refactor: split training scripts into pretrain.py and train.py

- scripts/run_pretrain.py -> scripts/pretrain.py: pre-trains on McGill
  corpus (data/processed/mcgill/), saves checkpoints/pretrained.pt.
- scripts/train.py: rewritten as high-level fine-tune wrapper; loads
  pretrained.pt, trains on data/processed/user/, saves finetuned.pt.
  Both scripts include timing estimate, loss-curve plot, per-epoch report,
  and --skip-training flag.
- README: updated section 7 to reflect new script names and separate
  data directories.

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

README.md

@@ -254,39 +254,39 @@ python scripts/prepare_data.py \
 
 ### 7.1 Предобучение
 
-Обучение базовой модели на конвертированном корпусе McGill Billboard:
-
 ```bash
-python scripts/train.py \
-    --data-dir data/processed/mcgill/ \
-    --output checkpoints/pretrained.pt \
-    --epochs 50 \
-    --batch-size 32 \
-    --lr 3e-4 \
-    --warmup-steps 200 \
-    --seed 42
+python scripts/pretrain.py
 ```
 
-По окончании обучения в директории `checkpoints/` появятся: сам чекпоинт,
-лог обучения в формате CSV и график кривых train/val loss.
+Обучает на корпусе McGill (`data/processed/mcgill/`). Выводит оценку времени
+выполнения и по окончании сохраняет:
+
+| Файл                                | Описание                      |
+| ----------------------------------- | ----------------------------- |
+| `checkpoints/pretrained.pt`         | лучший чекпоинт (по val loss) |
+| `checkpoints/pretrained.log.csv`    | метрики по эпохам             |
+| `checkpoints/pretrained_curves.png` | график кривых train/val loss  |
+
+Если обучение было прервано, повторно построить график и отчёт без
+повторного обучения:
+
+```bash
+python scripts/pretrain.py --skip-training
+```
 
 ### 7.2 Дообучение на собственном корпусе
 
 ```bash
-python scripts/train.py \
-    --init-from checkpoints/pretrained.pt \
-    --data-dir data/processed/user/ \
-    --output checkpoints/finetuned.pt \
-    --epochs 15 \
-    --batch-size 16 \
-    --lr 1e-5 \
-    --warmup-steps 20 \
-    --seed 42
+python scripts/train.py
 ```
 
-Существенно более низкая скорость обучения (на два порядка меньше, чем на
-предобучении) и небольшое число эпох предотвращают катастрофическое забывание
-закономерностей, выученных на этапе предобучения.
+Загружает `checkpoints/pretrained.pt` и дообучает на собственном корпусе
+(`data/processed/user/`). Сохраняет `checkpoints/finetuned.pt` и аналогичный
+набор артефактов (`finetuned.log.csv`, `finetuned_curves.png`).
+
+Существенно более низкая скорость обучения (lr=1e-5 против 3e-4) и небольшое
+число эпох (15) предотвращают катастрофическое забывание закономерностей,
+выученных на этапе предобучения.
 
 ## 8. Оценка результатов