Как убрать разреженность текста в ворде

Изменение междустрочных интервалов

Вы можете улучшить вид текста в ячейке, изменив междустрочный интервал. Хотя в Excel нет инструментов для непосредственного изменения междустрочных интервалов в ячейке, вы можете изменить расстояние между строками и облегчить чтение, выровняв текст несколькими способами. Чтобы расширить возможности работы с текстом, вы также можете добавить надпись на место ячейки.

В этой статье

• Уменьшение междустрочных интервалов в ячейке
• Увеличение междустрочных интервалов в ячейке
• Замена текста ячейки надписью

Уменьшение междустрочных интервалов в ячейке

Если текст расположен в ячейке слишком широко, вы можете уменьшить междустрочные интервалы. Часто можно улучшить читаемость, изменив выравнивания текста для сближения строк.

1. Щелкните правой кнопкой мыши необходимую ячейку и выберите пункт Формат ячеек в контекстном меню.
2. На вкладке Выравнивание в раскрывающемся списке по вертикали выберите значение по верхнему краю, по центру или по нижнему краю (в зависимости от того, как вы хотите расположить текст в ячейке).
3. Нажмите кнопку OK. Текст будет выровнен и равномерно расположен в выбранной части ячейки.

Совет: Если в одной ячейке осталось слишком много места из-за того, что в другой находится больше текста, вы можете выбрать вертикальное выравнивание По середине, чтобы заполнить пространство более равномерно.

Увеличение междустрочных интервалов в ячейке

Если в ячейке есть свободное пространство, и вы хотите расположить текст равномернее, измените выравнивание по вертикали на Распределенное.

1. Щелкните правой кнопкой мыши необходимую ячейку и выберите пункт Формат ячеек в контекстном меню.
2. На вкладке Выравнивание в раскрывающемся списке по вертикали выберите пункт Распределенное.
3. Нажмите кнопку ОК. Текст будет равномерно распределен по ячейке. Если изменить высоту строки, междустрочные интервалы автоматически изменятся для равномерного распределения текста.

Замена текста ячейки надписью

Если вам нужно изменить только несколько ячеек с текстом, можно вставить поверх нее текстовое поле. Используя вместо ячейки текстовое поле, вы можете более контролировать форматирование текста.

1. Дважды щелкните необходимую ячейку, выделите весь текст и нажмите клавиши CTRL+X.
2. Щелкните другую ячейку, чтобы отменить выделение.
3. При необходимости измените высоту строки.
4. На вкладке Вставить щелкните Надпись.
5. Наведите указатель на левый верхний угол необходимой ячейки, щелкните и, удерживая кнопку мыши, нарисуйте поле для надписи по размеру ячейки. Если после создания надписи вам потребуется изменить ее размер, перетащите угловые маркеры выделения.
6. Щелкните надпись, чтобы выделить ее, а затем нажмите клавиши CTRL+V для вставки скопированного текста.
7. Выделите весь текст надписи, щелкните его правой кнопкой мыши и в контекстном меню выберите пункт Абзац.
8. Выберите подходящие междустрочные интервалы.

Совет: Вы также можете уменьшить расстояние между строками, уменьшив размер шрифта. Выделите текст, щелкните его правой кнопкой мыши, выберите пункт Шрифт в контекстном меню, а затем укажите необходимый размер шрифта.

Примечание: Надпись располагается не внутри ячейки, а поверх нее. Если строка с надписью переместится из-за изменений, внесенных на листе выше, сама надпись останется на прежнем месте. Чтобы переместить надпись, наведите указатель на ее край, щелкните и, удерживая кнопку мыши, перетащите ее на новое место.

letter-spacing

Свойство letter-spacing определяет межбуквенное расстояние в тексте.

Интерактивный пример

Синтаксис

/* Ключевые слова */ letter-spacing: normal; /* Значения */ letter-spacing: 0.3em; letter-spacing: 3px; letter-spacing: 0.3px; /* Глобальные значения */ letter-spacing: inherit; letter-spacing: initial; letter-spacing: unset; 

Значения

Стандартное межбуквенное расстояние для текущего шрифта. В отличие от значения 0 , это ключевое слово позволяет агенту пользователя изменить расстояние между буквами для выравнивания текста.

