Цель данной статьи – определить ориентацию школьников с точки зрения оценок по предметам и softskills с помощью методов машинного обучения. В статье были рассмотрены сложности построения сигмовидной функции с использованием многомерной линейной регрессии, а также оцифрованы оценки, полученные по выбранным предметам в области образования студентов за 10 лет и их различные параметры, причины и возможности студента. Используя эти числа, был создан набор обучающих данных. В результате была разработана классификация предметов, изучаемых школьниками за 10 лет, и их оценки. Проанализированы архитектуры нейронных сетей, модули, наиболее часто используемые функции активации в алгоритмах машинного обучения, методы обучения и методы построения линейной и логистической регрессии, недостатки и возможности. Изучены пути упрощения функции градиентного спуска для многомерной линейной регрессии путем векторного расчета. Поскольку в этом типе линейной регрессии участвует множество переменных, векторные вычисления оказались более удобными. Также рассмотрены способы параллельного расчета процессов градиентного спуска с использованием векторных вычислений. В частности, были определены добавление столбцов таблицы обучающих данных, транспонирование коэффициентов - AT, векторизованное представление линейной функции, гиперпараметры для градиентного спуска (скорость обучения - , количество ш