Обучение с подкреплением в задачах персонализированной терапии: дипломный проект DQN

Введение: встречайте DQN — ваш шанс написать диплом, который изменит медицину

Чувствуете, что тонете в требованиях к диплому по DQN? Не переживайте, мы поможем выплыть и получить пятёрку. Представьте: вы защищаете выпускную квалификационную работу, где нейросеть сама подбирает оптимальную дозу инсулина или корректирует план химиотерапии. Это не фантастика — это обучение с подкреплением (Reinforcement Learning, RL) и его главный алгоритм — Deep Q-Network (DQN). Для студентов IT-специальностей, информатики, биоинженерии и прикладной математики тема DQN в персонализированной терапии — настоящий золотой стандарт ВКР. Она объединяет передовой AI, реальные клинические данные и практическую пользу: буквально спасает жизни.

Но написать такую работу в одиночку — вызов. Нужно разобраться в марковских процессах принятия решений (MDP), построить симулятор пациента, подобрать функцию награды, обеспечить безопасность агента, да ещё и уложиться в требования ФГОС и методички вуза. Знакомо? Поэтому всё больше ребят решают заказать ВКР по DQN у профильных экспертов. Это не стыдно — это стратегия. Мы поможем вам не просто сдать диплом, а сделать исследование, которое ляжет в основу диссертации или стартапа.

В этой статье я проведу вас по всем этапам: от формулировки задачи MDP до защиты. Вы узнаете, какие разделы обязательно включить, как обойти типичные ошибки и где взять данные. А если почувствуете, что силы на исходе — напомню, что всегда можно обратиться за помощью в написании ВКР DQN к нашей команде. Поехали!

Почему студентам сложно самостоятельно написать ВКР по DQN

Когда я впервые погрузился в тему Deep Q-Network для медицины, первая мысль была: «Где взять данные?». Электронные медицинские карты — закрыты, симуляторы болезни — надо писать самому, а научный руководитель говорит одно: «Читайте статьи». Давайте честно: написать диплом по DQN с нуля — это как собрать ракету на коленке. Вот основные камни преткновения:

• Математическая база. DQN требует понимания Q-обучения, глубоких нейросетей, буфера воспроизведения (experience replay), target-сети. Если вы не дружите с уравнениями Беллмана — будет тяжело.
• Симуляция среды. Чтобы обучить RL-агента, нужна среда — симулятор пациента. Писать её с нуля или адаптировать открытые библиотеки вроде Gym/PyBullet под медицинский контекст — часы дебага.
• Клиническая валидация. Просто обучить модель недостаточно. Нужно доказать, что её рекомендации безопасны. А это — исследование ограничений, анализ worst-case сценариев, подбор метрик вроде AUROC.
• Оформление по ГОСТ и антиплагиат. Выпускная квалификационная работа — это не только код. Это 60–80 страниц текста, список литературы, введение, эмпирическая глава. И всё это должно пройти проверку в «Антиплагиат.ВУЗ».

Поэтому многие студенты выбирают путь написание ВКР DQN на заказ. Профессиональные авторы уже имеют готовые модули симуляторов, наборы данных (MIMIC-III, eICU) и шаблоны для оформления. Вы получаете готовую работу, а сами сосредотачиваетесь на подготовке к защите. Если и вы чувствуете, что самостоятельно не тянете — напишите нам, мы подберём автора.

Что входит в подготовку дипломной работы по DQN

Представьте, что вы строите дом. Фундамент — понимание теории, стены — код и эксперименты, крыша — защита. Так и с дипломом: без плана никуда. Давайте разложим поэтапно, что нужно сделать, чтобы получить «отлично».

Этап 1. Теоретическая база (глава 1)

Здесь вы описываете:

• Основы обучения с подкреплением: агент, среда, состояние, действие, награда.
• Алгоритм DQN: Q-функция, нейронная сеть, replay buffer, target network.
• Персонализированная терапия: зачем подбирать лечение индивидуально (фармакогенетика, непрерывный мониторинг).
• Обзор существующих работ: статьи, где DQN применяли для сепсиса, диабета, ИВЛ.

Этап 2. Формулировка задачи MDP (глава 2)

Это сердце вашей работы. Мы посвятим этому отдельный раздел ниже, но сейчас просто запомните: нужно определить состояния (витальные показатели, лабораторные данные), действия (дозы препаратов) и функцию награды (выживаемость, побочные эффекты).

