Соңғы жылдары машиналық оқыту әртүрлі салаларда және қолданбаларда қолданылады және оны пайдалану артып келеді. Машиналық оқыту модельдері деректерді енгізулеріндегі, сондай-ақ деректерден күтілетін жауаптардағы үлгілер мен қатынастарды табады. Анықталған байланыстар бейне тану, болжау немесе шешім қабылдауда интеллектуалды есептерді шешуді автоматтандыру үшін жаңа белгісіз деректер жиынтығы үшін пайдаланылады. Күрделі тапсырмаларды шешу үшін көп деректер мен уақыт қажет, ал деректер бақыланатын оқыту үшін белгіленуі керек. Трансферттік оқыту – бір тапсырмадан алынған білімді екіншісін шешуге беру үшін қолданылатын әдіс. Бұл тәсіл бастапқы деректер көлемін және оқу уақытын қысқартуға немесе интеллектуалды мәселені шешудің дәлдігін арттыруға мүмкіндік береді. Бұл мақалада біз ұсынған терең нейрондық желі үлгісіне негізделген статикалық қол қимылдарын тану бойынша эксперименталды зерттеулердің нәтижелері келтірілінген, барлық параметрлер бойынша дәстүрлі толық оқыту және трансферттік оқыту тұжырымдаманы пайдалана отырып алдын ала дайындалған VGG-16 архитектурасының конволюциялық нейрондық желісі алынып отыр. Adam оптимизаторы терең нейрондық желіні жаттықтыру кезінде градиентті түсіру алгоритмі ретінде пайдаланылады. Жаңартылған салмақтарды алу және қимылдарды тану дәлдігін жақсарту үшін алдын ала дайындалған нейрондық желі классификаторын дәл баптау үшін кері таралу алгоритмі қолданылады. Қимылдарды тану жүйесін бағдарламалық қамтамасыз етулуі Python кескінді өңдеу кітапханалары арқылы терең суретке түсіру сенсорынан алынып жасалыңды. Нейрондық желілер TensorFlow және Keras терең оқыту фреймворктарды қолдану арқылы жасалынған. Ұсынылған терең нейрондық желі моделінің өнімділігі модификацияланған VGG-16 архитектурасы үшін трансферттік оқыту моделімен салыстырылады.