Дисертаційна робота вирішує актуальне наукове завдання, важливе для галузі навчання нейронних мереж. Вона містить нові науково обґрунтовані результати:- удосконалено методи градієнтного спуску на основі положень нелінійної динаміки, що дозволило збільшити швидкість збіжності градієнтних алгоритмів оптимізації під час навчання нейронних мереж;- вперше розроблено метод пошуку параметрів удосконалених методів градієнтного спуску на основі положень нелінійної динаміки на основі розв'язання оптимізаційних завдань на класі комплексних поліномів, що дозволило забезпечити ефективну реалізацію розроблених методів;- набули подальшого розвитку методи навчання нейронних мереж на основі удосконалених методів градієнтного спуску, що дозволило зменшити час навчання нейронних мереж при вирішенні задач сегментації та класифікації.^UDissertation solves an actual scientific problem important for the field of neural network learning. It contains new scientifically based results:- improved gradient descent methods based on nonlinear dynamics positions, which allowed to increase the convergence rate of gradient optimization algorithms during neural network training;- for the first time, a method for searching for parameters of improved gradient descent methods based on the positions of nonlinear dynamics on the basis of solving optimization problems on the class of complex polynomials was developed, which made it possible to ensure the effective implementation of the developed methods;- further development of methods of training neural networks on the basis of improved gradient descent methods, which made it possible to reduce the learning time of neural networks in solving segmentation and classification problems.