В этом пункте объясняется, почему автоматическая классификация данных стала распространённой задачей и какую практическую ситуацию иллюстрирует проект. Здесь формулируются проблема, цель, задачи и предполагаемый результат, обозначаются объект и предмет изучения, а также указываются выбранный набор данных и границы исследования.

Раздел знакомит с машинным обучением как способом находить закономерности в примерах и применять их к новым данным. Здесь раскрываются понятия алгоритма, модели, признака, объекта, класса и разметки, а также объясняется различие между обучением с учителем и другими подходами на доступных школьнику примерах.

В теоретической части описывается классификация как предсказание категориальной метки по известным признакам. Рассматриваются примеры применения, в том числе распознавание видов растений и фильтрация сообщений, а также кратко сравниваются алгоритмы, подходящие для учебного эксперимента, например дерево решений и метод ближайших соседей.

В этом пункте рассматривается, какие сведения содержит выбранный набор, как устроены строки, признаки и целевые метки. Объясняется проверка пропусков и типов данных, необходимость корректного разделения примеров на обучающую и тестовую части и риск утечки информации, которая может сделать оценку качества недостоверной.

Раздел посвящён способам определить, насколько надёжно классификатор предсказывает классы. Описываются доля правильных ответов и матрица ошибок, объясняется, почему одной метрики иногда недостаточно и как соотнести результаты проверки с составом набора данных, количеством примеров каждого класса и возможными последствиями ошибки.

В практической части указывается источник и состав данных, обосновывается выбор задачи и описываются признаки, по которым программа будет различать классы. Затем задаются правила предварительной обработки и разделения выборки, чтобы эксперимент можно было повторить, а тестовые примеры не использовались при настройке модели.

Здесь описывается реализация программы на Python: загрузка и проверка таблицы, выделение признаков и меток, создание модели и её обучение. Указываются выбранный алгоритм и основные настройки; отдельно поясняется, какие действия выполняют используемые библиотеки и как сохранить последовательность шагов для повторного запуска эксперимента.

В этом пункте модель проверяется на отложенной выборке, вычисляются выбранные метрики и приводятся примеры верных и ошибочных предсказаний. Анализ помогает определить, какие классы распознаются лучше, обсудить возможные причины ошибок и обозначить ограничения результата, не распространяя его на ситуации, которые эксперимент не проверял.

В заключении сопоставляются выполненные задачи и полученные результаты, кратко описывается готовый прототип и приводятся значения выбранных метрик. Отдельно указывается, удалось ли достичь поставленной цели, какие ограничения обнаружены при проверке и что можно улучшить в дальнейшем, например расширить набор данных или сравнить несколько алгоритмов.

В списке приводятся использованные учебные и справочные материалы, документация Python и библиотек, а также источник выбранного набора данных. Для каждого электронного ресурса следует указать название и адрес, а при необходимости дату обращения; оформление должно позволять проверить происхождение сведений и повторить описанный эксперимент.