Определяет дополнительное расстояние между буквами добавляющееся к стандартному расстоянию между символами. Значение может быть отрицательным, но при этом могут быть ограничения, зависящие от конкретной реализации. Агент пользователя может не увеличивать или уменьшать межбуквенное расстояние для выравнивания текста.

Формальный синтаксис

Примеры

HTML

p class="normal">letter spacingp> p class="em-wide">letter spacingp> p class="em-wider">letter spacingp> p class="em-tight">letter spacingp> p class="px-wide">letter spacingp> 

CSS

.normal  letter-spacing: normal; > .em-wide  letter-spacing: 0.4em; > .em-wider  letter-spacing: 1em; > .em-tight  letter-spacing: -0.05em; > .px-wide  letter-spacing: 6px; > 

Результат

Проблемы доступности

Большие положительные или отрицательные значения свойства letter-spacing могут сделать текст, к которому применяется форматирование, нечитаемым. При очень больших положительных значениях этого свойства, буквы в тексте будут настолько далеко друг от друга, что не будут восприниматься как цельные слова. При очень больших отрицательных значениях буквы будут перекрываться друг другом до такой степени, что слова могут стать неразличимы.

Межбуквенное расстояние должно быть определено индивидуально для каждого случая, так как в разных семействах шрифтов ширина символов различна. Нет какого-то универсального значения, которое может быть применено для наилучшего отображения во всех семействах шрифтов.

• MDN Understanding WCAG, Guideline 1.4 explanations (en-US)
• Understanding Success Criterion 1.4.8 | W3C Understanding WCAG 2.0

Спецификации

Specification
CSS Text Module Level 3 # letter-spacing-property

Начальное значение	normal
Применяется к	все элементы. Это также применяется к ::first-letter и ::first-line .
Наследуется	да
Обработка значения	оптимальное значение состоит из абсолютной длины или ключевого слова normal
Animation type	длина

Совместимость с браузерами

BCD tables only load in the browser

Смотрите также

Found a content problem with this page?

• Edit the page on GitHub.
• Report the content issue.
• View the source on GitHub.

This page was last modified on 6 янв. 2024 г. by MDN contributors.

Your blueprint for a better internet.

MDN

Support

• Product help
• Report an issue

Our communities

Developers

• Web Technologies
• Learn Web Development
• MDN Plus
• Hacks Blog

• Website Privacy Notice
• Cookies
• Legal
• Community Participation Guidelines

Visit Mozilla Corporation’s not-for-profit parent, the Mozilla Foundation.
Portions of this content are ©1998– 2024 by individual mozilla.org contributors. Content available under a Creative Commons license.

Интерлиньяж и межбуквенные интервалы

Интерлиньяж — это вертикальный интервал между строками текста . Для прямого шрифта интерлиньяж измеряется от базовой линии одной строки текста до базовой линии строки, расположенной над ней. Базовая линия — это невидимая линия, по которой выравнивается нижний край большинства букв. К одному абзацу может быть применено несколько значений интерлиньяжа, однако общее значение будет определяться значением наибольшего из них.

Примечание.

При работе с горизонтальным азиатским текстом можно указать, каким образом следует измерять интерлиньяж: либо между нижними линиями шрифта двух строк, либо от верха одной строки до верха следующей.

Задание интерлиньяжа

Выделите символы, которые надо изменить. Если не текст выделен, интерлиньяж применяется к вновь создаваемому тексту.

На панели «Символ» задайте значение интерлиньяжа.

Изменение применяемого по умолчанию значения автоинтерлиньяжа

Выберите пункт «Выключка» в меню панели «Абзац».
В параметре «Автоинтерлиньяж» введите новое значение по умолчанию в процентах.

Кернинг и трекинг

Кернинг — это увеличение или уменьшение интервала между определенными парами символов. Трекинг — это расширение или сужение интервала между символами в выделенном тексте или во всем блоке текста.

Примечание.

Значения кернинга и трекинга применяются к текстам на японском языке, но, как правило, эти параметры используются и для настройки межсимвольного интервала между символами латиницы.

Кернинг текста можно настраивать автоматически с использованием метрического или оптического кернинга. При метрическом кернинге (называемом также автокернингом) используются пары литер, которые включены в большинство шрифтов. Эти пары литер содержат сведения о расстояниях между конкретными парами букв. Вот некоторые из них: LA, P., To, Tr, Ta, Tu, Te, Ty, Wa, WA, We, Wo, Ya и Yo. Метрический кернинг применяется по умолчанию, поэтому к конкретным парам букв кернинг применяется автоматически во время импорта или ввода.

