В статье рассмотрены вопросы применения методов машинного обучения и нейронных сетей для прогнозирования уровня академической успеваемости студентов на основе анализа образовательных данных. Актуальность исследования обусловлена ростом объемов цифровых данных в современных образовательных системах и необходимостью разработки интеллектуальных инструментов поддержки принятия решений, направленных на повышение качества обучения и раннее выявление студентов, находящихся в зоне академического риска. В качестве объекта исследования являются данные, характеризующие учебную и внеучебную деятельность студентов, включая показатели посещаемости, учебной нагрузки, социально-демографические характеристики и результаты предыдущего обучения. Предметом исследования является процесс прогнозирования уровня академической успеваемости студентов с использованием нейросетевых моделей классификации. В работе проведен анализ существующих методов прогнозирования, применяемых в задачах образовательной аналитики, и обоснован выбор многослойной полносвязной нейронной сети как наиболее подходящего инструмента для обработки табличных данных. Реализация модели выполнена с использованием библиотеки scikit-learn. Особое внимание уделено этапам предобработки данных, включая обработку пропусков, кодирование категориальных признаков, масштабирование числовых параметров и формирование классов целевой переменной. В рамках экспериментальных исследований проведено сравнение качества работы нейросетевой модели при различном количестве выходных классов целевой переменной. Оценка эффективности выполнялась с использованием метрик классификации, таких как Accuracy, Precision, Recall и F1-Score. Полученные результаты показали, что трехклассовая классификация обеспечивает оптимальный баланс между точностью прогнозирования и практической интерпретируемостью результатов. В перспективе целесообразно использование нейросетевой модели для прогнозирования успеваемости на различных этапах обучения.