УДК 004.852:519.7
DOI: 10.36871/2618-­9976.2026.03.002

Авторы

Камила Багаудиновна Дахкильгова,
Доцент кафедры «Программирование и инфокоммуникационные технологии», ФГБОУ ВО Чеченский государственный университет им. А.А. Кадырова, Грозный, Россия
Гулайбат Магомедовна Гаджиева,
Кандидат биологических наук, доцент кафедры «Анатомии, физиологии и медицине человека», Дагестанский государственный педагогический университет имени Р. Гамзатова, Махачкала, Россия
Глеб Дмитриевич Коверин,
Аспирант, Казанский национальный исследовательский технический университет им. Туполева (КНИТУ­КАИ), Казань, Россия

Аннотация

В  статье  рассматриваются  современные  подходы  к  построению  систем  интеллектуальной  обработки  данных,  функционирующих  в  условиях  неопределенности,  обусловленной  неполнотой  наблюдений,  шумами  измерений,  изменением  распределений данных и  влиянием  внешних факторов, которые  затрудняют  формирование  устойчивых  и  воспроизводимых  решений.  Особое  внимание  уделяется  ансамблевым  методам  машинного  обучения  и  байесовским  нейронным  сетям  как  ключевым инструментам повышения точности и надежности  прогнозов  в  задачах  классификации,  регрессии  и  поддержки  принятия  решений. Показано,  что ансамблевые модели  обеспечивают  устойчивость  за  счет  комбинирования  слабых  или  разнотипных алгоритмов,  тогда  как  байесовские  нейронные  сети позволяют учитывать эпистемическую и алеаторную неопределенность,  формируя  вероятностные  оценки  и  доверительные интервалы.

Ключевые слова

неопределенность
интеллектуальные системы
ансамблевые модели
байесовские нейронные сети
вероятностное обучение
устойчивость
доверительные оценки
прогнозирование

Список литературы

[1] Аверкин А.Н. Интеллектуальные системы: методы и технологии. Москва: Финансы  и статистика, 2019. 352 с.

[2] Алексеев А.Н. Машинное обучение и анализ данных: прикладные методы. Москва: Юрайт, 2021. 312 с.

[3] Воронов В.В. Системный  анализ  и  моделирование  сложных  процессов.  Москва: КноРус, 2019. 336 с.

[4] Громов С.А. Большие  данные  и  интеллектуальная  аналитика.  Санкт­Петербург: БХВ­Петербург, 2022. 304 с.

[5] Ефимова Н.С. Нейросетевые модели и методы  вероятностного  обучения. Москва: Инфра­М, 2021. 280 с.

[6] Козлов Д.Ю. Информационные технологии поддержки принятия решений. Москва: Экономика, 2020. 320 с.

[7] Ларин Е.П. Математические методы обработки неопределенности. Москва: Юрайт, 2018. 272 с.

[8] Сидоров И.М. Ансамблевые методы машинного обучения: теория и практика. Екатеринбург: УрФУ, 2021. 264 с.

[9] Чернов А.Л. Байесовские  методы  в  интеллектуальном  анализе  данных.  Москва: Финансы и статистика, 2023. 296 с.