Во введении объясняется, почему распознавание объектов на изображениях неба можно изучать с помощью искусственного интеллекта и какие практические трудности возникают при определении объектов. Здесь формулируются проблема, цель, задачи и ожидаемый продукт, обозначаются выбранные классы изображений и способы проверки результата. Также указываются методы работы с источниками и данными, чтобы читателю было понятно, как будет организовано исследование.

В этом разделе раскрывается понятие искусственного интеллекта применительно к распознаванию изображений и объясняется, чем классификация отличается от поиска конкретных объектов на снимке. Рассматриваются метки классов, обучающие примеры и прогноз модели. Теоретическая часть нужна, чтобы участники понимали, какие действия выполняет алгоритм и почему его ответ зависит от того, на каких данных он обучался.

Раздел описывает выбранные категории объектов, например облака, Луну, планеты, звёзды и самолёты, а также признаки, по которым они могут различаться на фотографии. Обсуждаются освещение, облачность, масштаб, резкость и фон, меняющие вид изображения. Это позволит определить границы задачи и заранее учесть случаи, когда одного снимка недостаточно для надёжного распознавания.

Здесь рассматривается, как подбирать изображения для каждого класса, проверять правильность меток и избегать повторов. Объясняется, почему обучающая и проверочная части должны содержать независимые примеры и представлять разные условия съёмки. Раздел нужен для того, чтобы полученная оценка работы модели была честной, а ограничения набора данных не скрывались за большим числом снимков.

В теоретическом пункте объясняется общий путь изображения через модель: преобразование пикселей в числовые данные, выделение характерных признаков и выбор наиболее подходящего класса. Рассматривается, почему нейронная сеть учится на примерах и может ошибаться на незнакомых изображениях. Подробное изложение математических формул не требуется, но участникам важно понимать смысл обучения, прогноза и проверки.

В практическом разделе описывается отбор снимков, разметка изображений по классам и подготовка набора данных для работы. Указываются используемый цифровой инструмент, основные настройки и способ разделения данных на обучающую и проверочную части. Последовательное описание действий позволит повторить эксперимент и понять, какие условия могли повлиять на результат распознавания.

Здесь приводится порядок проверки модели на изображениях, которые не участвовали в обучении, и фиксируются её прогнозы. Результаты удобно представить в таблице с истинным классом, ответом программы и отметкой о совпадении. Такой способ позволяет не ограничиваться отдельными удачными примерами и увидеть, насколько стабильно модель справляется с разными объектами и условиями съёмки.

В этом пункте сравниваются прогнозы модели с правильными метками, подсчитывается доля верных ответов и рассматриваются типичные ошибки. Анализ помогает определить, какие классы модель путает и какие свойства снимков могли привести к неверному прогнозу. Также обсуждаются ограничения эксперимента, влияние качества данных и возможные способы улучшить классификатор без необоснованных обещаний точности.

В заключении кратко соотносятся полученные результаты с целью и задачами проекта, описывается готовый демонстрационный продукт и сообщается, какие классы удалось распознавать надёжнее. Отдельно отмечаются обнаруженные ошибки и ограничения набора изображений или модели. Завершающий пункт формулирует, чему научил эксперимент и какие изменения можно внести в следующий раз для более тщательной проверки.

В список включаются использованные учебные и научно-популярные источники об искусственном интеллекте, машинном обучении, анализе изображений и астрономических объектах. Для каждого источника приводятся автор или организация, название, дата публикации при наличии и адрес электронной страницы, если материал найден в интернете. Отдельно указываются документация программного инструмента и условия использования изображений, чтобы обеспечить проверяемость сведений и корректное цитирование.