АВТОНОМНАЯ НЕКОММЕРЧЕСКАЯ ОРГАНИЗАЦИЯ «НАУЧНО-ОБРАЗОВАТЕЛЬНЫЙ ЦЕНТР ПЕДАГОГИЧЕСКИХ ПРОЕКТОВ»

Всероссийский конкурс для студентов «Digital Science Projects», в рамках реализации федерального проекта «Цифровая образовательная среда»

МИНИСТЕРСТВО ОБРАЗОВАНИЯ МОСКОВСКОЙ ОБЛАСТИ

ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ПРОФЕССИОНАЛЬНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ МОСКОВСКОЙ ОБЛАСТИ

«ДМИТРОВСКИЙ ТЕХНИКУМ»

(ГБПОУ МО «Дмитровский техникум»)

ИССЛЕДОВАТЕЛЬСКАЯ РАБОТА

на тему

«Основные подходы к машинному обучению в условиях современности: сравнительно-аналитический обзор и практическое применение»

Выполнил студент 1 курса:

Код специальности (профессии) 09.02.13

Специальность (профессия) Интеграция решений с применением технологий искусственного интеллекта

Юров Александр Алексеевич________________

(ФИО) (Подпись)

Группа 10ИИ

Руководитель исследовательской работыПреподаватели общеобразов. дисциплин(степень, ученое звание при наличии)
Агеева Инна Валерьевна

г. Дмитров — 2026г.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3
ГЛАВА 1. ТЕОРЕТИЧЕСКИЙ ОБЗОР ОСНОВНЫХ ПОДХОДОВ К МАШИННОМУ ОБУЧЕНИЮ 5
1.1. Теоретические основы и современное понимание машинного обучения 5
1.2. Обучение с учителем (Supervised Learning) 5
1.3. Обучение без учителя (Unsupervised Learning) 6
1.4. Обучение с подкреплением (Reinforcement Learning) 7
1.5. Самообучение (Self-Supervised Learning) 8
1.6. Сравнительный анализ подходов и современные тренды (2025-2026) 8
ГЛАВА 2. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ: КЕЙС-ЗАДАЧА ПО КЛАССИФИКАЦИИ 12
2.1. Подготовка данных и исследовательский анализ (EDA) 12
2.2. Подготовка данных к обучению модели 13
2.3. Обучение и сравнение нескольких моделей 14
2.4. Анализ результатов и выбор лучшей модели 15
2.5. Делаем предсказание на новых данных 16
ЗАКЛЮЧЕНИЕ 17
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 19

ВВЕДЕНИЕ

Актуальность исследования. В 2026 году машинное обучение (МО) перестало быть экспериментальной технологией и превратилось в фундаментальный инструмент для бизнеса, науки и повседневной жизни [1]. Его интеграция в промышленные процессы, системы принятия решений и генеративный искусственный интеллект (ИИ) определяет технологическую конкурентоспособность. Однако наблюдается переход от «гонки за масштабом» к прагматичному ИИ, где ключевыми становятся не размеры моделей, а их эффективность, интерпретируемость и возможность встраивания в существующие процессы [1][2]. Для студентов, начинающих специалистов и компаний критически важно понимать эволюцию и современную палитру подходов к МО, чтобы осознанно выбирать инструменты для решения практических задач.

Цель исследования — провести сравнительно-аналитический обзор основных подходов к машинному обучению в контексте современных трендов и разработать практический кейс для демонстрации их применения.

Задачи исследования:

1. Проанализировать и систематизировать ключевые подходы к машинному обучению: обучение с учителем, без учителя, с подкреплением и самообучение.

2. Исследовать современные тенденции развития МО на период 2025-2026 годов.

3. Провести сравнительный анализ подходов, выявив их преимущества, ограничения и области эффективного применения.

4. Разработать практический кейс с пошаговым решением для демонстрации рабочего цикла МО на примере задачи классификации.

Гипотеза исследования. Современные подходы к машинному обучению эволюционировали в сторону интеграции и прагматизма; понимание их специфики позволяет не просто выбирать алгоритм, а проектировать эффективные ИИ-системы, встроенные в бизнес-процессы и отвечающие требованиям объяснимости, воспроизводимости и безопасности [1][3].