Этап 3. Симулятор пациента и награда

Без симуляции вы не обучите агента. Используйте либо открытые симуляторы (SimGlucose для диабета, мягкие модели сепсиса), либо соберите свой на основе дифференциальных уравнений. Подробно — ниже.

Этап 4. Эксперименты и метрики (эмпирическая глава)

Тренируете DQN, сравниваете с базовыми алгоритмами (DQN vs Random, DQN vs PID-контроллер). Оцениваете:

• Среднюю награду (average reward);
• Время нахождения в целевом диапазоне (например, глюкоза 70–180 мг/дл);
• Метрики эффективности: precision, recall, AUROC для предсказания осложнений. В этом контексте полезно изучить на статью "Клинические исследования AI-устройств" и "Метрики" — там подробно разобраны AUROC и F1-score.

Этап 5. Оформление и защита

Пишете введение, заключение, список литературы по ГОСТ. Готовите доклад и презентацию. И да — проверяете на антиплагиат.

Методы исследования, используемые в работах по DQN

Когда вы решаете заказать ВКР по DQN или пишете сами, важно понимать, какие методы вам пригодятся. В дипломе по обучению с подкреплением традиционно сочетаются три группы методов: теоретические, алгоритмические и эмпирические.

1. Теоретические методы

• Анализ литературы. Обзор статей по RL в медицине (PubMed, arXiv). Выделяете пробелы — например, недостаток персонализации.
• Формализация задачи. Марковский процесс принятия решений с дискретным временем. Определение пространства состояний и действий.

2. Алгоритмические методы

• Deep Q-Network. Реализация на PyTorch/TensorFlow с experience replay и target network.
• Вариации DQN. Double DQN, Dueling DQN, PER (приоритетный буфер). Если хотите усложнить — добавьте одно из них.
• Методы ансамблирования. Например, комбинация DQN и эволюционных стратегий для устойчивости. Про это можно почитать в статье «Методы ансамблирования в медицинских задачах», «Предиктивны».

3. Эмпирические методы

• Симуляционное моделирование. Запуск симулятора пациента для сбора траекторий.
• Сравнительный анализ. Сравнение DQN с базовыми политиками (например, с фиксированной дозой).
• Статистическая обработка. t-тест, ANOVA, расчёт доверительных интервалов для награды. Для этого полезны инструменты вроде SPSS или Python (SciPy).

Методы должны быть описаны в отдельном подразделе второй главы. Научный руководитель обязательно спросит: «Какие методы вы использовали?» — будьте готовы.

Требования к ВКР по DQN

Каждый вуз выдвигает свои требования к выпускной квалификационной работе. Но есть общие стандарты, которые прописаны в ФГОС и методических рекомендациях. Давайте пройдёмся по основным пунктам.

Объём и структура

• Обычно 60–80 страниц (без приложений). Введение — 3–4 страницы, заключение — 2–3.
• Структура: введение, три главы (теория, методология, эксперименты), заключение, список литературы, приложения (код, листинги).
• Каждая глава должна делиться на параграфы (не менее 2).

Оформление по ГОСТ

ГОСТ 7.32-2017, но ваш вуз может уточнять. Обратите внимание на:

• Шрифт Times New Roman, 14 pt, полуторный интервал.
• Список литературы — не менее 30 источников, из них 10–15 на английском.
• Рисунки и таблицы обязательны (графики обучения, архитектура сети).

Уникальность и антиплагиат

Проверка в системе «Антиплагиат.ВУЗ» требует обычно 70–80% оригинальности. Корректные заимствования (цитирование) допустимы, но не более 20–30%. Подробнее о прохождении — в специальном разделе ниже.

Требования к практической части

• Реализация DQN в виде программного модуля (код прилагается).
• Симуляция на синтетических данных или данных из открытых репозиториев (MIMIC-III, PhysioNet).
• Анализ чувствительности и безопасности агента.

