Розуміння студентами практичного застосування набутих знань - основна проблема методики викладання математики. Висвітлено природний підхід, що описує процес навчання від постановки задачі, конкретного прикладу з життя, до освоєння існуючих теоретичних відомостей для розв'язання вказаної задачі. Такий підхід вимагає від викладача глибокого розуміння предмету та далекоглядності в сфері застосування набутих знань майбутніми фахівцями. Участь у вирішенні конкретної життєвої проблеми при математичній підготовці формує процес мислення та активізує зацікавленість студента. Комп'ютерне моделювання та застосування інформаційних технологій у навчанні сприяють удосконаленню інформаційної культури студентів, здійсненню рівневої та профільної диференціації навчально-виховного процесу з метою розвитку нахилів і здібностей студентів, задоволення їхніх запитів і потреб, розкриття творчого потенціалу, підвищенню ефективності наукових досліджень. Наведено приклади простого трактування складних математичних понять, розглянуто важливість використання інформаційних технологій під час викладання курсу вищої математики та значення процесу математичного пізнання для кожної людини. Як приклад, наведено використання у процесі навчання вищої математики однієї з найпопулярніших мов програмування - R Programming.

Здійснено моделювання штучної нейронної мережі (ANN) просторових характеристик кремнієвих сонячних елементів. Набір даних одержано з досліджень кремнієвих сонячних елементів, проведених в університеті Шиваджі, Індія. Сонячні елементи на основі кремнію надзвичайно популярні завдяки високій ефективності та більш тривалому терміну експлуатації. ANN - це математична модель на основі біологічних нейронних систем, призначених для збору взаємозв'язків даних для забезпечення більшої точності прогнозування. Дослідження спрямоване на створення найкращої можливої моделі ANN шляхом налаштування таких параметрів, як алгоритм навчання, функція активації та кількість нейронів у прихованих шарах. Створена модель ANN включає три нейрони у прихованому шарі та функцію логістичної активації для керованого навчання. Знайдено середньоквадратичну помилку (RMSE) для оцінки працездатності моделі.