Научная новизна исследования заключается в комплексном анализе четырёх основных парадигм МО с учётом актуальных трендов 2026 года, таких как смещение фокуса на самообучение (self-supervised learning), конвергенция различных подходов в рамках единых систем (например, Large Language Models) и приоритет инженерных практик над простым масштабированием [4][2][5].

Методы исследования. В работе применялись методы сравнительного анализа научной литературы и отраслевых обзоров, систематизация информации по ключевым критериям (тип данных, задачи, алгоритмы), а также метод case study для практической демонстрации цикла разработки модели.

Практическая значимость. Результаты исследования и разработанный кейс могут быть использованы студентами IT-специальностей для формирования системного понимания области МО, преподавателями в учебном процессе, а также начинающими специалистами для выбора адекватных методов решения прикладных задач.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЙ ОБЗОР ОСНОВНЫХ ПОДХОДОВ К МАШИННОМУ ОБУЧЕНИЮ

1.1. Теоретические основы и современное понимание машинного обучения

Машинное обучение (Machine Learning, ML) — это раздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться на основе данных [14]. По определению Тома Митчелла, профессора Университета Карнеги-Меллон, машинное обучение — это процесс, при котором компьютерная программа улучшает свою производительность на определённом классе задач при накоплении опыта [15].

Фрэнк Харабеда определяет машинное обучение как подмножество искусственного интеллекта, которое позволяет системам извлекать уроки из данных без явного программирования [16].

1.2. Обучение с учителем (Supervised Learning)

Это классический подход, при котором модель обучается на размеченных данных — парах «входные данные — правильный ответ». Цель — научиться предсказывать целевую переменную (метку) для новых, ранее не встречавшихся данных [6][7].

Основные задачи:

Классификация. Отнесение объекта к одному из предопределённых классов (например, определение спама в email, диагностика заболевания по снимку).

Регрессия. Предсказание непрерывной числовой величины (прогнозирование цены на жилье, спроса на товар).

Ключевые алгоритмы: Линейная и логистическая регрессия, метод опорных векторов (SVM), деревья решений, случайный лес, градиентный бустинг (XGBoost, CatBoost) и глубокие нейронные сети.

Преимущества. Высокая предсказательная точность на задачах с чётко определёнными целевыми переменными; относительная простота интерпретации для некоторых моделей (например, деревья решений).

Ограничения. Требует больших объемов размеченных данных, создание которых часто трудоёмко и дорого. Модель может плохо обобщать, если обучающие данные не репрезентативны или содержат смещения.

Современные применения. Кредитный скоринг, системы рекомендаций (продукты, фильмы), прогнозная аналитика в логистике и продажах, автоматическая обработка изображений в медицине [8][9].

1.3. Обучение без учителя (Unsupervised Learning)

В этом подходе модель работает с неразмеченными данными, самостоятельно находя в них скрытые структуры, паттерны или аномалии. Нет заранее известного «правильного ответа» для обучения [6][10].

Основные задачи:

Кластеризация: Группировка объектов по схожести (сегментация клиентов по поведению, обнаружение сообществ в социальных сетях).

Снижение размерности: Упрощение данных с сохранением их ключевых свойств (визуализация многомерных данных, сжатие признаков для ускорения обучения).

Обнаружение аномалий: Выявление редких или подозрительных событий (мошеннические транзакции, сбой оборудования).

Ключевые алгоритмы: K-means, DBSCAN, иерархическая кластеризация, метод главных компонент (PCA), автоэнкодеры.

Преимущества: Не требует затратной разметки данных; позволяет совершать «открытия» в данных, выявляя неизвестные ранее закономерности.

Ограничения: Результаты сложнее оценить объективно, так как отсутствуют эталонные метки; интерпретация найденных кластеров требует экспертизы предметной области.

Современные применения: Анализ поведения пользователей, исследовательский анализ данных (EDA), биоинформатика (классификация генов), очистка данных от шума [9][10].