Типовые требования вузов к ВКР по DQN

Хотя я не называю конкретный вуз, большинство технических университетов (МФТИ, ВШЭ, МГТУ им. Баумана, ИТМО, МИФИ) предъявляют схожие требования к дипломам по направлению «Прикладная математика и информатика», «Информатика и вычислительная техника» или «Биоинженерия». Вот что их объединяет:

• Наличие эксперимента. Нельзя просто описать алгоритм — нужны численные результаты.
• Сравнение с бейзлайном. Сравните вашего агента с наивной политикой или стандартным лечением.
• Оценка вычислительной сложности. Сколько времени занимает обучение, сколько памяти требует модель.
• Воспроизводимость. Фиксируйте seed, версии библиотек — это повышает доверие.

Если вы хотите купить дипломную работу DQN, убедитесь, что автор знает требования вашего конкретного вуза. У нас в команде есть эксперты, которые писали дипломы для топ-5 технических вузов РФ. Можем обсудить детали в WhatsApp.

Формулировка задачи MDP в медицине

Давайте погрузимся в самое интересное – как сделать из разрозненных медицинских данных формальную математическую модель. Это ключевой навык для вашей ВКР.

Что такое MDP?

Марковский процесс принятия решений (MDP) – это математический каркас, описывающий решение задач последовательного выбора. Он определяется кортежем (S, A, P, R, γ), где S – множество состояний, A – множество действий, P – функция переходов (вероятность перейти из s в s' при действии a), R – функция награды, γ – коэффициент дисконтирования. В медицине это означает:

• Состояние (S): все доступные показатели пациента: пульс, давление, уровень глюкозы, доза последнего введённого препарата, стадия заболевания. Состояние должно быть достаточно информативным, чтобы прогнозировать будущее.
• Действие (A): изменение терапии – например, увеличить дозу инсулина на 1 единицу, добавить антибиотик, изменить режим ИВЛ. Действия дискретны, чтобы DQN могла их обрабатывать.
• Переходы (P): модель того, как организм реагирует на лечение. Поскольку истинная функция переходов неизвестна, мы используем симулятор.
• Награда (R): количественная оценка качества лечения. Обычно это комбинация положительной награды за выживание и отрицательной – за побочные эффекты.

Практический пример: персонализированная терапия сепсиса

Сепсис – одна из самых популярных задач для RL в медицине. Состояние: возраст, температура, частота дыхания, лактат, креатинин, доза вазопрессоров, время с момента поступления. Действия: изменить дозу норэпинефрина, добавить жидкостную нагрузку, назначить антибиотик. Награда: +1 за выживание через 72 часа, −0,1 за каждый час с систолическим давлением ниже 90 мм рт.ст., −2 за введение токсичной дозы. DQN учится выбирать такие дозы, чтобы максимизировать суммарную награду – то есть спасти пациента с минимальными осложнениями.

Советы по формулировке

• Не усложняйте. Начните с малого: 5–7 состояний, 3–4 действия. Потом можете расширять.
• Убедитесь, что марковское свойство выполняется. Состояние должно включать всю информацию, влияющую на будущие переходы. Например, если реакция на инсулин зависит от прошлых доз – добавьте историю.
• Определите временной горизонт. Эпизод – это один курс лечения (например, 72 часа). Каждый шаг – один час.

Симулятор пациента и награда

Следующий краеугольный камень – симулятор пациента. Без него вы не сможете обучить агента. В отличие от игр (Atari), в медицине вы не можете запустить 10 тысяч эпизодов с реальным человеком. Выход – симуляция.

Классификация симуляторов

• Модели на основе дифференциальных уравнений. Например, модель глюкозо-инсулиновой системы (модель Бергмана). Требуют знания физиологии, но дают плавную динамику.
• Данные из клинических записей. Вы можете выучить модель перехода на основе исторических данных (MIMIC-III) с помощью нейросети. Это data-driven симулятор – более реалистичный, но требует много данных.
• Гибридные. Комбинация уравнений и машинного обучения для учёта индивидуальной вариабельности.

Влияет ли качество симулятора на защиту?

Очень даже. На защите комиссия может спросить: «Насколько ваш симулятор похож на реального пациента?» Вот тут и пригодится валидация. Если вы используете открытый набор данных – опишите его, приведите статистику. Если пишете симулятор сами – покажите, что динамика правдоподобна (графики).

Стадии сна и терапия

Иногда персонализированная терапия учитывает циркадные ритмы. Например, доза инсулина может зависеть от стадии сна. Для таких задач полезно изучить «AI и сомнология», «Открытые наборы данных сна» – там можно взять данные для моделирования стадий сна.

