Жила-была девочка катя, и было у неё много-много денег. и подруг. ну как и собрались они как-то раз все вместе у кати дома и обсуждали фильмы. многие хвалили вкус кати. редко кто не соглашался с её мнением. о вкусах, конечно, не спорят, но кате показалось это странным и она решила устроить проверку. катя записала m пар фильмов, которые девочки сравнивали, и для каждой такой пары пометила, какой из фильмов девочки посчитали однозначно лучше другого. а потом воспользовалась своим обаянием влиянием и убедила школьного психолога провести тестирование, в котором есть вопрос о трёх любимых фильмах. вот так вот всё просто, когда ты – катя. среди неиспорченных бланков тестирования (не спрашивайте, как она их достала) катя нашла заполненные бланки n своих подруг. скажите, согласовываются ли записи кати с каждым из ответов на вопрос о трёх любимых фильмах в отдельности. формат входных данных в первой строке заданы числа n и m (1≤n, m≤1000 в следующих m строках – пары фильмов, записанные у кати. первый фильм в паре считается лучше второго. в следующих n строках – списки любимых фильмов девочек. первый фильм в тройке считается лучше второго, а второй – лучше третьего. записи кати непротиворечивы. каждая пара фильмов в записях кати встречается не более одного раза. так сложилось, что все фильмы, что встречаются в списках любимых фильмов девочек, встречаются и в записях кати, а в каждом отдельно взятом списке все три фильма различны. для вашего же удобства названия фильмов во входных данных заменены на положительные натуральные числа, не превышающие 106. формат выходных данных выведите n строк, в i-ой из которых должно быть написано honest, если список любимых фильмов из i-го бланка не противоречит записям кати, или liar, если противоречит. не выводите лишние пробелы в конце или начале строк - это будет считаться за ошибку. пояснение к примеру тройка фильмов 1 2 4 противоречит записям кати, так как по записям кати фильм 5 лучше фильма 4, но его нет в тройке. тройка фильмов 1 3 2 противоречит, так как по записям кати фильм 2 лучше фильма 3, а в тройке фильм 3 стоит до фильма 2. тройка фильмов 5 4 8 противоречит, так как по записям кати фильм 2 лучше фильма 4, но его нет в тройке. sample input: 5 8 1 3 1 2 2 3 2 4 4 8 5 4 5 6 7 6 1 2 3 1 2 4 1 3 2 5 4 8 5 7 6 sample output: honest liar liar liar honest напишите программу. тестируется через stdin → stdout time limit: 1 секунда memory limit: 256 mb

1.

if parol == "qwerty":

   print("YES")

else:

   print(parol)

2. 5

3. 6

4. 5

5. 35

Объяснение:

В Python'е отступы очень важны. Эта особенность отличает его от C++, JS и многих других ЯП, где для похожих целей используются фигурные скобки { и }, а отступы важны только для читаемости. Без отступов код Python синтаксически неверный. В следующий раз обращай на это внимание. Ниже код с отступами:

# 2

chyslo = 5  # переменные нужно называть по-английски -- number

if chyslo // 2 == 1:

   print(chyslo % 2)

elif chyslo < 10:

   print(chyslo)

else:

   print(chyslo * 2)

# ответ 5

# 3

chyslo = 8

if chyslo < 5:

   print(chyslo * 2)

elif chyslo > 10:

   print(chyslo / 2)

else:

   print(chyslo - 2)

# ответ 6

# 4

spysok = [1, 5, -2, 8, 0, 9, -3, 6, 4, -5]  # переменные нужно называть по-английски -- list_ или lst

print(spysok.index(max(spysok)))

# ответ 5

# 5

sum_ = 10  # sum -- плохое название, так как есть встроенное имя sum

for number in range (1, 10, 2):

   sum_ += number

# sum_ = 35

PS: также обращай внимание на названия переменных: chyslo, spysok, sum -- плохие названия. Вместо них нужно использовать number, list_ (lst), sum_ соответственно.

Объяснение:

Машинное обучение (Machine Learning) это тренировка математической модели на исторических данных для того, чтобы прогнозировать какое-то событие или явление на новых данных. То есть попытка заставить алгоритмы программ совершать действия на основе предыдущего опыта, а не только на основе имеющихся данных.

Для обучения нужны исторические данные (обучающая выборка) и значение целевой переменной (то, что прогнозируем), которое соответствует заданным историческим данным. Модель наблюдает и находит зависимости между данными и целевой переменной. Эти зависимости используются моделью для нового набора данных, чтобы прогнозировать целевую переменную, которая неизвестна.

Машинное обучение включает в себя целый набор методов и алгоритмов, которые могут предсказать какой-то результат по входным данным. Например, у вас есть какая-то информация по тому, сколько стоили ценные бумаги в каждый момент из какого-то длинного промежутка времени, алгоритмы машинного обучения могут предсказать, сколько эти бумаги будут стоить в будущем.

Алгоритмов машинного обучение большое множество: одни эффективны для решения одного типа задач задач, вторые — для другого. Важно не путать машинное обучение, нейросети и искусственный интеллект, это принципиально разные вещи. Обучить искусственный интеллект можно не только методами машинного обучения, а кроме нейросетевых алгоритмов есть ещё и классическое обучение, и обучение с подкреплением.