1.4. Обучение с подкреплением (Reinforcement Learning)

Здесь агент (алгоритм) учится принимать последовательные решения, взаимодействуя со средой. Его цель — максимизировать кумулятивное вознаграждение, получая положительные или отрицательные «отклики» (подкрепления) за свои действия [11][7].

Основные задачи: Решение задач, требующих выбора последовательности действий в условиях неопределенности: управление, навигация, стратегическое планирование.

Ключевые алгоритмы: Q-learning, Deep Q-Networks (DQN), Policy Gradient методы (A3C, PPO).

Преимущества: Позволяет решать сложные задачи в динамических средах, где заранее неизвестна оптимальная стратегия; моделирует процесс обучения, похожий на естественный.

Ограничения: Может требовать очень большого количества попыток (эпизодов) для обучения; сложность определения функции вознаграждения; проблемы с безопасностью и стабильностью обучения.

Современные применения: Автономное вождение, робототехника (обучение ходьбе, манипуляции с объектами), оптимизация логистических цепочек, настройка гиперпараметров других моделей МО (AutoML), игровые ИИ (AlphaGo, StarCraft II) [8][11].

1.5. Самообучение (Self-Supervised Learning)

Современный и стремительно развивающийся подход, занимающий промежуточное положение между обучением с учителем и без. Модель создаёт для себя обучающие задачи (псевдометки) непосредственно из структуры неразмеченных данных [4][12].

Основные задачи: Предобучение моделей на огромных объемах неразмеченных данных (текст, изображения, видео) с целью извлечения качественных представлений (embeddings), которые затем можно эффективно дообучить на небольших размеченных наборах для конкретных задач (transfer learning).

Ключевые методы: Маскирование части входных данных (как в BERT), контрастное обучение (contrastive learning), предсказание следующего элемента в последовательности.

Преимущества: Позволяет использовать практически неограниченные объемы неразмеченных данных (например, весь интернет), радикально снижая зависимость от дорогой ручной разметки. Лежит в основе современных прорывов в NLP (GPT, BERT) и компьютерном зрении.

Ограничения: Вычислительная сложность предобучения; качество конечной модели сильно зависит от успешности выбора задачи для самообучения.

Современные применения: Крупные языковые модели (LLM), системы понимания изображений и видео, создание универсальных эмбеддингов для различных downstream-задач [1][4].

1.6. Сравнительный анализ подходов и современные тренды (2025-2026)

Сравнительная характеристика основных подходов представлена в Таблице 1.

Таблица 1. Сравнительный анализ подходов к машинному обучению

Критерий	Обучение с учителем	Обучение без учителя	Обучение с подкреплением	Самообучение
Тип данных	Размеченные	Неразмеченные	Взаимодействие со средой	Неразмеченные (создание псевдометок)
Цель	Предсказание метки/значения	Поиск паттернов, структуры	Максимизация вознаграждения	Изучение представлений данных
Обратная связь	Прямая (метки)	Отсутствует	Отсроченная (вознаграждение)	Косвенная (из структуры данных)
Примеры задач	Классификация, регрессия	Кластеризация, PCA	Управление роботом, игры	Предобучение языковых моделей
Ключевые вызовы	Качество и объем разметки	Интерпретируемость результатов	Определение вознаграждения, время обучения	Вычислительные ресурсы, проектирование задач

Из таблицы 1 видно, что каждый подход имеет свои уникальные преимущества и ограничения:

Supervised Learning обеспечивает высокую точность при наличии качественных размеченных данных;

Unsupervised Learning позволяет находить скрытые закономерности без разметки;

Reinforcement Learning эффективен в динамических средах с четкой системой вознаграждений;

Self-Supervised Learning открывает возможности работы с большими объемами неразмеченных данных.

Таким образом, современные тенденции развития показывают движение к гибридным решениям, где различные подходы комбинируются для достижения лучших результатов.

Актуальные тренды:

1. Конвергенция подходов. Современные ИИ-системы (например, агентские ИИ) комбинируют несколько подходов. LLM могут использовать самообучение для предобучения, fine-tuning (обучение с учителем) для адаптации и RLHF (RL from Human Feedback) для согласования с ценностями человека [1][5].

