Введение. Исследование в области интеллектуального анализа данных в образовании, известного также как Educational Data Mining (EDM), сосредоточено на выявлении скрытых закономерностей в различных образовательных ситуациях. В рамках этого исследования была разработана модель, которая предсказывает успеваемость студентов на основе их баллов по дисциплине «Сестринское дело в хирургии» с использованием двух методов машинного обучения: «Decision Tree» и «Random Forest». Обе выбранные модели демонстрируют высокую точность при прогнозировании успеваемости студентов и могут быть использованы для этой цели. Цель исследования. Разработать модели прогнозирования успеваемости студентов на следующий учебный год, на основе дисциплинарного рейтинга предшествующего учебного года (основная профессиональная образовательная программа высшего образования – программа бакалавриата по направлению подготовки 34.03.01 Сестринское дело (общий профиль)). Материалы и методы исследования. Для прогнозирования успеваемости студентов 3 курса (2022-2023 учебный год) в следующем учебном году была взята дисциплина «Сестринское дело в хирургии» и рейтинги обучающихся из электронных журналов кафедры сестринского дела. Дата рождения студентов была взята из личного кабинета преподавателя информационной системы (ИС) Университета в разделе «Обучающиеся» и преобразована в возраст обучающихся. Объем выборки составил 822 студента. Данные были проанализированы с помощью программы RapidMiner (компания Altair). Для прогноза успеваемости использовались несколько методов машинного обучения - «Decision Tree», «Random Forest». Результаты и обсуждения. Для статистической обработки данных мы воспользовались программой RapidMiner и оператором «Statistica». Мы использовали метод машинного обучения «Decision Tree» для прогнозирования успеваемости студентов на следующий учебный год. Для оценки производительности модели мы использовали среднеквадратическую ошибку (MSE), которая составила 2,006. Коэффициент корреляции показывает, насколько независимые переменные объясняют изменчивость результирующего показателя. В нашей модели коэффициент корреляции составил 0,993, что означает, что предсказанные значения дисциплинарного рейтинга сильно соответствуют реальным значениям по дисциплине «Сестринское дело в хирургии». Средний предсказанный балл составил 64,5 ± 23,9. Мы также использовали метод машинного обучения «Random Forest» для прогнозирования успеваемости. «Random Forest» использует ансамбль деревьев решений. Точность этой модели составила 90,5%. Полученные прогнозы успеваемости позволят выявить студентов с потенциальным риском неудачи в обучении и разработать систему поддержки, которая поможет исправить текущую ситуацию студентов. Заключение. Выбранные модели для прогноза успеваемости обучающихся по дисциплине «Сестринское дело в хирургии» регрессионная модель «Decision Tree» и «Random Forest» показали отличную точность и могут быть использованы для прогноза успеваемости обучающихся.