Функция награды: как не убить пациента

Выбор награды – это целое искусство. Если награда сделана неправильно, агент может найти лазейку. Например, если награда только за выживание к концу эпизода, агент может вводить токсичные дозы, чтобы достичь цели, но пациент умрёт от побочки раньше. Хороший подход – shape reward: небольшие положительные награды за стабильные показатели и отрицательные за опасные.

Ограничения и безопасность RL-агента

Теперь поговорим о том, почему внедрение AI в клиническую практику идёт медленно. Даже если DQN показывает высокую награду в симуляторе, в реальной жизни он может совершить фатальную ошибку. В вашей ВКР обязательно должен быть раздел, посвящённый ограничениям и безопасности.

Основные риски

• Out-of-distribution (OOD) состояния. Агент обучен на одних данных, а на практике сталкивается с новыми значениями – пульс 250 вместо 120. DQN может предсказать Q-значение, не соответствующее реальности.
• Нестабильность политики. Из-за функции аппроксимации POLICY может резко меняться от одного шага к другому – это недопустимо в лечении.
• Отсутствие калибровки уверенности. DQN не говорит: «Я не уверен в этом решении». Он даёт число Q-value, которое нельзя интерпретировать как вероятность.

Методы обеспечения безопасности

• Safe RL. Используйте методы constrained MDP – добавляйте ограничения в награду (штрафы за действия, ведущие к гибели).
• Budgeted learning. Агент может попросить помощь у врача, если не уверен.
• Adversarial validation. Проверьте агента на стресс-тестах: что если датчик глюкозы врёт?

Что писать в дипломе?

Выделите отдельный параграф, например: «2.3. Ограничения подхода и меры безопасности». Опишите:

• Какие возможные сбои вы предусмотрели.
• Как ваша политика ведёт себя при шуме в данных.
• Сравните с существующими системами поддержки принятия решений (CDSS) – они используют правила, а не RL, и менее гибкие, но более безопасные.

Как выбрать тему ВКР по DQN

Выбор темы – половина успеха. Неудачная тема может загубить полгода работы. Вот критерии, которые помогут не ошибиться.

Критерий 1. Актуальность

Тема должна быть востребована в современной науке. DQN для персонализированной терапии – горячая область: тысячи статей в PubMed, гранты, стартапы. Но уточните: например, «Оптимизация дозирования антикоагулянтов с помощью DQN у пациентов с фибрилляцией предсердий» – это очень актуально, так как неправильная доза ведёт к инсульту или кровотечению.

Критерий 2. Доступность выборки

Для эмпирической части нужны данные. Если у вас нет доступа к реальным клиническим записям, используйте открытые: MIMIC-III, PhysioNet, UK Biobank. Для симуляции – модели из литературы. Проверьте, что вы сможете скачать данные до того, как утвердите тему.

Критерий 3. Доступность источников

По DQN в медицине много материалов. Посмотрите хотя бы 10 статей на Google Scholar. Если их мало – тема слишком новая или нишевая, лучше взять другую.

Критерий 4. Возможность проведения исследования

Не берите тему, где нужна суперкомпьютерная инфраструктура, если у вас обычный ноутбук. DQN прекрасно обучается на одной видеокарте. Симуляция пациента часто не требует большого GPU, но обучение может занять день.

Критерий 5. Требования научного руководителя

Обязательно обсудите тему с руководителем. Он может подсказать интересный угол (например, сравнение DQN и SARSA для сепсиса) или дать контакты врачей для получения данных. Если ваш руководитель не разбирается в RL – не беда, можно привлечь консультанта или заказать написание ВКР DQN на заказ с экспертизой в области.

Вот примеры удачных тем:

• «Применение DQN для персонализированного подбора доз инсулина у пациентов с сахарным диабетом 1 типа на основе симулятора SimGlucose»
• «Сравнение DQN и Double DQN для оптимизации антимикробной терапии при сепсисе с использованием данных MIMIC-III»
• «Разработка агента обучения с подкреплением для управления искусственной вентиляцией лёгких с учётом риска баротравмы»

Проверка ВКР на антиплагиат

Когда работа готова, остаётся последний рубеж – антиплагиат. Каждый год студенты теряют баллы из-за низкой уникальности. Давайте разберёмся, как пройти проверку без нервотрёпки.