2. Сдвиг к прагматичному ИИ. Фокус смещается с создания самых больших моделей на разработку компактных, эффективных и легко интегрируемых решений, особенно для edge-устройств (интернет вещей) [2].

3. Инженерия ML как ключевая компетенция. Возрастает спрос на специалистов, способных не только обучить модель, но и выстроить полный цикл MLOps: от сбора данных и воспроизводимых экспериментов до развертывания, мониторинга дрейфа данных и обеспечения безопасности [1][13].

4. Объяснимый ИИ (XAI). Растут требования к прозрачности и интерпретируемости моделей, особенно в регулируемых областях (финансы, медицина), что стимулирует развитие методов XAI [3].

Подводя итог по теоретической части исследования, отметим главное, что проведённый теоретический анализ позволил получить фундаментальное представление о машинном обучении как разделе искусственного интеллекта, изучающем методы построения обучаемых алгоритмов.

Ключевым достижением стало понимание основных подходов к машинному обучению:

Обучение с учителем – это классический метод, работающий с размеченными данными. Позволяет решать задачи классификации и регрессии, но требует больших объемов размеченных данных.

Обучение без учителя – это подход для работы с неразмеченными данными, помогающий находить скрытые структуры и паттерны. Особенно полезен при исследовательском анализе данных.

Обучение с подкреплением – это метод для решения задач последовательного принятия решений в динамической среде. Применяется в робототехнике и игровых системах.

Самообучение – это современный подход, позволяющий работать с большими объемами неразмеченных данных, лежащий в основе современных языковых моделей.

Также стало понятным про ключевые алгоритмы для каждого подхода и их практическое применение в различных сферах: от медицины до финансов.

Важным результатом стало понимание современных трендов развития машинного обучения:

• Переход к гибридным решениям, комбинирующим разные подходы;

• Развитие компактных эффективных моделей;

• Рост значимости MLOps-инженерии;

• Усиление требований к объяснимости моделей.

Таким образом, в данной первой главе был заложен прочный фундамент теоретических знаний о машинном обучении, его основных методах и современных тенденциях развития, что является необходимой базой для дальнейшего изучения практических аспектов применения технологий MО.

ГЛАВА 2. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ: КЕЙС-ЗАДАЧА ПО КЛАССИФИКАЦИИ

Постановка задачи. Разработать модель для классификации видов ирисов на основе их морфологических характеристик (длина и ширина чашелистика и лепестка). Это классическая задача обучения с учителем, идеально подходящая для демонстрации полного цикла работы с данными.

Используемые инструменты. Python, библиотеки Pandas, Scikit-learn, Matplotlib, Seaborn.

2.1. Подготовка данных и исследовательский анализ (EDA)

# Импорт библиотек

import pandas as pd

from sklearn.datasets import load_iris

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.model_selection import train_test_split

# Загрузка датасета Iris

iris = load_iris()

df = pd.DataFrame(iris.data, columns=iris.feature_names)

df[‘species’] = pd.Categorical.from_codes(iris.target, iris.target_names)

# Предварительный анализ

print(df.head())
print(f»\nРазмер датасета: {df.shape}»)

print(f»\nПропущенные значения:\n{df.isnull().sum()}»)

print(f»\nРаспределение классов:\n{df[‘species’].value_counts()}»)

# Визуализация для понимания данных

sns.pairplot(df, hue=’species’, palette=’viridis’)

plt.suptitle(‘Pairplot признаков датасета Iris’, y=1.02)

plt.show()

# Матрица корреляций

plt.figure(figsize=(8,6))

sns.heatmap(df.iloc[:, :4].corr(), annot=True, cmap=’coolwarm’, center=0)

plt.title(‘Матрица корреляций признаков’)

plt.show()

Что делаем и зачем. Загружаем данные, смотрим на их структуру, проверяем на пропуски и баланс классов. Визуализация (pairplot) помогает увидеть, какие признаки лучше разделяют виды ирисов, а матрица корреляций показывает взаимосвязи между признаками [14].

