Во введении объясняется, почему компьютерам поручают поиск закономерностей в данных и чем эта задача отличается от обычного программирования с заранее заданными правилами. Здесь формулируются проблема, цель и задачи проекта, указываются объект и предмет исследования, а также кратко описывается практический эксперимент, который будет проведён.

В этом разделе раскрывается смысл обучения без учителя и объясняется, какие данные получает алгоритм. Рассматриваются понятия примера, признака и структуры выборки, а также отличие от обучения с учителем, где каждому примеру заранее сопоставлена правильная метка. Раздел создаёт теоретическую основу для понимания дальнейшего эксперимента.

Раздел описывает, из каких элементов состоит искусственная нейронная сеть и как данные проходят через её слои. Отдельно объясняется роль признаков и внутренних представлений: сеть может преобразовывать исходные данные так, чтобы обнаружить в них сходства. Материал помогает понять, почему качество входных данных влияет на результат обучения.

Здесь рассматривается кластеризация как способ объединения похожих объектов, а также приводятся примеры других задач: уменьшение размерности и поиск аномалий. Кратко объясняются различия между k-средних и методами, основанными на плотности. В разделе отмечается, что алгоритм не присваивает группам смысловые названия автоматически.

В теоретической части раздела приводятся примеры использования обучения без учителя для анализа изображений, сегментации пользователей и поиска необычных наблюдений. Обсуждаются ограничения: зависимость результата от признаков и параметров, риск неверной интерпретации групп и необходимость проверять выводы на исходных данных.

В практической части описывается выбор небольшого набора данных, объектов для анализа и числовых признаков, по которым можно сравнивать примеры. Указываются правила очистки и масштабирования данных, выбранная программная среда и обоснование метода кластеризации. Это позволит повторить эксперимент и понять, какие решения повлияли на его результат.

Раздел содержит последовательность действий при запуске алгоритма: загрузку и проверку данных, настройку параметров, обучение модели и сохранение результата. Следует указать используемые признаки и условия эксперимента, чтобы сравнение было корректным. При возможности результат отображается на графике или в таблице для наглядного анализа групп.

Здесь изучаются полученные кластеры и их характеристики: какие признаки объединяют объекты, есть ли отдельные наблюдения и насколько устойчиво разделение. Результат сопоставляется с исходными данными, а не объявляется правильным только потому, что алгоритм его построил. Также отмечаются ограничения эксперимента и возможные улучшения.

В заключении кратко подводятся итоги изучения обучения нейронных сетей без учителя и практического опыта кластеризации. Указывается, удалось ли выполнить поставленные задачи, какие закономерности обнаружены и что могло повлиять на результат. Отдельно формулируются ограничения модели и идеи для дальнейшего исследования на других данных.

В этом разделе перечисляются учебники, научно-популярные материалы, документация программных библиотек и источники данных, использованные при подготовке проекта. Для интернет-ресурсов указываются название страницы, организация или автор и дата обращения. Список оформляется единообразно, чтобы читатель мог проверить сведения и повторить эксперимент.