Currently, an increasing amount of research is directed towards solving tasks using computer vision libraries and artificial intelligence tools. Most common are the solutions and approaches utilizing machine and deep learning models of artificial neural networks for recognizing gestures of the Kazakh sign language based on supervised learning methods and deep learning for processing sequential data. The research object is the Kazakh sign language alphabet aimed at facilitating communication for individuals with limited abilities. The research subject comprises machine learning methods and models of artificial neural networks and deep learning for gesture classification and recognition. The research areas encompass Machine Learning, Deep Learning, Neural Networks, and Computer Vision. The main challenge lies in recognizing dynamic hand gestures. In the Kazakh sign language alphabet, there are 42 letters, with 12 of them being dynamic. Processing, capturing, and recognizing gestures in motion, particularly in dynamics, pose a highly complex task. It is imperative to employ modern technologies and unconventional approaches by combining various recognition methods/algorithms to develop and construct a hybrid neural network model for gesture recognition. Gesture recognition is a classification task, which is one of the directions of pattern recognition. The fundamental basis of recognition is the theory of pattern recognition. The paper discusses pattern recognition systems, the environment and application areas of these systems, and the requirements for their development and improvement. It presents tasks such as license plate recognition, facial recognition, and gesture recognition. The field of computer vision in image recognition, specifically hand gestures, is also addressed. The development of software will enable the testing of the trained model's effectiveness and its application for laboratory purposes, allowing for adjustments to improve the model.

В данной работе рассматривается сбор данных и применение моделей нейронных сетей для классификации языка жестов в задачах распознавания образов. Язык жестов, как важный способ коммуникации для людей с нарушениями слуха, требует эффективных технологий для его автоматического распознавания. В ходе исследования был проведён сбор разнообразных видеоданных, охватывающих различные жесты и контексты их использования. Для анализа этих данных применялись современные архитектуры нейронных сетей, включая сверточные и рекуррентные сети, что позволило достичь высокой точности классификации. Результаты показывают перспективность использования глубокого обучения для распознавания языка жестов, что открывает новые возможности для разработки вспомогательных технологий и улучшения качества жизни людей с ограниченными возможностями. Работа подчеркивает важность интеграции методов машинного обучения и компьютерного зрения для создания более интуитивно понятных интерфейсов взаимодействия.

In the rapidly evolving real estate market, the application of machine learning (ML) is crucial for understanding and predicting price trends. This study evaluates and compares seven ML models, including multiple linear regression, random forest regression, support vector regression (SVR), decision tree regression, and XGBoost, to determine the most effective predictor of real estate prices in Astana, Kazakhstan. The study focuses on the Yesil district, a key area in the city, utilizing a dataset of over 9,000 records extracted from a broader collection of more than 30,000 real estate transactions across Kazakhstan. Through rigorous experimentation, model performance was assessed using statistical metrics such as mean absolute error (MAE), root mean square error (RMSE), and the coefficient of determination (R-squared). The results indicate that the Random Forest Regressor and XGBRegressor models outperformed others, achieving the highest R-squared values (99.55% and 99.18%, respectively) and the lowest MAE and RMSE values. These findings highlight their robustness in predicting housing prices with high accuracy. The primary objective of this study was to develop a precise ML model capable of accurately forecasting real estate prices in Astana based on key market attributes. The superior predictive performance of the Random Forest and XGBRegressor models justifies their selection for deployment in real-world applications. Their high predictive accuracy suggests their potential utility for real estate professionals, policymakers, and investors seeking data-driven insights into market dynamics. This research expands knowledge on the applications of ML in the real estate sector, reinforcing the importance of evidence-based decision-making within the industry.

Увеличение цифровизации финансовых рынков и рост торговых пар We b3 существенно повлияли на торговлю активами, создавая но-вые вызовы в прогнозировании волатильности цен. Традиционные стратегии управления рисками зачастую не справляются с непредсказуемой природой криптовалютных рынков. В данном исследовании рассматривается примене-ние передовых моделей машинного обучения для прогнозирования волатиль-ности цен в криптовалютных торговых парах. Мысравниваемэффективностьмоделей Temporal Fusion Transformer (TFT), Temporal Convolutional Network (TCN), XGBoost, Random Forest игибридноймодели CNN-LSTM. Наши результаты показывают, что модели TFT и гибридная CNN-LSTM превосходят традиционные рекуррентные нейронные сети в улавливании сложных рыночных динамик, способствуя улучшению стратегий управления рисками в высокочастотной торговле криптовалютами.