1. Маслов Д. В., Мазалецкая А., Стид К. Модель совершенствования EFQM. Высшее образование в России. 2005;(9):48-55.
2. Овсяницкий А. Д. Об использовании терминов «искусственный интеллект», «машинное обучение» и «глубокое обучение». Цифровая экономика в социально-экономическом развитии России: взгляд молодых. Материалы XV международной научно-практической конференции студентов, магистрантов и аспирантов. Челябинск; 2019. С. 549-551.
3. Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. Режим доступа: http://www.machinelearning.ru
4. Галимов Р. Г. Основы алгоритмов машинного обучения - обучение с учителем. Аллея науки. 2017;1(14):810-817.
5. Stanula P., Ziegenbein A., Metternich J. Machine learning algorithms in production: A guideline for efficient data source selection. Procedia CIRP. 2018;78:261-266. https://doi.org/10.1016/j.procir.2018.08.177
6. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications. 2018;97:205-227. https://doi.org/10.1016/j.eswa.2017.12.020
7. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python: пер. с англ. М.: Альфа-книга; 2018. 480 с.
8. Shalev-Shwartz S., Ben-David S. Understanding machine learning: From theory to algorithms. New York, Cambridge University Press; 2014. 449 p. https://doi.org/10.1017/CBO9781107298019
9. Клячкин В. Н. Метод оценки параметра гребневой регрессии. Вестник Ульяновского государственного технического университета. 1998;(1):38-40.
10. Бородин И. Д. Рефлексия в машинном обучении на примере обучения деревьев решений. Аллея науки. 2017;4(9):857-865.
11. Леусенко В. П. Принятие решений с рассмотрением полезностей. Деревья решений. Актуальные проблемы современной экономики. Математические методы, модели и информационные технологии. Материалы XVIII научно-практической конференции преподавателей, студентов, аспирантов и молодых ученых. Таганрог; 2017. С. 184-187.
12. Azad М., Moshkov М. Multi-stage optimization of decision and inhibitory trees for decision tables with manyvalued decisions. European Journal of Operational Research. 2017;263(3):910-921. https://doi.org/10.1016/j.ejor.2017.06.026
13. Кафтанников И. В., Парасич А. В. Методы снижения взаимозависимости ошибок деревьев решений при обучении лесов решений. Научный поиск. Материалы VII научной конференции аспирантов и докторантов. Челябинск; 2015. С. 315-320.
14. Дьяконов И. Д., Новикова С. В. Решение задачи прогнозирования при помощи градиентного бустинга над решающими деревьями. Научный форум: технические и физикоматематические науки. Материалы XV международной научно-практической конференции. М.; 2018. С. 9-12.
15. Чаткин В. В. Различия между искусственным интеллектом, машинным обучением и глубоким обучением. Конкурентоспособность территорий. Материалы XXII Всероссийского экономического форума молодых ученых и студентов. Екатеринбург; 2019. С. 185-187.
16. Мингалиев З. З., Кычкин И. М. Решение обратных многомерных задач на основе многослойного персептрона. Вестник современных исследований. 2019;(3.3):30-34.
17. Арефьев А. В., Шумаев В. В. Оценка значимости уравнения регрессии, его коэффициентов, коэффициента детерминации. Инновационные идеи молодых исследователей для агропромышленного комплекса России. Материалы Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых. Пенза; 2019. С. 103-104.
18. Кинякин В. Н., Милевская Ю. С. Некоторые предостережения по проверке качества модели регрессии с помощью коэффициента детерминации. Вестник Московского университета МВД России. 2014;(8):200-204.
19. Базилевский М. П. Отбор оптимального числа информативных регрессоров по скорректированному коэффициенту детерминации в регрессионных моделях как задача частично целочисленного линейного программирования. Прикладная математика и вопросы управления. 2020;(2):41-54. https://doi.org/10.15593/2499-9873/2020.2.03
20. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб.: Питер; 2017. 336 с.