Некоторые шрифты включают подробные спецификации кернинга. Однако если шрифт содержит только минимальные данные о кернинге или вообще их не содержит, либо если в слове или строке одновременно используются различные гарнитуры и кегли, может потребоваться применение оптического кернинга. При оптическом кернинге интервал между смежными символами подстраивается исходя из их формы.

A. Исходный текст B. Текст с оптическим кернингом C. Текст с установленным вручную кернингом между буквами «W» и «a» D. Текст с трекингом E. Совмещение кернинга и трекинга

Можно также воспользоваться ручным кернингом, что позволит идеально настроить расстояния между двумя соседними символами. Трекинг и ручной кернинг можно использовать вместе. Для этого сначала настраиваются отдельные пары букв, а затем блоки текста делаются более сжатыми или разреженными. Это не оказывает влияния на относительный кернинг пар букв.

Если поместить курсор вставки между двумя буквами, на панели «Символ» появляются значения кернинга. Аналогично этому при выделении слова или фрагмента текста на панели «Символ» появляются значения трекинга.

Как трекинг, так и кернинг измеряются в тысячных долях em — единицы измерения, которая определяется относительно текущего размера шрифта. Для шрифта размером 6 пунктов 1 em равен 6 пунктам. Для шрифта размером 10 пунктов 1 em равен 10 пунктам. Кернинг и трекинг строго пропорциональны текущему размеру шрифта.

Примечание.

Значения кернинга и трекинга применяются к текстам на японском языке, но вообще эти параметры используются и для настройки межсимвольного интервала между символами латиницы.

Вероятностные тематические модели (курс лекций, К.В.Воронцов)

Спецкурс читается студентам 2—5 курсов на кафедре «Математические методы прогнозирования» ВМиК МГУ с 2013 года и студентам 6 курса на кафедре «Интеллектуальные системы» ФУПМ МФТИ с 2019 года.

В спецкурсе изучается вероятностное тематическое моделирование (topic modeling) коллекций текстовых документов. Тематическая модель определяет, какие темы содержатся в большой текстовой коллекции, и к каким темам относится каждый документ. Тематические модели позволяют искать тексты по смыслу, а не по ключевым словам, и создавать информационно-поисковые системы нового поколения, основанные на парадигме семантического разведочного поиска (exploratory search). Рассматриваются тематические модели для классификации, категоризации, сегментации, суммаризации текстов естественного языка, а также для рекомендательных систем, анализа банковских транзакционных данных, анализа биомедицинских сигналов. В спецкурсе развивается многокритериальный подход к построению моделей с заданными свойствами — аддитивная регуляризация тематических моделей (АРТМ). Он основан на регуляризации некорректно поставленных задач стохастического матричного разложения. Особое внимание уделяется методам лингвистической регуляризации для моделирования связности текста. Предполагается проведение студентами численных экспериментов на модельных и реальных данных с помощью библиотеки тематического моделирования BigARTM.

От студентов требуются знания курсов линейной алгебры, математического анализа, теории вероятностей. Знание математической статистики, методов оптимизации, машинного обучения, языков программирования Python и С++ желательно, но не обязательно.

Краткая ссылка на эту страницу: bit.ly/2EGWcjA.

Основной материал:

• Воронцов К. В.Вероятностное тематическое моделирование: теория регуляризации ARTM и библиотека с открытым кодом BigARTM. — обновление 26.06.2023 .
• Видеозаписи, 2023 осень (МФТИ).

Программа курса

Задача тематического моделирования

Презентация: (PDF, 2,8 МБ) — обновление 21.09.2023 . Видеозапись

Цели и задачи тематического моделирования.

• Понятие «темы», цели и задачи тематического моделирования.
• Вероятностная модель порождения текста.
• EM-алгоритм и его элементарная интерпретация. Формула Байеса и частотные оценки условных вероятностей.
• Принцип максимума правдоподобия.

Аддитивная регуляризация тематических моделей.

• Понятие некорректно поставленной задачи по Адамару. Регуляризация.
• Лемма о максимизации на единичных симплексах. Условия Каруша–Куна–Таккера.
• Теорема о необходимом условии максимума регуляризованного правдоподобия для ARTM.
• Классические тематические модели PLSA и LDA как частные случаи ARTM.
• Мультимодальные тематические модели.

