УДК 004.89
DOI: 10.36871/2618-9976.2026.03.008
Авторы
Владислав Юрьевич Верещагин,
Старший преподаватель кафедры технологии машиностроения, Новосибирский государственный технический университет, Новосибирск, Россия; старший преподаватель кафедры информационных систем и цифрового образования, Новосибирский государственный педагогический университет, Новосибирск, Россия
Валерий Валентинович Косулин,
Кандидат технических наук, доцент КГЭУ, ФГБОУ ВО КГЭУ Казанский государственный энергетический университет, Казань, Россия
Иман Мохумед-Эмиевна Вараева,
Преподаватель, юрист, ГГНТУ им. акад. М.Д. Миллионщикова, Грозный, Россия
Аннотация
Современные системы искусственного интеллекта, оперирующие на больших объемах данных, требуют разработки методов, способных не только обучаться на заранее размеченных данных, но и адаптироваться к новым условиям, выявлять скрытые закономерности и корректировать свои модели без постоянного вмешательства человека, что особенно важно в контексте экспоненциального роста информационных потоков в бизнесе, медицине, промышленности, социальных сетях и научных исследованиях. В статье рассматриваются концептуальные основы и принципы функционирования самообучающихся методов искусственного интеллекта, включая онлайнобучение, обучение с самоконтролем, алгоритмы с активным обучением, адаптивные нейронные сети и системы многомодальных представлений, а также обсуждаются ключевые проблемы применения, связанные с масштабируемостью, надежностью, устойчивостью к шуму и интерпретируемостью результатов.
Ключевые слова
самообучение
искусственный интеллект
большие данные
онлайн-обучение
обучение с самоконтролем
адаптивные системы
активное обучение
Список литературы
[1] Васильев А.В. Искусственный интеллект: методы и технологии. М.: Горячая линия. Телеком, 2019. 352 с.
[2] Гонсалес Р.С., Вудс Р.Э. Цифровая обработка изображений. М.: Техносфера, 2018. 1104 с.
[3] Дьяконов А.Г. Прикладные задачи анализа данных. М.: МЦНМО, 2019. 304 с.
[4] Зенков А.А. Глубокое обучение и нейронные сети: основы и приложения. М.: ДМК Пресс, 2021. 512 с.
[5] Кудрявцев Л.Д. Курс математического анализа. М.: Физматлит, 2009. 720 с.
[6] Ляхов А.А. Нейронные сети и глубокое обучение. М.: ДМК Пресс, 2020. 384 с.
[7] Поспелов Д.А. Искусственный интеллект: модели и методы. М.: Наука, 1986. 320 с.
[8] Рашка С., Мирджалили В. Python и машинное обучение. СПб.: Питер, 2020. 848 с.
[9] Румельхарт Д., Хинтон Дж., Уильямс Р. Обучение представлений посредством обратного распространения ошибки // Нейрокомпьютеры: разработка и применение. 2016. № 1. С. 4–21.
[10] Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2016. 1104 с.
