change readme 4

README.md

@@ -87,10 +87,18 @@ print(namesim.check_similarity('Saudi Aramco', 'Rosneft'))
 
 ## Метод решения и его обоснование
 
-Для решения задачи проведено дообучение (fine-tuning) модели-трансформер с помощью фреймворка sentence-transformes. Трансформеры буквально "захватили" NLP, демонстрируя высокие показатели по сравнению с RNN, LSTM и др. технологиями. Их привлекательность для обработки естественного языка заключается в применении механизма внутреннего внимания, устанавливающего свзязи между отдельными словами. В качестве альтернативы рассматривались tensorflow, torch, spacy, но в итоге выбор был сделан в пользу sentence-transformes. Преимущества ST: высокопроизводительные модели и простота использования.
+Для решения задачи определения схожести названий проведено дообучение (fine-tuning) модели-трансформер с помощью фреймворка sentence-transformes. Трансформеры буквально "захватили" NLP, демонстрируя высокие показатели по сравнению с RNN, LSTM и др. технологиями машинного обучения. Их привлекательность для обработки естественного языка заключается в применении механизма внутреннего внимания, устанавливающего свзязи между отдельными словами. В качестве альтернативы рассматривались tensorflow, torch, spacy, но в итоге выбор был сделан в пользу sentence-transformes. Преимущества ST: высокопроизводительные модели, автоматизированная настройка гиперпараметров и простота использования. Помимо этого для поиска имен в тексте (задача NER) используется Spacy.
 
 ## Этапы решения задачи
 
+1. Подготовка данных к обучению модели;
+
+2. Обучение моделей и сравнение их показателей;
+
+3. Тестирование модели и выбор лучшей;
+
+4. Создание скрипта;
+
 ## Эксперименты
 
 ### Эксперимент №1