![Технологии ИИ в науке и образовании](https://lomonosov-msu.ru/media/cache/event_logo/file/event/8452/rus_logo_72f35122f91fa6527b28d7c73b2094e09471fe90.png)
Международная молодежная научная конференция «Технологии ИИ в науке и образовании»
Правила оформления тезисов
Уважаемые коллеги, предлагаем ознакомиться с инструкцией по оформлению тезисов:
Тезисы подаются через специальную форму, которая находится на странице «Мои заявки» в личном профиле и будет доступна после завершения подачи заявки на участие в качестве Автора.
Обращаем Ваше внимание, что при написании текста в LaTeX НЕ следует добавлять какое-либо форматирование текста (формат шрифта или иные параметры, касающиеся его отображения), это приведёт в некорректному отображению Ваших тезисов.
Обращаем Ваше внимание, что в случае значительного отклонения электронного варианта от указанных рекомендаций, Оргкомитет оставляет за собой право не рассматривать поступившие тезисы.
Соавторов Вы можете указать также при заполнении полей тезисов.
ПРИМЕР ОФОРМЛЕНИЯ ТЕЗИСОВ:
Изучение углеводородов методом машинного обучения
Иванов Иван Андреевич
Старший преподаватель
Московский государственный университет имени М.В.Ломоносова,
химический факультет, Москва, Россия
E–mail: ivanov@yandex.ru
В последние годы методы машинного обучения приобретают все большую популярность в области изучения углеводородов, благодаря своей способности обрабатывать и анализировать большие объемы данных. Одним из преимуществ использования методов машинного обучения в изучении углеводородов является возможность автоматизации процессов анализа и классификации углеводородов. Например, с помощью методов кластерного анализа можно классифицировать углеводороды по их структуре и свойствам, что позволяет более эффективно организовать и анализировать большие объемы данных.
продолжение основного текста тезисов
Изучение углеводородов методом машинного обучения представляет собой мощный инструмент для оптимизации процессов добычи, переработки и использования углеводородных ресурсов. Методы машинного обучения позволяют эффективно обрабатывать и анализировать большие объемы данных, разрабатывать модели предсказания свойств и реакций углеводородов, автоматизировать процессы анализа и классификации углеводородов, а также открывать новые перспективы в изучении углеводородов.
Литература