Full metadata record
DC FieldValueLanguage
dc.contributor.authorБазарбаев У.ru
dc.contributor.authorТойлыева Д.ru
dc.date.accessioned2025-12-18T07:13:05Z-
dc.date.available2025-12-18T07:13:05Z-
dc.date.issued2025ru
dc.identifierRU\НТБ СГАУ\580735ru
dc.identifier.citationБазарбаев, У. Data science и искусственный интеллект в инновационной аналитике = Data science and artificial intelligence in innovative analytics / У. Базарбаев, Д. Тойлыева // Развитие инструментария аналитики инновационных процессов в системах разного уровня : сб. материалов Междунар. науч.-практ. конф., г. Самара, 24 окт., 2025 г. / Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т) ; под. общ. ред. Н. М. Тюкавкина. - Самара. - С. 15-20.ru
dc.identifier.isbnru
dc.identifier.issnru
dc.identifier.ismnru
dc.identifier.urihttp://repo.ssau.ru/jspui/handle/123456789/60459-
dc.identifier.npsru
dc.identifier.orcidru
dc.description.abstractВ статье рассматривается роль Data science и методов искусственного интеллекта (AI) в современной инновационной аналитике. Проанализированы современные подходы к сбору, обработке и интерпретации данных, раскрыты ключевые алгоритмы машинного обучения и глубокого обучения, их применимость в прикладных задачах бизнеса и науки. Особое внимание уделено интеграции методов AI в процессы принятия решений, оценке эффективности инновационных проектов и управлению рисками. Приведены примеры практического применения в промышленности, медицине, финансах и образовании, а также обсуждены этические и правовые аспекты использования AI. Статья содержит аннотированную литературу и рекомендации для дальнейших исследований.The article discusses the role of Data science and artificial intelligence (AI) methods in modern innovative analytics. It analyzes current approaches to data collection, processing, and interpretation, and reveals key algorithms of machine learning and deep learning, their applicability in applied business anru
dc.description.firstpage15ru
dc.description.lastpage20ru
dc.format.extentru
dc.format.mimetypeTextru
dc.language.isorusru
dc.publisherPublisherru
dc.rightsLicenseru
dc.sourceSourceru
dc.textpart) в зависимости от задачи. Важна проверка 18 устойчивости модели к смещению данных и ее способность к обобщению. 5. Развертывание и MLOps. Перевод модели в промышленную эксплуатацию требует инфраструктуры: контейнеризация, оркестрация (например, Kubernetes), автоматизированные пайплайны CI/CD, мониторинг качества модели и данных. MLOps — практики, объединяющие DevOps и машиное обучение, критичес...-
dc.subjectru
dc.subjectand automationru
dc.subjectartificial intelligenceru
dc.subjectBig Dataru
dc.subjectdata scienceru
dc.subjectdecision-makingru
dc.subjectdeep learningru
dc.subjectinnovative analyticsru
dc.subjectmachine learningru
dc.subjectperformance evaluationru
dc.subjectавтоматизацияru
dc.subjectбольшие данныеru
dc.subjectглубокое обучениеru
dc.subjectинновационная аналитикаru
dc.subjectискусственный интеллектru
dc.subjectисследовательский анализ данных (EDA)ru
dc.subjectмашинное обучениеru
dc.subjectоценка эффективностиru
dc.subjectпринятие решенийru
dc.subject.rubbkru
dc.subject.rugasntiru
dc.subject.udcru
dc.titleData science и искусственный интеллект в инновационной аналитикеru
dc.title.alternativeru
dc.typeType Textru
Appears in Collections:Развитие инструментария аналитики инновационных процессов в системах разного уровня

Files in This Item:
File SizeFormat 
978-5-6054903-8-8_2025-15-20.pdf453.74 kBAdobe PDFView/Open


Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.