2.2. Подготовка данных к обучению модели

# Разделение данных на признаки (X) и целевую переменную (y)

X = df.iloc[:, :4]

y = df[‘species’]

# Кодируем целевую переменную в числовой формат

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()

y_encoded = le.fit_transform(y)

# Разделение на обучающую и тестовую выборки (80% / 20%)

X_train, X_test, y_train, y_test = train_test_split(

X, y_encoded, test_size=0.2, random_state=42, stratify=y_encoded

)

print(f»Обучающая выборка: {X_train.shape}, Тестовая выборка: {X_test.shape}»)

Что делаем и зачем: Модели работают с числами, поэтому кодируем названия видов в цифры. Разбиение данных на обучающую и тестовую выборки необходимо для объективной оценки способности модели обобщать знания на новые, незнакомые данные. Параметр stratify гарантирует, что пропорции классов сохранятся в обеих выборках [15].

2.3. Обучение и сравнение нескольких моделей

from sklearn.linear_model import LogisticRegression

from sklearn.neighbors import KNeighborsClassifier

from sklearn.svm import SVC

from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# Инициализация моделей

models = {

«Logistic Regression»: LogisticRegression(max_iter=200, random_state=42),

«K-Nearest Neighbors»: KNeighborsClassifier(n_neighbors=3),

«Support Vector Machine»: SVC(kernel=’linear’, random_state=42),

«Decision Tree»: DecisionTreeClassifier(max_depth=3, random_state=42)

}

results = {}

for name, model in models.items():

# Обучение модели

model.fit(X_train, y_train)

# Предсказание на тестовой выборке

y_pred = model.predict(X_test)

# Оценка точности

accuracy = accuracy_score(y_test, y_pred)

results[name] = accuracy

print(f»\n— {name} —«)

print(f»Точность (Accuracy): {accuracy:.4f}»)

print(«Отчет по классификации:»)

print(classification_report(y_test, y_pred, target_names=iris.target_names))

Что делаем и зачем: Обучаем четыре разные модели, каждая из которых представляет разный алгоритмический подход (линейный, метрический, метод опорных векторов, дерево решений). Это демонстрирует, что одну и ту же задачу можно решать разными способами. Сразу оцениваем их качество с помощью метрики Accuracy и детального отчета (precision, recall, F1-score) [16][7].

2.4. Анализ результатов и выбор лучшей модели

# Сравнение результатов

print(«\n=== СРАВНЕНИЕ ТОЧНОСТИ МОДЕЛЕЙ ===»)

for name, acc in sorted(results.items(), key=lambda x: x<a href=’https://companies.rbc.ru/news/4rhaVuYshP/mashinnoe-obuchenie-2026-glavnyie-trendyi-i-prognozyi/’>[1]</a>, reverse=True):

print(f»{name}: {acc:.4f}»)

# Визуализация матрицы ошибок для лучшей модели

best_model_name = max(results, key=results.get)

best_model = models[best_model_name]

y_pred_best = best_model.predict(X_test)

cm = confusion_matrix(y_test, y_pred_best)

plt.figure(figsize=(8,6))

sns.heatmap(cm, annot=True, fmt=’d’, cmap=’Blues’,

xticklabels=iris.target_names,

yticklabels=iris.target_names)

plt.title(f’Матрица ошибок для {best_model_name}’)

plt.ylabel(‘Истинный класс’)

plt.xlabel(‘Предсказанный класс’)

plt.show()

Что делаем и зачем. Сравниваем модели по точности, чтобы выбрать лучшую. Матрица ошибок для лучшей модели наглядно показывает, на каких именно классах она ошибается чаще всего (например, путает два похожих вида) [14].

2.5. Делаем предсказание на новых данных

# Пример предсказания для нового цветка

new_flower = [[5.1, 3.5, 1.4, 0.2]] # Характеристики нового наблюдения

predicted_class_idx = best_model.predict(new_flower)[0]

predicted_species = le.inverse_transform([predicted_class_idx])[0]

print(f»\nДля нового цветка с параметрами {new_flower[0]}»)

print(f»Предсказанный вид: {predicted_species}»)

Выводы по кейсу. Мы прошли полный цикл проекта МО: от анализа данных и их подготовки до обучения, оценки и инференса. Практика показала, что даже на небольшом датасете разные алгоритмы дают разную точность, и выбор модели зависит от задачи. Например, дерево решений может быть менее точным, но более интерпретируемым, а SVM — более точным, но сложным для понимания.

