bgafpfИзвестия Балтийской государственной академии рыбопромыслового флота. Психолого-педагогические наукиTHE TIDINGS of the Baltic State Fishing Fleet Academy Psychological and pedagogical sciences (Theory and methods of professional education)2071-5331Калининградский государственный технический университет10.46845/2071-5331-2025-1-71-188-197bgafpf-246Research ArticleЦИФРОВЫЕ ОБРАЗОВАТЕЛЬНЫЕ СРЕДЫКомплексный подход к преподаванию основ машинного и глубокого обучения: методы и практические инструментыAn integrated approach to teaching machine learning and deep learning: methods and practical toolshttps://orcid.org/0000-0002-7534-8576ВласовД. В.VlasovD. V.

Дмитрий Викторович Власов - кандидат физико-математических наук, доцент 

Санкт-Петербург

dmitry-v-vlasov@mail.ruРоссийский государственный педагогический университет им. А. И. ГерценаРоссияThe Herzen State Pedagogical University of RussiaRussian Federation20252705202501(71)188197Copyright © Власов Д.В., 20252025Власов Д.В.Vlasov D.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://brarf.journal.klgtu.ru/jour/article/view/246

Обучение современным информационным технологиям невозможно представить без освоения подходов машинного и глубокого обучения, широко применяемых для анализа и обработки больших данных. Эти подходы активно используются для решения таких задач, как регрессия, прогнозирование, классификация и кластеризация, которые имеют высокую значимость для образовательных программ инженерных направлений. Рассматривается структура курсов «Основы машинного обучения» и «Математические основы глубокого обучения», включающая ключевые алгоритмы, методики и практические инструменты, способствующие развитию компетенций студентов в области анализа данных и построения моделей искусственного интеллекта.

Training in modern information technologies is impossible to imagine without mastering machine learning and deep learning approaches widely used for analyzing and processing big data. These approaches are actively used to solve such problems as regression, prediction, classification and clustering, which are of high importance for engineering educational programs. The article discusses the structure of the courses "Foundations of Machine Learning" and "Mathematical Foundations of Deep Learning", including key algorithms, techniques and practical tools that contribute to the development of students' competencies in data analysis and artificial intelligence model building.

