В статье рассматривается анализ трендов цифровизации и интерактивности в освоении технологий машинного обучения студентами технических специальностей направлений «Прикладная информатика» и «Прикладная математика и информатика», а также переход от статических к динамическим визуализациям при решении задач машинного обучения. Традиционные методы обучения, основанные на статическом анализе кода и теоретических выкладках, часто не позволяют наглядно продемонстрировать влияние гиперпараметров на качество моделей и геометрию принимаемых решений. Цель работы – обосновать педагогическую технологию использования интерактивного симулятора настройки гиперпараметров моделей машинного обучения как средства формирования профессиональных компетенций студентов технических направлений подготовки, а также экспериментально проверить ее эффективность в системе профессионального образования на основе квазиэкспериментального исследования. В работе представлена архитектура приложения и графический пользовательский интерфейс реализованных алгоритмов машинного обучения. Ключевой особенностью разработанной системы является возможность динамической визуализации процессов обучения в реальном времени: при изменении пользователем значений гиперпараметров мгновенно перестраиваются графики аппроксимации (для задач регрессии) и карты границ принятия решений (для задач классификации), а также обновляются метрики качества. Актуальностью работы является внедрение разработанного симулятора в процесс обучения студентов для формирования у них профессиональных компетенций в области машинного обучения на основе принципа динамической визуализации, обеспечивающий переход от репродуктивного освоения алгоритмов к осознанному причинно-следственному моделированию их поведения. Результаты исследования показывают, что использование интерактивного симулятора повышает качество формируемых у студентов технических направлений подготовки профессиональных компетенций и способствует сокращению времени на усвоение таких концепций машинного обучения, как визуализация разделяющих поверхностей и кривых регрессии, диагностика переобучения через геометрические артефакты, а также контекстуальная интерпретация метрик качества. Разработанное программное средство рекомендуется к использованию в учебном процессе вузов при изучении дисциплин, связанных с интеллектуальным анализом данных и искусственным интеллектом.
This article examines the trends in digitalization and interactivity in the development of machine learning technologies by students majoring in Applied Informatics and Applied Mathematics and Informatics, as well as the transition from static to dynamic visualizations in solving machine learning problems. Traditional teaching methods, based on static code analysis and theoretical derivations, often do not allow for a clear demonstration of the impact of hyperparameters on model quality and the geometry of decision-making. The aim of the work is to justify a pedagogical technology for using an interactive simulator for tuning machine learning model hyperparameters as a means of developing professional competencies in students of technical training programs, as well as to experimentally test its effectiveness in the professional education system based on a quasi-experimental study. The work presents the architecture of the application and the graphical user interface of the implemented machine learning algorithms. A key feature of the developed system is the ability to dynamically visualize training processes in real time: when the user changes hyperparameter values, approximation graphs (for regression tasks) and decision boundary maps (for classification tasks) are instantly rebuilt, and quality metrics are also updated. The relevance of this study lies in the implementation of the developed simulator in student learning to develop professional machine learning competencies based on the principle of dynamic visualization, which facilitates the transition from the repetitive acquisition of algorithms to conscious, cause-and-effect modeling of their behavior. The study’s results demonstrate that the use of an interactive simulator improves the quality of students’ professional competencies in technical training and helps reduce the time required to master machine learning concepts such as visualization of separating surfaces and regression curves, overfitting diagnostics using geometric artifacts, and contextual interpretation of quality metrics. The developed software tool is recommended for use in the educational process of universities when studying disciplines related to data mining and artificial intelligence.
1. Седых И. Ю., Хрипунова М. Б. Технологии искусственного интеллекта в современном высшем образовании России // Цифровые решения и технологии искусственного интеллекта. 2025. Т. 1. № 1. С. 20–27. URL: https://www.digitarin.ru/jour/article/view/4?ysclid=mmwg3ua1dn671013592 (дата обращения: 12.03.2026).
2. Сальников Е. А., Муминова С. Р. Эволюция искусственного интеллекта: от современных технологий к будущим инновациям. Цифровые решения и технологии искусственного интеллекта. 2025. Т. 1. № 2. С. 64–71. URL: https://www.digitarin.ru/jour/article/view/14?ysclid=mmwg567s7t715657797 (дата обращения: 12.03.2026).
3. Догадина Е. П., Суханова У. Ю., Ищенко М. А., Веселов Д. И. Распознавание документов в различных условиях с помощью методов машинного обучения // Нелинейный мир. 2025. Т. 23. № 3. С. 45–53. URL: https://www.elibrary.ru/item.asp?id=82864377 (дата обращения: 11.03.2026). DOI: 10.18127/j20700970-202503-06. EDN: CNSOCL.
4. Догадина Е. П., Бочаров М. И. К Вопросу об эффективной проверке качества знаний обучающихся в соответствии с их личностными особенностями // Стандарты и мониторинг в образовании. 2023. Т. 11. № 3. С. 9–13. URL: https://www.elibrary.ru/item.asp?id=53958906 (дата обращения: 11.03.2026). DOI: 10.12737/1998-1740-2023-11-3-9-13. EDN: IEWREX.
5. Красовская Л. В., Жуков Н. Р. Оценка различий между метриками качества классификаций при различных условиях формирования исходных данных // Фундаментальные и прикладные проблемы математики и информатики в современной науке: теория и практика актуальных исследований: материалы III Всероссийской научно-технической конференции (Махачкала, 02–03 апреля 2025 г.). Махачкала: Дагестанский государственный технический университет, 2025. С. 235–242. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=89089519 (дата обращения: 03.03.2026). EDN: RHIYHB.
