далее процесс повторяется до тех пор, пока ошибка не примет приемлемого значения. Сеть обучена и может быть использована для работы.
Теперь, подавая на вход значения температуры сегодня, вы получите на выходе сети значение температуры завтра. Этого значения не было в обучающей выборке, но нейронная сеть обучена и успешно решает задачу прогнозирования.
P.S. Пост получился длинный. Про алгоритм обратного распространения ошибки поговорим чуть позже 😉
👉 @aisimpleru
Проще говоря, нейронная сеть – это черный ящик. Вы подаете на вход ящика сигналы и получаете ответный сигнал на выходе.
Сигналы - это числовые значения.
Нейронная сеть строит сложную функциональную зависимость выхода от входа 📈.
Чтобы она это делала правильно, обучим ее. Для этого потребуется выборка обучающих примеров.
Возьмем для примера температуру 🌡 воздуха в Москве в июле в разбивке по дням за 10 лет.
Примем что на вход сети подаются значения температуры сегодня.
На выходе - значения температуры завтра.
Во время обучения вы подаете на вход сети значения температуры сегодня. На выходе получаете от нее некие значения и сравниваете с эталонным образцом. Например, значения температуры воздуха в Москве 19.07.2020 (вход) и 20.07.2020 (выход).
На выходе происходит расчет ошибки нейронной сети. Если ошибка велика, происходит подстройка весовых коэффициентов всех связей между нейронами НС на всех промежуточных слоях.
Все примеры обучающей выборки в случайном порядке подаются на вход, а выходное значение сети сравнивается эталонным выходным значением. Один такой цикл называется эпохой обучения.
Далее процесс повторяется до тех пор, пока ошибка не примет приемлемого значения. Сеть обучена и может быть использована для работы.
Теперь, подавая на вход значения температуры сегодня, вы получите на выходе сети значение температуры завтра. Этого значения не было в обучающей выборке, но нейронная сеть обучена и успешно решает задачу прогнозирования.
P.S. Пост получился длинный. Про алгоритм обратного распространения ошибки поговорим чуть позже 😉
👉 @aisimpleru
👏4👍1
Крайне важный момент! Помимо обычных нейронов на изображении нейронной сети вы видели нейроны смещения или коэффициенты смещения. Они нужны для того, чтобы иметь возможность получать выходной результат, путем сдвига графика функции активации вправо или влево. Если забыли, что такое функция активации - посмотрите пост - https://t.me/aisimpleru/39.
То есть математически, применяя коэффициент смещения вы имеете более широкие возможности применения нейронной сети для построения сложных зависимостей.
Если все понятно , поставьте 👍, если слишком сложно - поставьте 👎
👉 @aisimpleru
То есть математически, применяя коэффициент смещения вы имеете более широкие возможности применения нейронной сети для построения сложных зависимостей.
Если все понятно , поставьте 👍, если слишком сложно - поставьте 👎
👉 @aisimpleru
👍10
👍1
В 1975 году Пол Вербос разработал метод обратного распространения ошибки (BackPropagation). Этот метод лег в основу одноименного алгоритма.
В данном курсе для начинающих не будем углубляться в математику (подробнее поговорим об этом на сайте).
Напомним👆, что задача обучения - оптимально подобрать значения весовых коэффициентов.
Опишем кратко шаги алгоритма обратного распространения ошибки.
1. Исходные значения весовых коэффициентов задаются случайными значениями.
2. Расчет значений всех выходов нейронов всех слоев.
3. Расчет погрешности между выходным значением нейронной сети и эталонным образцом обучающей выборки.
3. По полученной погрешности рассчитываются невязки нейронов выходного (последнего) слоя сети. Невязкой называют величину ошибки (расхождения) приближённого равенства.
4. Рассчитываются невязки нейронов всех слоев в обратной последовательности начиная с предпоследнего.
5. Расчет весовых коэффициентов связей между нейронами.
6. Повторение цикла с шага 2 до тех пор пока не будет выполнено одно из условий :
- исчерпано заданное количество эпох обучения;
- достигнут удовлетворительный уровень ошибки по всей обучающей выборке;
- не происходит уменьшения ошибки обучающей выборки на протяжении заданного количества эпох обучения;
- исчерпано заданное физическое время обучения.
Это итерационный алгоритм, по-русски говоря, пошаговый.
Важный момент состоит в том, что для использования данного алгоритма функция активации должна быть дифференцирована.
Лучше использовать сигмоидную функцию или гиперболический тангенс.