Практика тематического моделирования.

• Проект с открытым кодом BigARTM.
• Этапы решения практических задач.
• Методы предварительной обработки текста.
• Датасеты и практические задания по курсу.

Проект «Тематизатор»

Презентация: (PDF, 6,2 МБ) — обновление 21.09.2023 . Видеозапись

Визуализация тематических моделей

• Концепция distant reading.
• Карты знаний, иерархии, взаимосвязи, динамика, сегментация.
• Спектр тем.
• Визуализация матричного разложения.

Примеры прикладных задач

• Поиск этно-релевантных тем в социальных сетях.
• Анализ программ развития российских вузов.
• Поиск и рубрикация научных статей на 100 языках.
• Проекты Школы Прикладного Анализа Данных.

Анализ требований к «Тематизатору»

• Функциональные требования.
• Требования к интерпретируемости.
• Основной пользовательский сценарий: Загрузка, Предобработка, Моделирование, Визуализация, Коррекция.
• Этапизация работ.

Онлайновый ЕМ-алгоритм и регуляризаторы

Онлайновый ЕМ-алгоритм.

• Рациональный ЕМ-алгоритм (встраивание Е-шага внутрь М-шага).
• Оффлайновый регуляризованный EM-алгоритм.
• Онлайновый пакетный мультимодальный регуляризованный EM-алгоритм. Распараллеливание.
• Как подбирать коэффициенты регуляризации.
• Относительные коэффициенты регуляризации.
• Библиотеки BigARTM и TopicNet.

Часто используемые регуляризаторы.

• Сглаживание и разреживание.
• Частичное обучение.
• Декоррелирование тем.

Проблема определения числа тем.

• Разреживающий регуляризатор для отбора тем.
• Эксперименты на синтетических и реальных данных.
• Сравнение с байесовской моделью HDP (Hierarchical Dirichlet Process).
• Эффект отбрасывания малых, дублирующих и линейно зависимых тем.

Разведочный информационный поиск

Презентация: (PDF, 2,5 МБ) — обновление 06.12.2023 . Видеозапись

Разведочный информационный поиск.

• Концепция разведочного поиска.
• Особенности разведочного поиска.
• Поисково-рекомендательная система SciSarch.AI

Иерархические тематические модели.

• Иерархии тем. Послойное построение иерархии.
• Регуляризаторы для разделения тем на подтемы.
• Псевдодокументы родительских тем.
• Модальность родительских тем.

Эксперименты с тематическим поиском.

• Методика измерения качества поиска.
• Тематическая модель для документного поиска.
• Оптимизация гиперпараметров.

Оценивание качества тематических моделей

Презентация: (PDF, 1,3 МБ) — обновление 06.12.2023 . Видеозапись

Измерение качества тематических моделей.

• Правдоподобие и перплексия.
• Интерпретируемость и когерентность. Внутритекстовая когерентность.
• Разреженность и различность.

Эксперименты с регуляризацией.

• Регуляризаторы сглаживания, разреживания, декоррелирования и отбора тем.
• Комбинирование регуляризаторов, эмпирические рекомендации.
• Задача планирования экспериментов для подбора гиперпараметров.

Проверка гипотезы условной независимости.

• Статистики на основе KL-дивергенции и их обобщения.
• Регуляризатор семантической однородности.
• Применение статистических тестов условной независимости.

BigARTM и базовые инструменты

Мурат Апишев. Презентация: (zip, 0,6 МБ) — обновление 17.02.2017 . Видеозапись

Предварительная обработка текстов

• Парсинг «сырых» данных.
• Токенизация, стемминг и лемматизация.
• Выделение энграмм.
• Законы Ципфа и Хипса. Фильтрация словаря коллекции. Удаление стоп-слов.

Библиотека BigARTM

• Методологические рекоммендации по проведению экспериментов.
• Установка BigARTM.
• Формат и импорт входных данных.
• Обучение простой модели (без регуляризации): создание, инициализация, настройка и оценивание модели.
• Инструмент визуализации тематических моделей VisARTM. Основные возможности, демонстрация работы.

Дополнительный материал:

• Презентация: (PDF, 1,5 МБ) — обновление 17.03.2017 .
• Видео — обновление 22.03.2017 .
• Воркшоп по BigARTM на DataFest’4. Видео.

