ШААРДЫК ЧӨЙРӨДӨ МЕКТЕПТЕРДИ ЖАЙГАШТЫРУУ БОЮНЧА ЧЕЧИМ КАБЫЛ АЛУУНУ КОЛДООНУН САНАРИПТИК СИСТЕМАЛАРЫН ИШТЕП ЧЫГУУДА МАШИНАЛЫК ҮЙРӨНҮҮ ЫКМАЛАРЫН КОЛДОНУУ

Авторлор

А.А. Иванов Кыргыз-Герман колдонмо информатика институту
А.А. Бакиров Кыргыз-Герман колдонмо информатика институту
А.Т. Асанбеков Кыргыз-Герман колдонмо информатика институту
Ю.С. Корякина Кыргыз Республикасынын Улуттук илимдер академиясынын Машина таануу, автоматика жана геомеханика институту

##semicolon##

машиналык үйрөнүү##common.commaListSeparator## чечим кабыл алууну колдоо системасы##common.commaListSeparator## шаардык маалыматтар##common.commaListSeparator## мектептерди жайгаштыруу##common.commaListSeparator## билим берүү инфраструктурасы##common.commaListSeparator## билим берүүнү башкаруунун маалыматтык системасы (ИСУО)##common.commaListSeparator## мектептердин жүктөмүн талдоо##common.commaListSeparator## калктын жыштыгы##common.commaListSeparator## санариптик карта

Аннотация

Бул макалада шаардык чөйрөдө жаңы мектептерди жайгаштыруу боюнча чечим кабыл алууну колдоонун санариптик системасын иштеп чыгуу каралат. Калк жана билим берүү мекемелери жөнүндө ачык маалымат булактары, калктын жыштыгын жана мектептердин жүктөмүн талдоо ыкмалары, ошондой эле картада маалыматтарды мейкиндиктик визуалдаштыруу жолдору каралды. Билим берүү инфраструктурасына болгон муктаждыкты аныктоонун учурдагы ыкмалары талданды. Жүргүзүлгөн талдоонун негизинде маалыматтарды талдоо ыкмаларын жана машиналык үйрөнүү элементтерин колдонуу менен жаңы мектептерди куруу үчүн артыкчылыктуу зоналарды аныктоо модели сунушталды. Иштелип чыккан система шаардык чөйрөнү талдоонун негизинде билим берүү мекемелерин жайгаштыруу боюнча сунуштарды түзүүгө мүмкүндүк берет.

##submission.citations##

1. Конституция Кыргызской Республики (принята референдумом 11 апреля 2021 года). — Бишкек, 2021.

2. Национальный статистический комитет Кыргызской Республики. Официальный сайт https://stat.gov.kg/

3. Национальный статистический комитет Кыргызской Республики. Статистика населения: https://stat.gov.kg/ru/statistics/naselenie/

4. Информационная система управления образованием Кыргызской Республики (ИСУО). Статистические данные: https://1mektep.edu.gov.kg/ru/statistics

5. OpenStreetMap contributors. OpenStreetMap: свободная карта мира: https://www.openstreetmap.org/

6. UNESCO. OpenEMIS — Education Management Information System: https://www.openemis.org/ .

7. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine Learning in Python // Journal of Machine Learning Research. — 2011. — Vol. 12. — P. 2825–2830.

8. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine // Annals of Statistics. — 2001. — Vol. 29. — No. 5. — P. 1189–1232.

9. Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016.

10. Batty M. The New Science of Cities. — Cambridge: MIT Press, 2013.

11. Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W. Geographic Information Systems and Science. — Wiley, 2015.

12. United Nations. World Urbanization Prospects. — New York, 2018.

13. United Nations, Department of Economic and Social Affairs, Population Division. World Urbanization Prospects: The 2025 Revision. — New York: United Nations, 2025.

14. Li J., Wang Y. Characteristic Analysis and Integration Method of Urban Planning Data Based on GIS of Internet of Things // Sustainable Computing: Informatics and Systems. — 2022. — Vol. 36. — Article 100801.

15. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine // Annals of Statistics. — 2001. — Vol. 29, No. 5. — P. 1189-1232.

16. Чирягов, А. К. Методологические основы построения устойчивых моделей машинного обучения с использованием вероятностно-статистических методов / А. К. Чирягов, С. В. Корякин, К. Р. Карабакиров // Проблемы автоматики и управления. – 2026. – № 1(55). – С. 152-161. – EDN QLHKUW.