В этом пункте объясняется, почему методы искусственного интеллекта стали заметной частью повседневных цифровых сервисов и почему важно понимать принципы их работы. Здесь формулируются проблема, цель и задачи проекта, обозначаются объект и предмет изучения, а также кратко описывается практический результат и порядок дальнейшего изложения.

Раздел раскрывает значение термина «искусственный интеллект» и показывает, какие задачи относят к этой области: распознавание образов, обработку языка, поиск и принятие решений. Уточняется, чем ИИ отличается от обычной программы с заранее прописанными правилами, и вводятся понятия алгоритма, данных и модели, необходимые для следующих разделов.

В теоретической части сопоставляются экспертные системы, машинное обучение и нейронные сети. Для каждого метода объясняется общий принцип работы, тип подходящих задач и роль человека: экспертные системы используют сформулированные правила, а методы машинного обучения находят закономерности в примерах. Приводятся понятные случаи классификации и прогнозирования.

Пункт посвящён тому, как собирают и подготавливают данные для обучения: проверяют пропуски, ошибки, признаки и метки классов. Описывается различие между обучающей и тестовой выборками, а также объясняется, почему состав данных влияет на результат. Материал помогает подготовить основу для практической проверки модели и избежать оценки только на знакомых примерах.

Здесь рассматриваются способы проверки предсказаний: подсчёт доли верных ответов и анализ типов ошибок с помощью матрицы ошибок. Объясняется, почему высокая точность не всегда означает надёжность, особенно при неравномерном распределении классов. Также обсуждаются переобучение, зависимость результата от данных и необходимость человеческой проверки в ответственных ситуациях.

В этом разделе определяется задача учебного прототипа, например классификация объектов по заданным признакам, и обосновывается выбор набора данных. Указываются категории, признаки и способ проверки, описываются используемые инструменты и последовательность действий. Отдельно фиксируются условия, которые позволят сравнить результат модели с правильными ответами без смешивания обучающих и тестовых примеров.

Практический пункт описывает подготовку примеров и создание или настройку выбранной модели в доступной среде программирования либо учебном сервисе. Участники фиксируют параметры, запускают обучение и проверяют работу классификатора на новых для него данных. В тексте приводятся этапы реализации так, чтобы одноклассник мог повторить эксперимент и понять, какие входные признаки использует модель.

В этом разделе предсказания прототипа сравниваются с эталонными метками, а результаты оформляются в таблице или матрице ошибок. Анализируется доля верных ответов, отмечаются наиболее частые случаи неправильной классификации и возможные причины: малый объём данных, похожие признаки или ошибки разметки. На основе проверки формулируются ограничения модели и рекомендации по её использованию.

В заключении кратко соотносятся полученные результаты с целью и задачами проекта: перечисляется, какие методы были изучены и удалось ли создать работающий прототип. Подводятся итоги проверки классификатора, отмечаются обнаруженные ошибки и ограничения. Также формулируются выводы о влиянии качества данных и необходимости участия человека при применении искусственного интеллекта.

В этом пункте приводятся использованные учебники, статьи, справочные материалы и электронные ресурсы о методах искусственного интеллекта, машинном обучении и оценке моделей. Для интернет-источников указываются название страницы, организация или автор и дата обращения; для книг и статей — автор, заглавие и выходные данные. Список оформляется единообразно, чтобы читатель мог проверить сведения и найти материалы.