Теория ЕМ-алгоритма

Презентация: (PDF, 1,3 МБ) — обновление 06.12.2023 . Видеозапись

Классические модели PLSA, LDA.

• Модель PLSA.
• Модель LDA. Распределение Дирихле и его свойства.
• Максимизация апостериорной вероятности для модели LDA.

Общий EM-алгоритм.

• EM-алгоритм для максимизации неполного правдоподобия.
• Регуляризованный EM-алгоритм. Сходимость в слабом смысле.
• Альтернативный вывод формул ARTM.

Эксперименты с моделями PLSA, LDA.

• Проблема неустойчивости (на синтетических данных).
• Проблема неустойчивости (на реальных данных).
• Проблема переобучения и робастные модели.

Байесовское обучение модели LDA

Презентация: (PDF, 1,5 МБ) — обновление 06.12.2023 . Видеозапись

Вариационный байесовский вывод.

• Основная теорема вариационного байесовского вывода.
• Вариационный байесовский вывод для модели LDA.
• VB ЕМ-алгоритм для модели LDA.

Сэмплирование Гиббса.

• Основная теорема о сэмплировании Гиббса.
• Сэмплирование Гиббса для модели LDA.
• GS ЕМ-алгоритм для модели LDA.

Замечания о байесовском подходе.

• Оптимизация гиперпараметров в LDA.
• Графическая нотация (plate notation). Stop using plate notation.
• Сравнение байесовского подхода и ARTM.
• Как читать статьи по баейсовским моделям и строить эквивалентные ARTM-модели.

Тематические модели сочетаемости слов

Презентация: (PDF, 1,7 МБ) — обновление 06.12.2023 . Видеозапись

Мультиграммные модели.

• Модель BigramTM.
• Модель Topical N-grams (TNG).
• Мультимодальная мультиграммная модель.

Автоматическое выделение терминов.

• Алгоритм TopMine для быстрого поиска частых фраз. Критерии выделения коллокаций.
• Синтаксический разбор. Нейросетевые синтаксические анализаторы SyntaxNet, UDpipe.
• Критерии тематичности фраз.
• Комбинирование синтаксической, статистической и тематической фильтрации фраз.

Тематические модели дистрибутивной семантики.

• Дистрибутивная гипотеза. Модели CBOW и SGNS в программе word2vec.
• Модель битермов BTM (Biterm Topic Model) для тематизации коллекций коротких текстов.
• Модели WNTM (Word Network Topic Model) и WTM (Word Topic Model). Связь с моделью word2vec.
• Регуляризаторы когерентности.

Дополнительный материал:

• Потапенко А. А. Векторные представления слов и документов. DataFest’4. Видео.

Анализ зависимостей

Презентация: (PDF, 1,7 МБ) — обновление 06.12.2023 . Видеозапись

Зависимости, корреляции, связи.

• Тематические модели классификации и регрессии.
• Модель коррелированных тем CTM (Correlated Topic Model).
• Регуляризаторы гиперссылок и цитирования. Выявление тематических влияний в научных публикациях.

Время и пространство.

• Регуляризаторы времени.
• Обнаружение и отслеживание тем.
• Гео-пространственные модели.

Социальные сети.

• Сфокусированный поиск в социальных медиа (пример: поиск этно-релевантного контента).
• Выявление тематических сообществ. Регуляризаторы для направленных и ненаправленных связей.
• Регуляризаторы для выявления социальных ролей пользователей.

Мультимодальные тематические модели

Презентация: (PDF, 2,7 МБ) — обновление 06.12.2023 . Видеозапись

Мультиязычные тематические модели.

• Параллельные и сравнимые коллекции.
• Регуляризаторы для учёта двуязычных словарей.
• Кросс-язычный информационный поиск.

Трёхматричные модели.

• Модели трёхматричных разложений. Понятие порождающей модальности.
• Автор-тематическая модель (author-topic model).
• Модель для выделения поведений объектов в видеопотоке.

Тематические модели транзакционных данных.