👉 @aisimpleru
В данном курсе для начинающих не будем углубляться в математику (подробнее поговорим об этом на сайте).
Напомним👆, что задача обучения - оптимально подобрать значения весовых коэффициентов.
Опишем кратко шаги алгоритма обратного распространения ошибки.
1. Исходные значения весовых коэффициентов задаются случайными значениями.
2. Расчет значений всех выходов нейронов всех слоев.
3. Расчет погрешности между выходным значением нейронной сети и эталонным образцом обучающей выборки.
3. По полученной погрешности рассчитываются невязки нейронов выходного (последнего) слоя сети. Невязкой называют величину ошибки (расхождения) приближённого равенства.
4. Рассчитываются невязки нейронов всех слоев в обратной последовательности начиная с предпоследнего.
5. Расчет весовых коэффициентов связей между нейронами.
6. Повторение цикла с шага 2 до тех пор пока не будет выполнено одно из условий :
- исчерпано заданное количество эпох обучения;
- достигнут удовлетворительный уровень ошибки по всей обучающей выборке;
- не происходит уменьшения ошибки обучающей выборки на протяжении заданного количества эпох обучения;
- исчерпано заданное физическое время обучения.
Это итерационный алгоритм, по-русски говоря, пошаговый.
Важный момент состоит в том, что для использования данного алгоритма функция активации должна быть дифференцирована.
Лучше использовать сигмоидную функцию или гиперболический тангенс.
👉 @aisimpleru
👍3
Последний сложный 😁для понимания пост на этой неделе.
Ниже - список основных алгоритмов обучения нейронных сетей с учителем.
1️⃣ Алгоритмы локальной оптимизации с вычислением частных производных первого порядка:
- градиентный алгоритм (метод наискорейшего спуска),
- алгоритм обратного распространения ошибки (BackPropagation) (разобрали в предыдущем посте)
- методы с одномерной и двумерной оптимизацией целевой функции в направлении антиградиента,
- метод сопряженных градиентов,
- методы, учитывающие направление антиградиента на нескольких шагах алгоритма.
2️⃣ Алгоритмы локальной оптимизации с вычислением частных производных первого и второго порядка:
- метод Ньютона,
- методы оптимизации с разреженными матрицами Гессе,
- квазиньютоновские методы,
- метод Гаусса-Ньютона,
- метод Левенберга-Марквардта и др.
3️⃣ Стохастические алгоритмы оптимизации:
- поиск в случайном направлении,
- имитация отжига,
- метод Монте-Карло (численный метод статистических испытаний).
👉️️️️ @aisimpleru
Ниже - список основных алгоритмов обучения нейронных сетей с учителем.
1️⃣ Алгоритмы локальной оптимизации с вычислением частных производных первого порядка:
- градиентный алгоритм (метод наискорейшего спуска),
- алгоритм обратного распространения ошибки (BackPropagation) (разобрали в предыдущем посте)
- методы с одномерной и двумерной оптимизацией целевой функции в направлении антиградиента,
- метод сопряженных градиентов,
- методы, учитывающие направление антиградиента на нескольких шагах алгоритма.
2️⃣ Алгоритмы локальной оптимизации с вычислением частных производных первого и второго порядка:
- метод Ньютона,
- методы оптимизации с разреженными матрицами Гессе,
- квазиньютоновские методы,
- метод Гаусса-Ньютона,
- метод Левенберга-Марквардта и др.
3️⃣ Стохастические алгоритмы оптимизации:
- поиск в случайном направлении,
- имитация отжига,
- метод Монте-Карло (численный метод статистических испытаний).
👉️️️️ @aisimpleru
👍4
Посмотрите на изображение. Давайте немного отвлечемся от нейронных сетей. Перед вами примеры регрессионных линий.
Про само уравнение регрессии поговорим в понедельник 17.07.
А сейчас, просто посмотрите на три графика.
Ваша задача, определить, какая линия лучше всего описывает данные, которые изображены в виде точек на графике.
Ниже будет опрос.
👉 @aisimpleru
Про само уравнение регрессии поговорим в понедельник 17.07.
А сейчас, просто посмотрите на три графика.
Ваша задача, определить, какая линия лучше всего описывает данные, которые изображены в виде точек на графике.
Ниже будет опрос.
👉 @aisimpleru
👍1
Какая линия из поста выше 👆 лучше всего описывает данные?
Anonymous Poll
7%
1. Первая
2%
2. Вторая
91%
3. Третья