Оптимальное и справедливое распределение вычислительных ресурсов в динамичных средах обработки больших данных (Big Data), таких как Apache Spark, остается сложной задачей. Традиционные планировщики часто не учитывают синергетические эффекты кооперации между задачами, что приводит к неэффективности и конфликтам. Целью данной работы является экспериментальное исследование и верификация гибридного подхода к кооперативному распределению ресурсов, основанного на формальных принципах теории кооперативных игр и адаптивных возможностях машинного обучения. В работе формализована модель кооперативной игры, где коалиции параллельных задач характеризуются функцией полезности, зависящей от выделенных ресурсов. Для обеспечения устойчивости и справедливости введены условия равновесия (ядро игры), а распределение основано на значении Шепли, оценивающем маржинальный вклад каждой задачи. Для преодоления аналитической сложности оценки полезности в реальных условиях предложено использование ML-моделей (градиентный бустинг, графовые нейронные сети), обученных на исторических метриках кластера, в качестве аппроксиматоров характеристической функции игры. Разработан и развернут экспериментальный стенд на базе Apache Spark с системой мониторинга Prometheus/Grafana. В ходе экспериментов показано, что предложенный подход обеспечивает динамическое и сбалансированное распределение ресурсов (CPU, память), повышает стабильность коалиций задач и улучшает общую справедливость распределения (индекс Джинни, fairness index) по сравнению с базовыми сценариями. Визуализация ключевых метрик подтвердила достижение состояний, близких к ядру игры. Исследование демонстрирует практическую применимость и эффективность сочетания теоретико-игровых моделей и машинного обучения для интеллектуального управления ресурсами в распределенных системах Big Data, открывая путь к созданию самооптимизирующихся и кооперативных оркестраторов.