update README features to concepts

README.rst

@@ -45,23 +45,16 @@ FEDOT предоставляет возможность использовать
    :target: http://www.youtube.com/watch?v=RjbuV6i6de4
    :alt: Introducing Fedot
 
-Особенности фреймворка
-=====================
-
-Основные особенности фреймворка:
-
-- **Гибкость.** FEDOT очень гибкий: его можно использовать для автоматизации поиска решений для различных классов задач, типов данных и моделей;
-- **Интеграция с другими библиотеками МО.** FEDOT поддерживает широко используемые библиотеки МО (Scikit-Learn, Catboost, Xgboost и т.д.) и позволяет интегрировать пользовательские библиотеки;
-- **Расширяемость для новых видов задач.** Алгоритмы для оптимизации пайплайнов не зависят от вида данных и задач, однако можно использовать специальные шаблоны для определенных классов задач или типов данных (прогнозирование временных рядов, NLP, табличные данные и т.д.) для повышения эффективности;
-- **Отсутствие ограничений.** Фреймворк универсальный и не ограничивается конкретными задачами моделирования, например, его можно использовать в ODE или PDE;
-- **Поддержка настройки гиперпараметров.** Поддерживаются методы настройки гиперпараметров. Пользовательские методы также могут быть интегрированы в FEDOT;
-- **Воспроизводимость.** Можно экспортировать получившиеся паплайны в формате JSON для воспроизводимости эксперимента.
-
-По сравнению с другими фреймворками, FEDOT:
+Концепции FEDOT'а
+=================
 
-- можно считать универсальным и расширяемым, т.к. у него нет ограничений для видов задач моделирования;
-- позволяет управлять сложностью моделей и тем самым достигать лучших результатов;
-- позволяет строить пайплайны состоящие из различных моделей, используя различные типы входных данных (тексты, изображения, таблицы и т.д.).
+- **Гибкость.** FEDOT может быть использован для автоматизации поиска решений для различных классов задач, типов данных (тексты, изображения, таблицы), и моделей;
+- **Расширяемость.** Алгоритмы для оптимизации пайплайнов не зависят от вида данных и задач, однако можно использовать специальные шаблоны для определенных классов задач или типов данных (прогнозирование временных рядов, NLP, табличные данные и т.д.) для повышения эффективности;
+- **Интегрируемость.** FEDOT поддерживает широко используемые библиотеки МО (Scikit-learn, CatBoost, XGBoost и т.д.) и позволяет интегрировать пользовательские библиотеки;
+- **Тюнингуемость.** Поддерживаются методы настройки гиперпараметров. Пользовательские методы также могут быть интегрированы в FEDOT;
+- **Универсальность.** FEDOT универсальный и не ограничивается конкретными задачами моделирования, например, его можно использовать в ODE или PDE;
+- **Воспроизводимость.** Можно экспортировать получаемые паплайны в формате JSON для воспроизведения экспериментов;
+- **Кастомизируемость.** FEDOT позволяет настраивать сложность моделей и, тем самым, получать необходимое качество моделей;
 
 Установка
 =========
@@ -198,6 +191,9 @@ Jupyter ноутбуки с примерами находятся в репоз
 
 Общее описание доступно в репозитории `FEDOT.Docs <https://itmo-nss-team.github.io/FEDOT.Miscellaneous>`__.
 
+..
+   Страница выше с общим описанием же не работает (аналогично в "_en"), зачем она здесь?
+
 Подробное описание FEDOT API доступно в разделе `Read the Docs <https://fedot.readthedocs.io/en/latest/>`__.
 
 Как участвовать

README_en.rst

@@ -45,23 +45,16 @@ More details about FEDOT are available in the next video:
    :target: http://www.youtube.com/watch?v=RjbuV6i6de4
    :alt: Introducing Fedot
 
-FEDOT Features
+FEDOT concepts
 ==============
 
-The main features of the framework are as follows:
-
-- **Flexibility.** FEDOT is highly flexible: it can be used to automate the construction of solutions for various problems, data types, and models;
-- **Integration with ML libraries.** FEDOT supports widely used ML libraries (Scikit-Learn, Catboost, Xgboost, etc.) and allows you to integrate custom ones;
-- **Extensibility for new domains.** Pipeline optimization algorithms are data- and task-independent, yet you can use special templates for a specific task class or data type (time series forecasting, NLP, tabular data, etc.) to increase the efficiency;
-- **No limits.** The framework is versatile and is not limited to specific modeling tasks, for example, it can be used in ODE or PDE;
-- **Support of hyper-parameter tuning.** Hyper-parameter tuning methods are supported. Custom methods can also be integrated in FEDOT;
-- **Reproducibility.** You can export the resulting pipelines in JSON format for experiment reproducibility.
-
-Compared to other frameworks:
-
-- There are no limits to specific modeling tasks, therefore FEDOT claims versatility and expandability;
-- Allows managing the complexity of models and thereby achieving better results.
-- Allows building pipelines using different types of input data (texts, images, tables, etc.) and consisting of various models.
+- **Flexibility.** FEDOT can be used to automate the construction of solutions for various problems, data types (texts, images, tables), and models;
+- **Extensibility.** Pipeline optimization algorithms are data- and task-independent, yet you can use special templates for a specific task class or data type (time series forecasting, NLP, tabular data, etc.) to increase the efficiency;
+- **Integrability.** FEDOT supports widely used ML libraries (Scikit-learn, CatBoost, XGBoost, etc.) and allows you to integrate custom ones;
+- **Tuningability.** Hyper-parameters tuning methods are supported. Custom methods can also be integrated in FEDOT;
+- **Versatility.** FEDOT is not limited to specific modeling tasks, for example, it can be used in ODE or PDE;
+- **Reproducibility.** You can export the resulting pipelines in JSON format for experiment reproducibility;
+- **Customizability.** FEDOT allows managing the complexity of models and thereby achieving better results;
 
 Installation
 ============

docs/source/basics/concepts.rst

@@ -4,9 +4,9 @@ Main Concepts
 The main concepts of the framework are the follows:
 
 - **Flexibility.** FEDOT can be used to automate the construction of solutions for various problems, data types (texts, images, tables), and models;
-- **Integrability.** FEDOT supports widely used ML libraries (Scikit-Learn, Catboost, Xgboost, etc.) and allows you to integrate custom ones;
+- **Integrability.** FEDOT supports widely used ML libraries (Scikit-learn, CatBoost, XGBoost, etc.) and allows you to integrate custom ones;
 - **Domains Extensibility.** Pipeline optimization algorithms are data- and task-independent, yet you can use special templates for a specific task class or data type (time series forecasting, NLP, tabular data, etc.) to increase the efficiency;
 - **Versatility.** FEDOT is not limited to specific modeling tasks, for example, it can be used in ODE or PDE;
 - **Hyper-Parameters Tuningability.** Hyper-parameters tuning methods are supported. Custom methods can also be integrated in FEDOT;
 - **Reproducibility.** You can export the resulting pipelines in JSON format for experiment reproducibility;
-- **Customizability** FEDOT allows managing the complexity of models and thereby achieving better results;
+- **Customizability.** FEDOT allows managing the complexity of models and thereby achieving better results;