Cравнительный анализ методологий и технологий машинного обучения
Мухитдинова Мунаввархон Хаётовна - PhD, докторант (DSc). Институт повышения квалификации и статистических исследований. Республика Узбекистан
Аннотация
Статья посвящена сравнительному анализу трех ключевых парадигм машинного обучения (МО): обучение с учителем, обучение без учителя, обучение с под креплением – наряду с оценкой популярных фреймворков МО, таких как TensorFlow, PyTorch и Scikit-learn. В исследовании были изучены основные различия, преимущества и ограничения подходов МО, особое внимание уделялось таким факторам, как: вычислительные затраты, масштабируемость и простота реализации. Рассмотрены аспекты интерпретируемости моделей МО и проанализированы вычислительные ресурсы, необходимые для их работы, включая нагрузку на центральный процессор и оперативную память. Результаты дают необходимую информацию о том, как раз личные методологии и технологии МО формируют реальные приложения и влияют на практическое принятие решений в системах, управляемых искусственным интеллектом.
Ключевые слова: машинное обучение; обучение с учителем; обучение без учителя; обучение с подкреплением; глубокое обучение; фреймворки МО; TensorFlow; PyTorch; интерпретируемость МО.
Для цитирования: Мухитдинова М. Х. Cравнительный анализ методологий и техно логий машинного обучения // Цифровые модели и решения. 2025. Т. 4, № 1. С. 78–85. DOI: 10.29141/2949-477X-2025-4-1-6. EDN: WHGTSY.
