Реализация класса GetData

- Добавлен класс GetData для работы с последовательными данными
- Реализован функционал:
  * Создание датасета из последовательности
  * Автоматическое формирование пар (input, target)
  * Поддержка CPU/GPU
  * Проверка корректности параметров
- Добавлены тесты для проверки функционала
- Создан пример использования в example/
- Добавлена документация с блок-схемой в doc/
- Обновлен README.md с информацией о новом классе

doc/get_data_documentation_ru.md

@@ -0,0 +1,79 @@
+# Документация по классу GetData
+
+## Назначение
+Класс `GetData` предназначен для создания датасетов из последовательных данных для обучения языковых моделей и других задач, работающих с последовательностями.
+
+## Основные возможности
+- Преобразование последовательности данных в обучающие пары (input, target)
+- Поддержка различных типов данных (числа, токены)
+- Автоматический сдвиг целевой последовательности
+- Поддержка работы на CPU/GPU
+- Проверка корректности входных параметров
+
+## Алгоритм работы
+1. Принимает на вход последовательность данных и длину окна
+2. Скользящим окном проходит по последовательности
+3. Для каждой позиции создает пару:
+   - Входная последовательность: `data[pos:pos+seq_len]`
+   - Целевая последовательность: `data[pos+1:pos+seq_len+1]` (сдвиг на 1 элемент)
+4. Преобразует данные в тензоры PyTorch
+
+```mermaid
+flowchart TD
+    A[Начало] --> B[Проверка параметров]
+    B -->|seq_len <= 0| C[Ошибка: отрицательная длина]
+    B -->|seq_len >= len(data)| D[Ошибка: слишком длинное окно]
+    B -->|Параметры верны| E[Инициализация датасета]
+    E --> F[Для каждого индекса i от 0 до len(data)-seq_len-1]
+    F --> G[Входной тензор: data[i:i+seq_len]]
+    G --> H[Целевой тензор: data[i+1:i+seq_len+1]]
+    H --> I[Преобразование в тензоры PyTorch]
+    I --> J[Возврат пары тензоров]
+    J --> F
+    F -->|Все индексы обработаны| K[Конец]
+```
+
+## Пример использования
+```python
+from simple_llm.data.get_data import GetData
+
+data = list(range(10))  # Последовательность 0-9
+seq_len = 3
+dataset = GetData(data=data, seq_len=seq_len)
+
+# Получение первого примера
+x, y = dataset[0] 
+print(f"Вход: {x.tolist()} → Цель: {y.tolist()}")
+# Вывод: Вход: [0, 1, 2] → Цель: [1, 2, 3]
+```
+
+## Параметры класса
+- `data` (list): Входная последовательность данных
+- `seq_len` (int): Длина окна последовательности
+- `device` (str): Устройство для тензоров ('cpu' или 'cuda')
+
+## Методы
+- `__len__()`: Возвращает количество обучающих примеров
+- `__getitem__(idx)`: Возвращает пару тензоров по индексу
+
+## Ошибки
+- `ValueError`: Если `seq_len` <= 0 или >= длины данных
+
+## Применение
+1. Обучение языковых моделей
+2. Прогнозирование временных рядов
+3. Любые задачи, требующие работы с последовательностями
+
+## Рекомендации
+- Для текстовых данных предварительно токенизируйте текст
+- Для больших датасетов используйте GPU (device='cuda')
+- Подбирайте seq_len в зависимости от задачи
+
+## Пример с текстовыми данными
+```python
+text_tokens = [10, 20, 30, 40]  # Токенизированный текст
+dataset = GetData(text_tokens, seq_len=2)
+x, y = dataset[1]
+print(f"Вход: {x.tolist()} → Цель: {y.tolist()}")
+# Вывод: Вход: [20, 30] → Цель: [30, 40]
+```