ЗАКЛЮЧЕНИЕ

Проведённое исследование позволило достичь поставленной цели и систематизировать знания об основных подходах к машинному обучению в условиях 2026 года.

Основные выводы:

1. Четыре ключевые парадигмы МО — обучение с учителем, без учителя, с подкреплением и самообучение — образуют фундаментальную матрицу для решения практически любых задач, связанных с извлечением знаний из данных. Каждый подход имеет свою нишу: от прогнозирования по историческим данным до обучения стратегиям в динамической среде и предобучения на неразмеченных массивах информации [6][4][7].

2. Современный этап развития МО характеризуется интеграцией и прагматизмом. Тренды 2025-2026 годов свидетельствуют о конвергенции подходов в рамках единых систем (например, LLM), смещении фокуса на эффективность и внедряемость моделей, а также о росте значимости инженерных практик (MLOps) и объяснимости (XAI) [1][2][3].

3. Гипотеза исследования подтвердилась. Успешное применение МО сегодня заключается не в слепом выборе самого сложного алгоритма, а в осознанном проектировании ИИ-системы, которая учитывает природу данных, требования к интерпретируемости, безопасность и возможность бесшовной интеграции в бизнес-процессы. Ключевым становится вопрос не «используем ли мы ИИ?», а «какую конкретную задачу он решает, как мы это измеряем и контролируем?» [1].

Рекомендации:

1. Для студентов и начинающих специалистов. Начинать практическое знакомство с МО следует с задач обучения с учителем (как в представленном кейсе), так как они имеют четкую постановку и понятные метрики оценки. Освоение полного цикла — от EDA до деплоя — важнее поверхностного знания множества алгоритмов.

2. Для образовательных программ. Целесообразно обновлять учебные планы, уделяя больше внимания self-supervised learning и обучению с подкреплением как наиболее быстроразвивающимся областям, а также обязательному включению модулей по MLOps и этике ИИ.

3. Для практического внедрения в организациях. Перед запуском проектов МО необходимо проводить аудит данных и четко формулировать критерии успеха, связанные с бизнес-показателями. Приоритет следует отдавать созданию воспроизводимых конвейеров (pipelines) и систем мониторинга моделей в production-среде [1][13].

Перспективы развития машинного обучения видятся в дальнейшей автоматизации (AutoML), создании более энергоэффективных и компактных моделей, а также в углублении симбиоза между различными парадигмами обучения для создания по-настоящему адаптивных и разумных искусственных систем.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Машинное обучение 2026: главные тренды и прогнозы // РБК Компании. 2026. URL: https://companies.rbc.ru/news/4rhaVuYshP/mashinnoe-obuchenie-2026-glavnyie-trendyi-i-prognozyi/ (дата обращения: 13.05.2026).

2. Cравнительный анализ методологий и технологий машинного обучения // КиберЛенинка. 2023. URL: https://cyberleninka.ru/article/n/cravnitelnyy-analiz-metodologiy-i-tehnologiy-mashinnogo-obucheniya (дата обращения: 13.05.2026).

3. ИССЛЕДОВАНИЕ И РАЗРАБОТКА МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ УРОВНЯ ЗАРАБОТНОЙ ПЛАТЫ В IT-ИНДУСТРИИ // КиберЛенинка. 2026. URL: https://cyberleninka.ru/article/n/issledovanie-i-razrabotka-modeley-mashinnogo-obucheniya-dlya-prognozirovaniya-urovnya-zarabotnoy-platy-v-it-industrii-na-osnove (дата обращения: 13.05.2026).

4. Machine learning прогнозирование: новые горизонты в 2026 году // DataLopata. 2026. URL: https://datalopata.ru/blog/machine-learning-prognozirovanie-novye-gorizonty-v-2026-godu/ (дата обращения: 13.05.2026).

5. Types of Machine Learning: Supervised, Unsupervised, and Reinforcement // DEV Community. 2024. URL: https://dev.to/gigarazkiarianda/types-of-machine-learning-supervised-unsupervised-and-reinforcement-4ipm (дата обращения: 13.05.2026).