машинное обучениеглубокое обучениеобразовательная аналитикапрогнозирование в образованиицифровые технологииобразовательные данныенейронные сетипредиктивная аналитикаоптимизация учебного процессакомпетенции студентовmachine learningdeep learningeducational analyticspredictive analytics in educationdigital technologieseducational dataneural networkspredictive analyticslearning process optimizationstudent competenciesReferencesВласова, Е. З. Большие данные в анализе IT-успешности преподавателей университета / Е. З. Власова, Д. В. Власов // Известия Балтийской государственной академии рыбопромыслового флота : психолого-педагогические науки. – 2024. – № 1(67). – С. 7–12.Власова, Е. З. Большие данные в анализе IT-успешности преподавателей университета / Е. З. Власова, Д. В. Власов // Известия Балтийской государственной академии рыбопромыслового флота : психолого-педагогические науки. – 2024. – № 1(67). – С. 7–12.Власова, Е. З. Анализ готовности преподавателей высшей педагогической школы к профессиональной деятельности в условиях электронного обучения на основе больших данных / Е. З. Власова, Д. В. Власов // Цифровая экосистема педагогического образования. Актуальные вопросы. Достижения. Инновации. – Санкт-Петербург : НИЦ АРТ, 2022. – С. 40–52.Власова, Е. З. Анализ готовности преподавателей высшей педагогической школы к профессиональной деятельности в условиях электронного обучения на основе больших данных / Е. З. Власова, Д. В. Власов // Цифровая экосистема педагогического образования. Актуальные вопросы. Достижения. Инновации. – Санкт-Петербург : НИЦ АРТ, 2022. – С. 40–52.Власов, Д. В. Цифровой след и перспективы его использования в высшем образовании / Д. В. Власов // Балтийский морской форум : материалы XI Международного Балтийского морского форума. В 8-ми томах, Калининград, 25–30 сентября 2023 года. – Калининград : Издательство БГАРФ, 2023. – С. 36–42.Власов, Д. В. Цифровой след и перспективы его использования в высшем образовании / Д. В. Власов // Балтийский морской форум : материалы XI Международного Балтийского морского форума. В 8-ми томах, Калининград, 25–30 сентября 2023 года. – Калининград : Издательство БГАРФ, 2023. – С. 36–42.Шафорост, Н. В. Анализ алгоритмов машинного обучения для разработки модели рекомендательной системы по созданию учебных планов / Н. В. Шафорост, Д. В. Власов // Современное образование: традиции и инновации. – 2023. – № 2. – С. 226–230.Шафорост, Н. В. Анализ алгоритмов машинного обучения для разработки модели рекомендательной системы по созданию учебных планов / Н. В. Шафорост, Д. В. Власов // Современное образование: традиции и инновации. – 2023. – № 2. – С. 226–230.Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction : учебное пособие / Hastie, T., Tibshirani, R., Friedman, J. – 2-е изд. – New York : Springer, 2009. – 745 p. – ISBN 978-0-387-84858-7Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction : учебное пособие / Hastie, T., Tibshirani, R., Friedman, J. – 2-е изд. – New York : Springer, 2009. – 745 p. – ISBN 978-0-387-84858-7Goodfellow, I. Deep Learning : учебное пособие / Goodfellow, I., Bengio, Y., Courville, A. – Cambridge : MIT Press, 2016. – 800 p. – ISBN 978-0-2620-3561-3.Goodfellow, I. Deep Learning : учебное пособие / Goodfellow, I., Bengio, Y., Courville, A. – Cambridge : MIT Press, 2016. – 800 p. – ISBN 978-0-2620-3561-3.McKinney, W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter : учебное пособие – 3-е изд. – Sebastopol : O’Reilly Media, 2022. – 579 p. – ISBN 978-1-098-10403-0.McKinney, W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter : учебное пособие – 3-е изд. – Sebastopol : O’Reilly Media, 2022. – 579 p. – ISBN 978-1-098-10403-0.Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems : учебное пособие / Géron, A. – 3-е изд. – Sebastopol, CA : O'Reilly Media, 2022. – 864 p. – ISBN 978-1-0981-2597-4Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems : учебное пособие / Géron, A. – 3-е изд. – Sebastopol, CA : O'Reilly Media, 2022. – 864 p. – ISBN 978-1-0981-2597-4Paszke, A. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito, M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L. Fang, J. Bai, S. Chintala. – Текст : электронный // Advances in Neural Information Processing Systems. – Vol. 32: Proceedings of the 33rd International Conference on Neural Information Processing Systems, Vancouver, 8–14 декабря 2019 / Neural Information Processing Systems Foundation. – Vancouver : NeurIPS, 2019. – URL: https://papers.nips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library (дата обращения: 23.01.2025).Paszke, A. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito, M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L. Fang, J. Bai, S. Chintala. – Текст : электронный // Advances in Neural Information Processing Systems. – Vol. 32: Proceedings of the 33rd International Conference on Neural Information Processing Systems, Vancouver, 8–14 декабря 2019 / Neural Information Processing Systems Foundation. – Vancouver : NeurIPS, 2019. – URL: https://papers.nips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library (дата обращения: 23.01.2025).Sarangpure N. Automating the Machine Learning Process Using PyCaret and Streamlit / N. Sarangpure, S. Tamboli, J. Doye, V. Dhamde, A. Roge, S. Patle. – Текст : электронный // Proceedings of the 2nd International Conference for Innovation in Technology (INOCON), Nagpur, 24–26 ноября 2023 / Institute of Electrical and Electronics Engineers. – Nagpur : IEEE, 2023. – URL: https://ieeexplore.ieee.org/document/10101357 (дата обращения: 23.01.2025).Sarangpure N. Automating the Machine Learning Process Using PyCaret and Streamlit / N. Sarangpure, S. Tamboli, J. Doye, V. Dhamde, A. Roge, S. Patle. – Текст : электронный // Proceedings of the 2nd International Conference for Innovation in Technology (INOCON), Nagpur, 24–26 ноября 2023 / Institute of Electrical and Electronics Engineers. – Nagpur : IEEE, 2023. – URL: https://ieeexplore.ieee.org/document/10101357 (дата обращения: 23.01.2025).What is CRISP DM? – URL: https://www.datascience-pm.com/crisp-dm-2 / (дата обращения 24.01.2025).What is CRISP DM? – URL: https://www.datascience-pm.com/crisp-dm-2 / (дата обращения 24.01.2025).Шафорост, Н. В. Развертывание модели машинного обучения с использованием современного фреймворка FastAPI / Н. В. Шафорост, Д. В. Власов // Современное образование: традиции и инновации. – 2023. – № 3. – С. 102–106.Шафорост, Н. В. Развертывание модели машинного обучения с использованием современного фреймворка FastAPI / Н. В. Шафорост, Д. В. Власов // Современное образование: традиции и инновации. – 2023. – № 3. – С. 102–106.

The authors declare that there are no conflicts of interest present.