В статье рассматриваются современные подходы к моделированию и прогнозированию динамики успеваемости обучающихся в образовательных системах с применением методов машинного обучения (МО). Исследование включает подробный анализ существующих методологических подходов, готовых решений и коммерческих платформ, обзор литературных источников, описывающих применение алгоритмов анализа данных в образовательной сфере, а также разработку собственной модели, охватывающей сбор данных, обработку, выбор методов и алгоритмов, прогнозирование успеваемости обучающихся.Изучены различные популярные готовые решения и коммерческие платформы, которые используют методы МО для анализа, прогнозирования и оптимизации образовательных процессов: Blackboard Predict, Civitas Learning, Knewton Adaptive Learning Platform, DreamBox Learning, IBM Watson Education, SAS Campus Analytics. Исследованы веса общих атрибутов, которые влияют на прогнозирование и изучено каким образом отдельные признаки влияют на предсказания.Представленная статья демонстрирует, что использование нейронных сетей позволяет существенно повысить точность прогнозирования, что является важным инструментом для управления образовательными учреждениями и принятия оперативных управленческих решений. Однако, одним из минусов этого алгоритма является большое время обучения на компьютерах с более низкими вычислительными показателями. Поэтому были рассмотрены и другие алгоритмы при создании собственной модели.Результаты исследования показали, что ансамблевые методы обеспечивают значительно меньшую ошибку прогнозирования по сравнению с линейной регрессией, при этом обучение и выполнение предсказаний требуют существенно меньше времени.