• Примеры транзакционных данных в рекомендательных системах, социальных и рекламных сетях.
• Гиперграфовая модель ARTM. Теорема о необходимом условии максимума регуляризованного правдоподобия.
• Транзакционные данные в рекомендательных системах. Симметризованная гиперграфовая модель ARTM.
• Тематическая модель предложений и модель коротких сообщений Twitter-LDA.
• Анализ транзакционных данных для выявления паттернов экономического поведения клиентов банка. Видео.
• Анализ банковских транзакционных данных для выявления видов деятельности компаний.

Моделирование локального контекста

Презентация: (PDF, 2,2 МБ) — обновление 06.12.2023 . Видеозапись

Тематическая сегментация.

• Метод TopicTiling. Критерии определения границ сегментов.
• Критерии качества сегментации.
• Оптимизация параметров модели TopicTiling.

Тематическое моделирование связного текста

• Линейная тематизация текста за один проход без матрицы .
• Локализация E-шага. Сравнение с моделью внимания self-attention.
• Двунаправленная тематическая модель контекста.

Позиционный регуляризатор в ARTM.

• Гипотеза о сегментной структуре текста.
• Регуляризация и пост-обработка Е-шага. Формулы М-шага.
• Примеры регуляризаторов Е-шага. Разреживание распределения p(t|d,w). Сглаживание тематики слов по контексту.

Именование и суммаризация тем

Презентация: (PDF, 3,0 МБ) — обновление 06.12.2023 . Видеозапись

Методы суммаризации текстов.

• Задачи автоматической суммаризации текстов. Подходы к суммаризации: extractive и abstractive.
• Оценивание и отбор предложений для суммаризации. Релаксационный метод для многокритериальной дискретной оптимизации.
• Тематическая модель предложений для суммаризации.
• Критерии качества суммаризации. Метрики ROUGE, BLUE.

Автоматическое именование тем (topic labeling).

• Формирование названий-кандидатов.
• Релевантность, покрытие, различность.
• Оценивание качества именования тем.

Задача суммаризации темы

• Задача ранжирования документов
• Задача фильтрации репрезентативных релевантных фраз.
• Задача генерации связного текста

Отчетность по курсу

Условием сдачи курса является выполнение индивидуальных практических заданий.

Рекомендуемая структура отчёта об исследовании:

• Постановка задачи: неформальное описание, ДНК (дано–найти–критерий), структура данных
• Описание простого решения baseline
• Описание основного решения и его вариантов
• Описание набора данных и методики экспериментов
• Результаты экспериментов по подбору гиперпараметров основного решения
• Результаты экспериментов по сравнению основного решения с baseline
• Примеры визуализации модели
• Выводы: что работает, что не работает, инсайты
• Ссылка на код

Примеры отчётов:

• Валерия Кибитова, 2016
• Максим Филин, 2018
• Мария Иконникова, 2018

Литература

1. Воронцов К. В.Вероятностное тематическое моделирование: теория регуляризации ARTM и библиотека с открытым кодом BigARTM. 2023.
2. Hamed Jelodar, Yongli Wang, Chi Yuan, Xia Feng.Latent Dirichlet Allocation (LDA) and Topic modeling: models, applications, a survey. 2017.
3. Hofmann T. Probabilistic latent semantic indexing // Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval. — New York, NY, USA: ACM, 1999. — Pp. 50–57.
4. Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet allocation // Journal of Machine Learning Research. — 2003. — Vol. 3. — Pp. 993–1022.
5. Asuncion A., Welling M., Smyth P., Teh Y. W. On smoothing and inference for topic models // Proceedings of the International Conference on Uncertainty in Artificial Intelligence. — 2009.

Ссылки

• Тематическое моделирование
• Аддитивная регуляризация тематических моделей
• Коллекции документов для тематического моделирования
• BigARTM
• Видеозапись лекции на ТМШ, 19 июня 2015
• Воронцов К.В.Практическое задание по тематическому моделированию, 2014.

Материалы для первого ознакомления:

• Тематический анализ больших данных. Краткое популярное введение в BigARTM.
• Разведочный информационный поиск. Видеолекция на ПостНауке.
• Тематическое моделирование. FAQ на ПостНауке, совместно с Корпоративным университетом Сбербанка.
• Байесовская и классическая регуляризация в вероятностном тематическом моделировании. Научно-образовательный семинар «Актуальные проблемы прикладной математики» Новосибирского Государственного Университета, 19 февраля 2021. Презентация.
• Тематическое моделирование на пути к разведочному информационному поиску. Лекция на DataFest3, 10 сентября 2016. Видеозапись.