Part 1:
	Probabilitati: Generez matricea sistemului de probabilitati observand regula si folosindu-ma de faptul ca pe pozitia vecinilor se afla -1.
		       Un numar poate avea maxim 6 vecini, acestia aflandu-se intr-un format specific in jurul lui.
	
	Matrix_csr: Ma folosesc de regula de generare a celor 3 vectori si ii generez simultan la o singura trecere prin matrice.
	
	Jacobi_fact: Ma folosesc de formulele aferente factorizarii jacobi si aflu matricele de iteratie.
	
	Jacobi_sparse: Continui metoda jacobi folosindu-ma de matricele aflate mai sus si aflu o solutie aproximativa pentru sistemul de ecuatii.

Part 2:
	Clustering: Dupa ce partitionez punctele date ca parametru dupa cerinta in NC clustere, calculez centroizii. Dupa calcularea centroizilor initiali,
		    reinitializez listele de puncte tinand cond de distantele fata de centroizii. Aplic aceasta metoda pana cand centroizii nu se mai modifica.
	Clustering_cost: Calculez costul clustering-ului adunand distantele minime fata de centroizi.

Part 3:
	RGB_hist: Folosindu-ma de functia histc, fac o agregarea a pixelilor de diferite culori in bin-urile corespunzatoare pe baza vectorului edges, dupa care cumulez
		  rezultatele si intorc vectorul solutie.
	HSV_hist: Rationamentul este identic ca la RGB_hist.
	RGB2HSV: Pe baza algoritmului dat in laborator, convertesc fiecare pixel din imaginea in format RGB pentru a crea aceeasi imagine in format HSV. Aceasta functie este
		 utilizata in HSV_hist inainte de agregare.
	Householder: Folosind pseudocodul din laborator, am implementat factorizarea Householder.
	SST: Folosind pseudocodul din laborator, am implementat algoritmul de rezolvare a sistemelor care se afla in forma superior triunghiulara.
	Preprocess: Parcurg in ordine fisierele din cats si not_cats, aplicand pe fiecare imagine din acestea functia RGB_hist sau HSV_hist si folosind vectorii solutie creez o matrice
		    de caracteristici si un vector de etichete.
	Learn: Folosesc alg Householder si SST pentru a "invata"/genera vectorul w, folosit in predictia imaginilor
	Evaluate: Imi creez o matrice de caracteristici(similar ca la preprocess) ale imaginilor din folderul de test si imultesc la stanga cu vectorul w. Vectorul rezultat este parcurs 
		  si se verifica numarul de rezultate pozitive/ negative care determina procenatul predictiei.

Part 4:
	Learn(folosind gradient descent): Imi generez un vectorul random w cu numere din interval (-1, 1) si folosind algoritmul gradient descent generez un vector similar cu cel de la partea 3,
					  care va fi folosit pentru predictia imaginilor.