УДК 004.85:37
DOI: 10.36871/26189976.2026.04-2.006

Авторы

Таисия Абакаровна Гуйдалаева,
Преподаватель кафедры общей физики, Дагестанский государственный университет, Махачкала, Россия
Майя Валериановна Дубовик,
Доктор экономических наук, профессор кафедры экономической теории, Российский экономический университет имени Г.В. Плеханова, Москва, Россия
Тамара Константиновна Филимонова,
Кандидат физико-математических наук, доцент кафедры цифровые системы и модели, Казанский государственный энергетический университет, Казань, Россия

Аннотация

Выбор платформы для разработки моделей машинного обучения выступает фактором, определяющим эффективность, масштабируемость и воспроизводимость результатов. В настоящей работе рассмотрены критерии выбора платформы: вычислительные ресурсы, поддержка библиотек и фреймворков, удобство интеграции, возможности развертывания, уровень автоматизации процессов. Проанализированы облачные и локальные решения, оценены их преимущества и ограничения применительно к задачам машинного обучения. Рассмотрены вопросы безопасности данных, стоимости эксплуатации и требований к квалификации специалистов. Результаты исследования позволяют сформулировать рекомендации по выбору платформы в зависимости от специфики проекта и организационных условий.

Ключевые слова

машинное обучение
платформа разработки
облачные вычисления
локальные решения
масштабируемость
вычислительные ресурсы
интеграция
автоматизация
безопасность данных
развертывание моделей

Список литературы

[1] Бахтизин Р.Н., Ахметова Д. Р. Применение методов машинного обучения для прогнозирования академической успеваемости студентов // Современные наукоемкие технологии. 2022. № 12. С. 34–39.

[2] Гаврилова Т.А., Хорошевский В. Ф. Интеллектуальные системы в образовании: методы и модели // Известия Российской академии образования. 2021. № 4. С. 56–68.

[3] Добров Б.В., Иванов В. К. Анализ образовательных данных: методы и перспективы // Искусственный интеллект и принятие решений. 2023. № 1. С. 22–35.

[4] Елисеева Е.Н., Смирнов А. В. Цифровые следы студентов в LMS: возможности анализа с использованием методов машинного обучения // Высшее образование в России. 2022. Т. 31, № 6. С. 89–102.

[5] Козлов Д.А., Морозов С. С. Прогнозирование академической неуспеваемости студентов на основе ансамблевых методов машинного обучения // Открытое образование. 2023. Т. 27, № 2. С. 14–24.

[6] Лебедева Т.Н., Федоров П. А. Формирование критического мышления студентов с использованием технологий искусственного интеллекта // Педагогика и психология образования. 2022. № 3. С. 45–57.

[7] Никулина Е.В., Стариченко Б. Е. Применение алгоритмов классификации и регрессии в задачах образовательной аналитики // Научно-педагогическое обозрение. 2023. № 1 (41). С. 71–80.

[8] Павлова И.А., Соколов А. Ю. Нейросетевые модели в прогнозировании успеваемости студентов: сравнительный анализ // Информатизация образования и науки. 2022. № 4 (52). С. 27–38.

[9] Романенко Л.В., Тихомиров В. П. Адаптивные образовательные системы на основе машинного обучения: принципы построения и оценка эффективности // Вестник Московского университета. Серия 20: Педагогическое образование. 2023. № 2. С. 63–76.

[10] Семенова Т.Ю., Кузнецов Д. В. Этические аспекты применения искусственного интеллекта в образовании: анализ данных и защита персональной информации // Этика и образование. 2022. № 5 (39). С. 51–63.