Во введении объясняется, почему связь математики и искусственного интеллекта заслуживает изучения, и формулируются проблема, цель и задачи проекта. Здесь обозначаются границы темы: внимание уделяется математическим основам машинного обучения и простому примеру классификации. Также указываются предполагаемая аудитория, методы работы с источниками и данными, ожидаемый продукт и практическая польза проекта для школьного изучения математики и информатики.

В этом теоретическом пункте вводятся понятия искусственного интеллекта, алгоритма, модели и машинного обучения. Различаются обучение с учителем и другие подходы, приводятся примеры задач классификации и прогнозирования. Раздел нужен, чтобы определить, какие именно технологии рассматриваются в проекте, не смешивать общий термин «искусственный интеллект» с отдельными алгоритмами и подготовить читателя к объяснению математических операций, используемых при обучении модели.

Раздел посвящён тому, как примеры для обучения превращаются в данные, пригодные для вычислений. Объясняется, что признаки можно записать числами, векторами и матрицами, а метки обозначают ожидаемый результат классификации. Рассматриваются требования к качеству и полноте данных, возможные пропуски и ошибки измерения. Этот пункт помогает понять, почему способ сбора и представления информации влияет на прогноз модели не меньше, чем выбор алгоритма.

В теоретической части описывается, как функция связывает входные признаки с результатом, а параметры модели изменяются в процессе обучения. Рассматриваются доступные школьному уровню примеры линейной зависимости, векторных вычислений и матричных операций. Отдельно поясняется идея уменьшения ошибки между прогнозом и известным ответом. Цель пункта — показать, что обучение модели состоит из последовательных вычислений, а не из самостоятельного понимания алгоритмом смысла задачи.

Здесь объясняется, как вероятность отражает неопределённость прогноза, а статистика помогает анализировать выборки и сравнивать результаты. Рассматриваются обучающая и тестовая части данных, доля верных ответов и понятие матрицы ошибок. Раздел нужен для обоснованной оценки модели: одного удачного примера недостаточно, чтобы судить о её надёжности. Учащиеся также узнают, почему важно учитывать неверные прогнозы и возможное переобучение.

В практическом пункте описываются критерии выбора открытого учебного набора данных и формулируется задача классификации. Указываются целевой признак, входные характеристики, способы проверки полноты данных и порядок разделения примеров на обучающую и тестовую части. Здесь же фиксируются ожидаемые результаты и условия эксперимента, чтобы другие участники могли повторить проверку. Такой порядок снижает риск подгонки решения под заранее желаемый ответ.

Раздел содержит описание работы с учебной средой или электронной таблицей, в которой строится простая модель классификации. Последовательно указываются подготовка данных, настройка алгоритма, получение прогнозов и сравнение их с правильными метками. Результаты заносятся в таблицу, а показатель качества рассчитывается по заранее выбранному правилу. В пункте важно документировать использованные параметры и не выдавать демонстрационный результат за универсальную оценку модели.

В этом пункте интерпретируются полученные показатели, рассматриваются примеры верных и ошибочных прогнозов и обсуждаются возможные причины ошибок. Учитываются размер и состав набора данных, выбор признаков, разделение выборки и вероятность переобучения. Также обозначаются ограничения эксперимента: простая модель не доказывает, что такой же алгоритм подойдёт для любой задачи. Анализ помогает сформулировать осторожные рекомендации по применению автоматических прогнозов.

В заключении кратко соотносятся выполненные задачи и цель проекта, а также обобщается, какие математические понятия были обнаружены в работе модели. Отдельно описываются результаты практической проверки и условия, при которых им можно доверять. Указываются ограничения набора данных и эксперимента, возможные направления продолжения работы и значение критической оценки автоматических прогнозов. Заключение должно опираться на полученные результаты, а не вводить новые неподтверждённые сведения.

В список включаются учебники по математике и информатике, научно-популярные материалы и проверенные источники об искусственном интеллекте, машинном обучении и статистике. Для интернет-публикаций указываются автор или организация, название материала, адрес страницы и дата обращения. Источники подбираются так, чтобы подтверждать определения, описание методов и сведения о наборе данных. Корректное оформление позволяет проверить факты и отделить сведения из публикаций от результатов собственного эксперимента.