УДК 004
DOI: 10.36871/ek.up.p.r.2026.03.08.018

Авторы

Милана Рамзановна Тасуева,
Адам Мусаевич Дасаев,
Грозненский государственный нефтяной технический университет им. акад. М.Д. Миллионщикова

Аннотация

В статье исследуются теоретические и прикладные аспекты применения технологий машинного обучения для выявления скрытых, неочевидных и нелинейных закономерностей в больших массивах данных, характеризующихся высокой размерностью, сложной структурой, неполнотой и гетерогенностью. Актуальность исследования обусловлена тем обстоятельством, что в условиях экспоненциального роста объёмов генерируемых данных в различных сферах человеческой деятельности — от экономики и финансов до здравоохранения, промышленности и социальных коммуникаций — традиционные статистические методы анализа, основанные на априорных гипотезах о функциональной форме связей и распределениях данных, обнаруживают свою недостаточность при столкновении с многомерностью, нелинейностью и скрытыми структурами, присущими современным наборам данных. В этих условиях технологии машинного обучения, обладающие способностью автоматически извлекать значимые признаки, выявлять сложные зависимости и обобщать опыт, представленный в данных, без явного программирования правил, становятся не просто инструментом анализа, а необходимым условием получения новых знаний и поддержки принятия решений в условиях неопределённости.

Ключевые слова

машинное обучение, большие данные, выявление закономерностей

Список литературы

  1. Чубукова И. А. Data Mining : учеб. пособие / И. А. Чубукова. — М. : Интернет-Университет Информационных Технологий ; БИНОМ. Лаборатория знаний, 2018. — 382 с.
  2. Барсегян А. А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. — 2-е изд., перераб. и доп. — СПб. : БХВ-Петербург, 2022. — 384 с.
  3. Дюк В. А. Data Mining: интеллектуальный анализ данных / В. А. Дюк, А. П. Самойленко. — СПб. : Питер, 2019. — 368 с.
  4. Паклин Н. Б. Бизнес-аналитика: от данных к знаниям / Н. Б. Паклин, В. И. Орешков. — 2-е изд., испр. — СПб. : Питер, 2021. — 704 с.
  5. Флах П. Машинное обучение: наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах ; пер. с англ. А. А. Слинкина. — М. : ДМК Пресс, 2015. — 400 с.
  6. Николенко С. И. Глубокое обучение / С. И. Николенко, А. А. Кадурин, Е. О. Архангельская. — СПб. : Питер, 2018. — 480 с.
  7. Шолле Ф. Глубокое обучение на Python / Ф. Шолле ; пер. с англ. А. В. Логунова. — СПб. : Питер, 2023. — 400 с.
  8. Макаров И. М. Применение рекуррентных нейронных сетей для диагностики технического состояния промышленного оборудования / И. М. Макаров, А. В. Лохматов // Информационные технологии и вычислительные системы. — 2022. — № 3. — С. 45–57.
  9. Лаптев В. В. Методы снижения размерности в задачах анализа клиентского поведения / В. В. Лаптев, С. А. Фролов // Прикладная информатика. — 2023. — Т. 18, № 2. — С. 28–42.
  10. Киселев М. В. Интерпретируемое машинное обучение: методы SHAP и LIME в задачах финансового анализа / М. В. Киселев, А. Д. Брюно // Финансы и кредит. — 2023. — Т. 29, № 5. — С. 1024–1041.