%0 Journal Article
%@ 2663-5941
%A Вакалюк, Т. А.
%A Янчук, В. М.
%A Морозов, Д. С.
%A Зубрицький, В. В.
%A Новіцька, І. В.
%D 2023
%F zu2:38273
%I Видавничий дім "Гельветика"
%J Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки
%N 5
%P 108-116
%T Прогнозне моделювання аналітики успішності студентів з використанням алгоритмів машинного навчання
%U http://eprints.zu.edu.ua/38273/
%V 34(73)
%X Прогнозна аналітика стосується використання алгоритмів машинного навчання та статистики для  прогнозування майбутніх результатів і продуктивності. Такі методи, як інтелектуальний аналіз даних  і прогнозне моделювання, оцінюють ймовірність майбутніх результатів і сповіщають про майбутні  події, щоб допомогти у прийнятті рішення. Використання машинного навчання (ML) для прогнозування  успішності навчання студентів має потенціал для вдосконалення освітніх систем. Застосування ML у  цій галузі відкриває нові можливості для аналізу великих обсягів даних, виявлення складних залежностей  і розробки персоналізованих підходів до навчання. Сучасні системи управління навчанням та електронні  платформи зберігають велику кількість інформації про навчальні досягнення студентів, такі як оцінки,  відвідуваність, здані іспити тощо. Використання цих даних у поєднанні з ML дозволяє ідентифікувати  корисні закономірності та прогнозувати майбутні успіхи студентів. В даній роботи було визначено  проблему прогнозного моделювання та аналітики успішності студентів з використанням алгоритмів  машинного навчання. Дослідження і аналіз алгоритмів машинного навчання для прогнозного моделювання та аналітики успішності студентів є важливим кроком у покращенні освітнього процесу. Відштовхуючись від цього, було проведено дослідження та проаналізовано декілька алгоритмів машинного  навчання. Було проведено аналіз метрик та результатів натренованої моделі. З матриці помилок можна  побачити, що отримано досить непогані результати після підбору параметрів для моделей. У результаті було отримано реалізацію алгоритму прогнозного аналізу з використанням моделей RandomForest  та XGBoost, який підходить для подальшої модернізації та практичному застосуванні. З освітньої  точки зору, це дослідження може допомогти викладачам визначити студентів, які перебувають у групі  ризику щодо поганої успішності, і може допомогти педагогам вжити своєчасних коригувальних заходів