Что такое Антиплагиат.ВУЗ?

Это расширенная версия системы Антиплагиат, которая используют более 500 вузов. Она ищет заимствования из интернета, диссертаций, книг и даже из работ, загруженных другими студентами. Оригинальность должна быть не менее 70-80% в зависимости от требований вуза.

Корректные заимствования

Вы можете цитировать чужие работы – это нормально. Но цитаты должны быть оформлены в кавычках с указанием источника. Доля цитирования обычно не должна превышать 20%. Используйте не менее 30 источников, из них 15 на английском – это повышает авторитет.

Распространённые причины низкой уникальности

• Переписывание кусков из Википедии или статей без обработки.
• Скачивание готовых дипломов – они уже в базе Антиплагиат.
• Копирование введения из методички – его тоже проверяют.
• Использование шаблонных фраз (например, «актуальность темы обусловлена»). Старайтесь писать уникально.

Что делать, если уникальность низкая?

Не паникуйте. Можно:

• Перефразировать заимствованные блоки своими словами.
• Добавить собственные комментарии, анализ, примеры.
• Использовать синонимы, менять структуру предложений.
• Обратиться к специалистам: помощь в написании ВКР DQN включает и повышение оригинальности.

Типичные ошибки при написании ВКР по DQN

Ошибки бывают у всех. Но лучше учиться на чужих, чем на своих. Вот пять самых частых «граблей», на которые наступают студенты.

Ошибка 1. Слишком сложная задача MDP

Новички пытаются включить 50 параметров состояния и 20 действий – агент не сходится или учится неделями. Начните с минимального жизнеспособного продукта (MVP). Добавляйте параметры постепенно.

Ошибка 2. Отсутствие байесовской точки зрения

В дипломе по DQN нужно учитывать неопределённость. Если вы используете только детерминированные оценки, работа выглядит плоской. Добавьте анализ чувствительности: что если симулятор не точен?

Ошибка 3. Неправильная награда (reward hacking)

Агент находит способ получить высокую награду, не решая медицинскую задачу. Например, чтобы избежать штрафа за высокую температуру, агент может ввести слишком много парацетамола и убить печень. Проверяйте решения вручную.

Ошибка 4. Игнорирование рецензентов и антиплагиата

Студенты сдают работу без проверки и получают замечания: «нет ссылки на грант», «список литературы не по ГОСТ», «низкая оригинальность». Рецензент может завернуть работу.

Ошибка 5. Слабая эмпирическая часть

Нет сравнения с бейзлайном, нет статистики, нет анализа сходимости. Комиссия видит, что эксперименты «галонные». Покажите таблицы метрик, графики обучения, доверительные интервалы.

Если вы чувствуете, что самостоятельно не справитесь – не стесняйтесь обратиться за помощью. Подготовка дипломной работы по DQN – это командный спорт. Мы уже помогли десяткам студентов избежать этих граблей.

Как проходит защита ВКР

Защита – финальный аккорд вашей дипломной симфонии. Не волнуйтесь: если работа сделана качественно, защита пройдёт гладко. Расскажу, как готовиться и что ожидать.

Подготовка доклада

У вас будет 5-7 минут на выступление. Структура:

• Вступление: тема, актуальность (30 секунд).
• Цель и задачи (30 секунд).
• Ключевая идея: MDP, DQN, симулятор (1 минута).
• Эксперименты: метрики, графики, сравнения (2 минуты).
• Результаты, ограничения, безопасность (1 минута).
• Заключение: практическая значимость (30 секунд).

Презентация

Слайды не должны быть перегружены. Используйте:

• Схему MDP (состояния -> действия -> награда).
• Архитектуру нейронной сети DQN.
• Графики обучения (reward per episode).
• Таблицу сравнения с бейзлайном.

Вопросы комиссии

Типичные вопросы:

• «Почему вы выбрали DQN, а не PPO или A3C?» – будьте готовы обосновать: у вас дискретное пространство действий, DQN проще и хорошо изучен.
• «Как вы обеспечили репрезентативность симулятора?» – ссылка на калибровку по реальным данным.
• «Какие ограничения у вашего подхода?» – OOD состояния, сходимость, зависимость от симулятора.
• «Внедрена ли система в практику?» – это дипломный проект, до внедрения ещё далеко, но намекните на потенциал.

