Значительно резвившаяся под управлением крупных девелоперов сфера ЖКХ так же, как и любой другой бизнес, требует четкого планирования финансовых и ресурсов. Качественный прогноз, учитывающий не только ретроспективные данные об объемах продаж услуг, но и размеры коммунальных платежей, цены на услуги ЖКХ и т. п., позволяет эффективно планировать деятельность по управлению бизнесом. Данная статья посвящена проблеме прогнозирования поступлений денежных средств для управляющей компании. На основе анализа публикаций, посвященных вопросам прогнозирования и планирования доходов для управляющих компаний, выявлено, что перечень таких работ ограничен, что указывает на узкую направленность проблематики и ее определенную сложность. В статье предложен вариант алгоритма прогнозирования дохода управляющей компании, занимающейся комплексным обслуживанием в сфере ЖКХ и обеспечением условий проживания жителей многоквартирных домов, который основан на методе машинного обучения
В статье исследуются современные методы применения искусственного интеллекта (ИИ) в системе образования Кыргызстана. Особое внимание уделено потенциалу технологий ИИ, в частности трансферного обучения как одного из наиболее эффективных методов, для персонализации учебного процесса, автоматизации оценки знаний и повышения его общей эффективности. Целью работы является анализ возможностей и разработка практических рекомендаций по интеграции данных технологий. Методы исследования включают сравнительный анализ международного опыта, анкетирование участников образовательного процесса и педагогический эксперимент. Результаты подтверждают, что применение инструментов ИИ способствует повышению качества образования. Делается вывод о необходимости комплексного внедрения инноваций для развития кадрового потенциала страны.
Статья посвящена сравнительному анализу трех ключевых парадигм машинного обучения (МО): обучение с учителем, обучение без учителя, обучение с подкреплением – 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 различные методологии и технологии МО формируют реальные приложения и влияют на практическое принятие решений в системах, управляемых искусственным интеллектом.