6. Top 40 Machine Learning Case Studies [2026] // DigitalDefynd Education. 2026. URL: https://digitaldefynd.com/IQ/machine-learning-case-studies/ (дата обращения: 13.05.2026).

7. Machine learning библиотеки python: экспертный гайд 2026 // ИТ картель. 2026. URL: https://dzen.ru/a/aaLnSgLFUhfRjItS (дата обращения: 13.05.2026).

8. Заключение // Учебник по машинному обучению. Яндекс Образование. 2026. URL: https://education.yandex.ru/handbook/ml/article/tri-zakliuchenie (дата обращения: 13.05.2026).

9. Self-Supervised Learning. Проблематика и постановка задачи // Хабр. 2022. URL: https://habr.com/ru/articles/704710/ (дата обращения: 13.05.2026).

10. ML Q & AI. Глава 2. Self-Supervised Learning // Хабр. 2026. URL: https://habr.com/ru/articles/926160/ (дата обращения: 13.05.2026).

11. Плато возможностей, или Куда катится машинное обучение в 2026 году // Хабр. 2026. URL: https://habr.com/ru/companies/bothub/articles/983466/ (дата обращения: 13.05.2026).

12. Обучение ИИ в 2026 году: Как обучаются современные модели? // Хабр. 2026. URL: https://habr.com/ru/companies/bothub/articles/988532/ (дата обращения: 13.05.2026).

13. ГОСТ 7.32-2017. Отчет о научно-исследовательской работе. Структура и правила оформления. — Введ. 2018-07-01. — М.: Стандартинформ, 2017. — 23 с.

14. Научно-исследовательская работа обучающегося «Машинное обучение» // Инфоурок. 2019. URL: https://infourok.ru/nauchnoissledovatelskaya-rabota-obuchayuschegosya-mashinnoe-obuchenie-vipolnena-uchaschimsya-klassa-sagatdinovim-emilem-3667236.html (дата обращения: 13.05.2026).

15. Машинное обучение и искусственный интеллект: материалы, ресурсы, методические разработки // Сайт К.Ю. Полякова. 2024. URL: https://kpolyakov.spb.ru/school/datasci.htm (дата обращения: 13.05.2026).

16. Машинное обучение. Практикум для студентов аграрных ВУЗов. 2023. URL: https://publishing.intelgr.com/archive/Mashinnoe-obuchenie.pdf (дата обращения: 13.05.2026).

17. Создаём первую модель машинного обучения: используем Colab, Pandas и Sklearn // Skillbox Media. 2021. URL: https://skillbox.ru/media/code/sozdayem_pervuyu_model_mashinnogo_obucheniya_ispolzuem_colab_pandas_i_sklearn/ (дата обращения: 13.05.2026).

18. Анализ и работа с Iris Dataset в Python — полное руководство // Sky.pro. 2025. URL: https://sky.pro/wiki/analytics/analiz-i-rabota-s-iris-dataset-v-python-polnoe-rukovodstvo/ (дата обращения: 13.05.2026).

19. Supervised vs Unsupervised vs Reinforcement Learning // GeeksforGeeks. 2024. URL: https://www.geeksforgeeks.org/machine-learning/supervised-vs-reinforcement-vs-unsupervised/ (дата обращения: 13.05.2026).

20. Machine Learning (ML) — методы, применение и перспективы технологии // Timeweb Cloud. 2024. URL: https://timeweb.cloud/blog/kak-rabotaet-machine-learning-metody-primenenie-perspektivy (дата обращения: 13.05.2026).

21. Как оформить список литературы по ГОСТу в 2026 году // Mail.ru. 2026. URL: https://vfokuse.mail.ru/articles/66637664-kak-oformit-spisok-literatury-po-gostu/ (дата обращения: 13.05.2026).

22. Исследование алгоритмов объяснимого машинного обучения для принятия критических решений в финансовой сфере // Научный журнал «СН». 2026. URL: https://web.snauka.ru/issues/2026/01/104116 (дата обращения: 13.05.2026).