1. Aref'eva E. V. Prognoz opasnostey na osnove postoyanno deystvuyuschey situacionno-optimizacionnoy modeli / E. V. Aref'eva, A. V. Rybakov // Vestnik KRSU. — 2012. — T. 12. — № 7. — S. 17–21.
2. Alagudzhaeva M. A. Gidrologicheskoe cifrovoe prognoznoe modelirovanie zon zatopleniya territorii Severnogo Kazahstana na osnove vysokodetal'noy cifrovoy modeli rel'efa / M. A. Alagudzhaeva, S. R. Sadvakasova, B. B. Elbasieva, A. A. Aimbetov // Gidrome-teorologiya i ekologiya. — 2023. — № 4. — S. 74–84. — DOI:https://doi.org/10.54668/2789-6323-2023-111-4-74-84.
3. Shu X. Knowledge Discovery: Methods from Data Mining and Machine Learning / X. Shu, Y. Ye // Social Science Research. — 2023. — Vol. 110. — P. 102817. — DOI: https://doi.org/10.1016/j.ssresearch.2022.102817.
4. Dolgih V. P. Kratkosrochnoe prognozirovanie vodnogo rezhima rek i vodohranilisch metodom Brauna / V. P. Dolgih, S. V. Rybalka, I. S. Bobleva // Ekologicheskiy vestnik Donbassa. — 2024. — № 2(12). — S. 10–15.
5. Cyganov V. V. Klimaticheskie riski zheleznodorozhnoy infrastruktury / V. V. Cyganov, V. A. Borodin, S. A. Savushkin, A. V. Lemeshkova // ITNOU: informacionnye tehnologii v nauke, obrazovanii i upravlenii. — 2024. — № 1(22)–2(23). — S. 51–57. — DOI: https://doi.org/10.47501/ITNOU.2024.1.51-57.
6. Vosstanovit' razorvannuyu nit': vosstanovlenie dvizheniya poezdov do Murmanska // Murmanskiy vestnik. — URL: https://www.mvestnik.ru/our-home/ vosstanovit'-razorvannuyunit'/ (data obrascheniya: 13.11.2025).
7. Obrushenie mosta // RIA «Voronezh». — URL: https:// riavrn.ru/theme/obrushenie-mosta/ (data obrascheniya: 13.11.2025).
8. V Rostove-na-Donu na vokzale podtopilo zheleznodorozhnye puti // TASS. — URL: https://tass.ru/ proisshestviya/21089611 (data obrascheniya: 13.11.2025).
9. Ermuhanov D. S. Mashinnoe obuchenie i matematika / D. S. Ermuhanov // Tendencii razvitiya nauki i obrazovaniya. — 2024. — № 110-18. — S. 102–105. — DOI:https://doi.org/10.18411/trnio-06-2024-992.
10. Chicco D. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation / D. Chicco, M. J. Warrens, G. Jurman // PeerJ Computer Science. — 2021. — Vol. 7. — Pp. 1–24. — DOI:https://doi.org/10.7717/PEERJ-CS.623.
11. Ponomarenko T. S. Izuchenie gidrologicheskih harakteristik reki Temernik po rezul'tatam raboty sistemy monitoringa «EMERSIT» / T. S. Ponomarenko, A. V. Breeva // Ekologiya i vodnoe hozyaystvo. — 2021. — № 2. — URL: https://cyberleninka.ru/article/n/izuchenie- gidrologicheskih-harakteristik-reki-temernikpo- rezultatam-raboty-sistemy-monitoringa-emersit (data obrascheniya: 30.10.2025).
12. Rashka S. Python i mashinnoe obuchenie. Mashinnoe i glubokoe obuchenie s ispol'zovaniem Python, scikit-learn i TensorFlow-2 / S. Rashka, V. Mirdzhalili. — M.: Vil'yams, 2020. — 848 s.
13. Mosin K. K. Ispol'zovanie metodov avtomatizirovannogo mashinnogo obucheniya dlya klassifikacii dorozhno-transportnyh proisshestviy / K. K. Mosin, V. E. Kovalevskiy, N. A. Zhukova // Intellektual'nye tehnologii na transporte. — 2023. — № 2(34). — URL: https://cyberleninka.ru/article/n/ispolzovanie-metodov-avtomatizirovannogo-mashinnogo-obucheniya-dlya- klassifikatsii-dorozhno-transportnyh-proisshestviy (data obrascheniya: 30.10.2025).
14. Feng K. RMSE-minimizing confidence intervals for the binomial parameter / K. Feng, L. M. Leemis, H. Sasinowska // Computational Statistics. — 2022. — Vol. 37. — Iss. 4. — Pp. 1855–1885. — DOI:https://doi.org/10.1007/s00180-021-01183-3.



