Аннотация. Целью данной работы является исследование применения методов глубокого обучения для анализа неструктурированных данных, включая тексты, изображения и аудио. Особое внимание уделено применению свёрточных нейронных сетей (Convolutional Neural Network, сокращённо CNN) для классификации изображений и моделей трансформеров BERT (Bidirectional Encoder Representations from Transformers, Двунаправленные представления кодировщика от трансформеров), GPT (Generative Pre-trained Transformer, Генеративный предварительно обученный трансформер) для обработки данных. Были протестированы различные модели на наборах данных с открытым доступом, и результаты показали высокую точность глубокого обучения по сравнению с традиционными методами. Исследование подтверждает потенциал глубокого обучения для повышения качества анализа неструктурированных данных.

Ключевые слова: глубокое обучение; нейронные сети; неструктурированные данные; обработка изображений; обработка текста; свёрточные сети; трансформеры; машинное обучение; автоматическая диагностика; BERT; GPT; искусственный интеллект; big data