6. Туманян П. И., Сараджишвили С. Э. Архитектура геймифицированой программной платформы для подготовки данных для обучения AI моделей // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2023. № 8–2. С. 132–136. URL: https://www.elibrary.ru/item.asp?id=54769147 (дата обращения: 16.03.2026). DOI: 10.37882/2223-2982.2023.8-2.33. EDN: FMOQTA.
7. Панжиева Н. Н. Использование онлайн-платформы в дидактической модели обучения, стимулирующей навыки критического мышления будущих учителей информатики // Информатика и образование. 2024. Т. 39. № 2. С. 69–77. URL: https://www.elibrary.ru/item.asp?id=67878735 (дата обращения: 03.03.2026). DOI: 10.32517/0234-0453-2024-39-2-69-77. EDN: SWNXDH.
8. Трунов А. А., Экгарт В. А. Разработка образовательной платформы для обучения программированию в школе // Информационные технологии в образовании. 2020. № 3. С. 245–248. URL: https://www.elibrary.ru/item.asp?id=44637432 (дата обращения: 16.03.2026). EDN: ZUODFY.
9. Петров А. С., Огнева М. В. Разработка интерактивной платформы для обучения информатике, основанной на игровых элементах // Информационные технологии в образовании. 2023. № 6. С. 267–270. URL: https://www.elibrary.ru/item.asp?id=58734366 (дата обращения: 16.03.2026). EDN: WPPQMS.
10. Бабкина Е. А. Автоматическое машинное обучение (Automl): алгоритмы и инструменты для снижения порога входа // Международный журнал гуманитарных и естественных наук. 2024. № 6–1 (93). С. 175–178. URL: https://www.elibrary.ru/item.asp?id=68437737 (дата обращения: 03.03.2026). DOI: 10.24412/2500-1000-2024-6-1-175-178. EDN: AJZVAQ.
11. Понамарев В. В., Китов В. В. Автоматический подбор гиперпараметров с помощью модифицированного алгоритма TPE // Информационные технологии и математические методы в экономике и управлении (ИТиММ-2024): сборник статей XIII Международной научно-практической конференции имени А. И. Китова. В 3 т. (г. Москва, 14–15 марта 2024 г.). Т. 1. М.: Российский экономический университет им. Г. В. Плеханова, 2024. С. 260–267. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=73237371 (дата обращения: 03.03.2026). EDN: CLFLSP.
12. Bengfort B., Bilbro R. Yellowbrick: Visualizing the Scikit-Learn Model Selection Process. Journal of Open Source Software. 2019. Vol. 4. Is. 35. P. 1075. URL: https://joss.theoj.org/papers/10.21105/joss.01075 (дата обращения: 03.03.2026). DOI: 10.21105/joss.01075.
13. Нажимова Н. А., Наумова Е. Г. Формирование навыков построения нейронных сетей в различных программных средах // Современные проблемы науки и образования. 2024. № 3. С. 98. URL: https://science-education.ru/ru/article/view?id=33522 (дата обращения: 03.05.2026). DOI: 10.17513/spno.33522. EDN: HLAAWU.
14. Новиков А. В., Слабкая Д. Н. Подходы к применению критериев дидактической эффективности в образовательном процессе // Педагогический журнал. 2020. Т. 10. № 5–1. С. 248–254. URL: https://www.elibrary.ru/item.asp?id=44727766 (дата обращения: 15.03.2026). DOI: 10.34670/AR.2020.64.53.024. EDN: TYDMGL.
15. Нурмагомедов Т. Н., Волкова М. М., Илькевич Б. В. Оценка эффективности дидактической модели преподавания дисциплины «Начертательная геометрия и инженерная графика» с элементами активизации творческого мышления // Международный научно-исследовательский журнал. 2023. № 10 (136). URL: https://www.elibrary.ru/item.asp?id=54725365 (дата обращения: 15.03.2026). DOI: 10.23670/IRJ.2023.136.23. EDN: NBLEVT.
16. Петров С. В. Влияние настройки параметров метода «случайный лес» на качество регрессий // Информатика и вычислительная техника: сборник научных трудов XV Всероссийской научно-технической конференции аспирантов, студентов и молодых ученых (г. Ульяновск, 14–15 июня 2023 г.). Ульяновск: Ульяновский государственный технический университет, 2023. С. 251–255. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=75059272 (дата обращения: 15.03.2026). EDN: EWSZWT.
17. Le L., Xie Y., Raghavan V. V. KNN Loss and Deep KNN // Fundamenta Informaticae. 2021. Vol. 182. Is. 2. P. 95–110. URL: https://www.elibrary.ru/item.asp?id=69932274 (дата обращения: 15.03.2026). DOI: 10.3233/fi-2021-2068. EDN: RISSXO.
18. Ашуров Х. Е. Линейная регрессия – один из базовых алгоритмов машинного обучения // Наука и технология XXI века. 2025. № 2 (16). С. 52–62. URL: https://www.elibrary.ru/item.asp?id=82740490 (дата обращения: 15.03.2026). EDN: IRNFVD.
19. Каримов Р. М. Оценка эффективности организационно-педагогических условий формирования поликультурной компетентности: квазиэксперимент в творческом высшем учебном заведении // Современное профессиональное образование. 2025. № 11. С. 29–32. URL: https://www.elibrary.ru/item.asp?id=87555252 (дата обращения: 15.03.2026). EDN: NINMGU.