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
Machine learning algorithms play a crucial role in extracting valuable insights from data, enabling businesses and researchers to make informed decisions. One such algorithm is the decision tree, which is widely used for classification tasks. Decision tree classification utilizes a tree-like model of decisions and their potential consequences, making it an intuitive and powerful tool for solving complex problems. In this article, a model that determines which drug is suitable for a patient with a certain disease is created using the Decision tree algorithm. This problem is multi-class classification (multiclass classification) help score consolidation. Alternatively, how function, domain, and hyperparameters simplify decision tree models are explored.