Критерии оценки

• Актуальность и новизна (0-5 баллов).
• Полнота обзора литературы (0-5).
• Качество реализации и экспериментов (0-10).
• Оформление и соблюдение стандартов (0-5).
• Защита: ответы на вопросы, презентация (0-5).

Причины снижения оценки

• Нет практической значимости. Если работа только теоретическая – оценка ниже.
• Плохая защита. Мямлите, не знаете базовых терминов.
• Плагиат. Обнаружат >50% заимствований – работа не допускается.
• Недостоверные результаты. Если данные подогнаны или метрики не сходятся.

Тематика ВКР по DQN в медицине

Чтобы вдохновить вас, приведу несколько примеров тем, которые реально защитить. Не копируйте их один в один – адаптируйте под свои условия.

• Оптимизация дозирования инсулина с помощью Double DQN на симуляторе SimGlucose.
• DQN для персонализированной терапии сепсиса с использованием базы MIMIC-III.
• Управление искусственной вентиляцией лёгких с помощью Dueling DQN.
• Персонализированная антикоагулянтная терапия: DQN на основе фармакокинетической модели.
• Сравнение DQN и SARSA для выбора химиотерапевтического режима при раке лёгкого.
• DQN с attention-механизмом для прогнозирования дозировки анестетиков во время операции.
• Безопасное RL-планирование для коррекции артериального давления у гипертоников.
• Использование DQN для индивидуализации терапии железодефицитной анемии.
• Агент для титрования вазопрессоров в отделении интенсивной терапии.
• DQN для подбора стартовой дозы антибиотика при внебольничной пневмонии.
• Мультиагентное RL: DQN для координации одновременной терапии диабета и гипертонии.
• DQN с приоритетным буфером для лечения депрессии с помощью транскраниальной стимуляции.
• Анализ устойчивости DQN-агента к сбоям датчиков в замкнутом контуре инсулиновой помпы.
• DQN для адаптивного управления нейрореабилитацией после инсульта.
• Персонализированный подбор нутритивной поддержки у пациентов в критическом состоянии с помощью DQN.

Выберите тему, которая вам действительно интересна – тогда писать будет легче. Если сомневаетесь, обсудите с нашим экспертом: мы поможем с выбором и написанием ВКР DQN на заказ.

Этапы сотрудничества с нами

Если вы решили не мучиться в одиночку, а доверить работу профессионалам, вот как строится наше сотрудничество. Всё прозрачно и без сюрпризов.

1. Оставьте заявку. Через форму, Telegram или WhatsApp. Укажите тему, специальность, требования вуза.
2. Обсуждение и расчёт. Мы уточняем детали, предлагаем автора, согласовываем стоимость. Диплом по DQN цена зависит от объёма, сложности и сроков.
3. Предоплата. Обычно 50% – гарантия начала работы.
4. Написание и согласование. Поэтапно: план, введение, теоретическая часть, методология, эмпирика. Вы получаете черновики и вносите правки.
5. Проверка на антиплагиат. Высылаем отчёт.
6. Финальная версия и доработка. Если нужны изменения – вносим бесплатно в течение гарантийного срока.
7. Защита. Мы можем помочь с подготовкой доклада и презентации.

Весь процесс занимает от 10 до 30 дней в зависимости от сложности. Срочные заказы – от 5 дней.

Стоимость и сроки

Цена складывается из объёма, уникальности, сложности (симулятор, нейросеть). Примерные диапазоны:

Вид работы	Стоимость	Срок
Теоретическая глава (обзор)	5 000 – 10 000 руб.	3–5 дней
Методологическая глава + реализация DQN	15 000 – 30 000 руб.	7–14 дней
Эмпирическая часть (эксперименты, метрики)	10 000 – 20 000 руб.	5–10 дней
Полный диплом под ключ	35 000 – 70 000 руб.	14–30 дней
Срочное написание (до 7 дней)	от 50 000 руб.	5–7 дней

Точная цена – после консультации. Мы даём скидки на комплексные заказы (диплом + презентация + речь).

Преимущества обращения к нам

• Профильный автор. Ваш диплом пишет эксперт с опытом в RL, часто аспирант или кандидат наук. Не филолог – а программист.
• Уникальность 80%+. Гарантируем проходной процент в Антиплагиат.ВУЗ.