Проблематику алгоритмизации мышления и исследования в области создания систем искусственного интеллекта объединяет вопрос «Может ли машина мыслить?» Несмотря на то, что две данные области по-разному отвечают на вопрос о возможности мышления машины, результаты достигнутые в одной области могут повлиять на другую. Объектом исследования являются проблематика алгоритмизации мышления и интеллект в концепции Дж. Хокинса. Предметом исследования являются ограничения на алгоритмизацию в связи с моделью «память-предсказание». Цель исследования - рассмотреть проблематику алгоритмизации мышления в связи с концепцией Дж. Хокинса. Методы, применяемые в исследовании: концептуальный и логический анализ. Новизна данной диссертационной работы заключается в сопоставлении проблематики алгоритмизации мышления с современным исследование в области создания ИИ, концепцией Дж. Хокинса. В результате исследования установлено, что в основе интеллекта лежит модель «память-предсказание». Используя данную модель, становится возможным решить практически все проблемы, связанные с ограничениями на алгоритмизацию мышления. Выяснено, что концепт обозримости доказательства можно применить для оптимизации работы интеллектуальных систем. / The problem of algorithmizing thinking and research in the field of creating artificial intelligence systems unites the question "Can the machine think?" Although these two areas of knowledge respond differently to the question of the machine's thinking capabilities, the results achieved in one area can affect the other. The object of research work are problems of algorithmization of thinking and intellect in the theory of J. Hawkins. The subject of the research work are constraints on algorithmization in connection with the memory-prediction model. The purpose of the research work is to consider the problems of algorithmizing thinking in connection with the theory of J. Hawkins. Methods used in the research work: conceptual and logical analysis. The novelty of this research work is to compare the problems of algorithmizing thinking with modern research in the field of creating AI, the concept of J. Hawkins. As a result of the research it was established that the intellect is based on the memory-prediction model. Using this model, it becomes possible to solve almost all the problems associated with limitations on the algorithmization of thinking. It is clarified that the concept of surveyability of proof can be applied to optimize the operation of intelligent systems.

The object of the study is the churn of customers in the banking sector. The purpose of the work is to develop a system that can effectively predict the churn of customers in the banking sector using ML methods. Research methods: synthesis, analysis, statistical modeling, ranking and abstract logical method. Result of the work: a method for predicting the churn of customers in a bank based on a trained ML model and a web interface that provides access to this model. / Объект исследования – отток клиентов в банковской сфере. Цель работы – разработка системы, которая сможет эффективно прогнозировать отток клиентов в банковском секторе с использованием методов МО. Методы исследования: синтез, анализ, статистическое моделирование, ранжирование и абстрактно–логический метод. Результат работы: метод прогнозирования оттока клиентов в банке основанный на обученной модели МО и web-интерфейс, предоставляющий доступ к этой модели.

Отчет содержит 80 страниц, 35 рисунков, 3 таблицы, 25 источников, 3 приложения. Объект исследования – модель машинного обучения, используемая в сфере научных исследований и мониторинга сна человека. Цель работы – создание модели машинного обучения, способной на основе данных акселерометра с достаточной степенью точности определять состояние сна: пробуждение или засыпание. Методы проведения работы: исследование научных работ, сбор и подготовка данных, разработка, обучение и тестирование моделей машинного обучения. Результаты работы и их новизна: обученная модель машинного обучения, способная определять одно из двух состояний сна: пробуждение или засыпание и оказать влияние на практику мониторинга сна в домашних условиях. Область применения полученных результатов: исследования в медицинских учреждениях. Рекомендации по внедрению: наличие программного и аппаратного обеспечения для запуска обученной модели машинного обучения, устройства сбора данных – акселерометра, специалистов для дальнейшего поддержания работоспособности модели машинного обучения. Значимость работы: разработанная модель машинного обучения поможет исследователям быстрее и качественнее анализировать данные с акселерометра, глубже понять закономерности и функции сна человека. Прогнозные предположения о развитии объекта исследования: совершенствование алгоритмов машинного обучения разработанного инструмента, использование устройств с более точными датчиками и с расширенным набором дополнительных датчиков, обучение модели на данных, размеченных более качественно. / The report contains 80 pages, 35 figures, 3 tables, 25 sources, 3 appendices. The object of research is a machine learning model used in the field of scientific research and human sleep monitoring. The aim of the work is to create a machine learning model capable of determining the state of sleep with a sufficient degree of accuracy based on accelerometer data: waking up or falling asleep. Methods of work: research of scientific papers, data collection and preparation, development, training and testing of machine learning models. The results of the work and their novelty: a trained machine learning model capable of determining one of two sleep states: waking up or falling asleep and influencing the practice of sleep monitoring at home. The scope of the results obtained: research in medical institutions. Implementation recommendations: availability of software and hardware to run a trained machine learning model, an accelerometer data acquisition device, and specialists to further maintain the machine learning model. The significance of the work: the developed machine learning model will help researchers analyze data from the accelerometer faster and better, and better understand the patterns and functions of human sleep. Predictive assumptions about the development of the research object: improving the machine learning algorithms of the developed tool, using devices with more accurate sensors and with an expanded set of additional sensors, training the model on data marked up more efficiently.