Сложившаяся в последние годы массовая тенденция использовать глубокое машинное обучение, искусственные нейронные сети и методы искусственного интеллекта при решении самых разных задач, как научных исследований, так и производственных проблем, приводит к существенным методологическим неточностям, а именно, использованию сложных, трудоемких и очень объемных алгоритмических процедур в то время, как задача может быть решена несоизмеримо более простыми и компактными методами без потерь в эффективности. Для этого необходимо воспользоваться широко распространенными и хорошо известными методами, в том числе классическими, параметрическими, непараметрическими, настроенными на задачу. Машинное обучение безусловно носит универсальный характер, в чем и заключается его ценность, но не учитывает особенности конкретной проблемы, заменяя обучением тот этап, который традиционные методы призваны восполнить умелой настройкой на конкретную проблему. В работе рассмотрены два метода, один из которых основан на классическом методе максимального правдоподобия с оптимальной оценкой неизвестных параметров распределений отдельных отсчетов флуктуирующего изображения (входного массива данных), а другой - на глубоком машинном обучении, классификации радиолокационных изображений для конкретной задачи распознавания трех классов пространственно-распределенных целей, отличающихся своими размерами.