PRŮVODCE Základy

Projekty učebny s učitelnými stroji

Google’s Teachable Machine allows learners to create image, sound or pose classifiers by gathering examples, training a model and testing new inputs.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce3 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost projektů Teachable Machine ve třídě
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Projektové práce ve třídě fungují nejlépe, když studenti navrhují vyvážené kategorie, poznají selhávající případy a považují nástroj za zjednodušené úvodní cvičení spíše než kompletní kurz strojového učení.

Hluboký ponor

Teachable Machine is a browser-based Google tool for creating simple machine-learning models without writing code. Its current site describes image, sound and pose projects and a three-part workflow: gather examples, train a model and test new inputs. Students can see how labeled examples affect classification, then export a model for other projects. This is a hands-on introduction, not a full course on how modern AI systems are trained or deployed. Choose a classroom question with visible, safe examples. An image project might sort recyclable materials; an audio project could distinguish a clap from a snap; a pose project might recognize a few static positions. Define categories before collecting data and make them distinguishable. Gather varied examples for every class, train the model and test it on examples that were not used during training. Record errors instead of hiding them, then change one part of the dataset and compare results. Students should investigate why a model fails. Lighting, background, microphone distance, room noise, camera angle or unbalanced examples may affect results. A small classroom set cannot prove the model will work for all people or settings. Ask what data is missing and whether a mistake could exclude or mislabel someone. Avoid face or voice data unless the school has approved its use and appropriate consent; nonpersonal objects make safer starting projects. Google states that Teachable Machine can be used entirely on-device, but users may choose to save projects or export them in different ways. Do not assume every workflow has identical data handling. Review the current tool guidance, school policies and account settings before class. Keep the activity focused on problem formulation, data choices, testing and reflection—not on claiming the classifier understands its categories like a person.

Real-World Implementace

Trénujte model na rozpoznání papíru, kartonu a kovových předmětů a poté testujte položky fotografované za různých světelných podmínek.

Porovnejte třídy zvuků, jako je poklepání, švih a ticho, a diskutujte o hluku v místnosti, který by mohl zmást model.

Vytvořte klasifikátor pozic pro tři statické polohy paže a otestujte ho na různých vzdálenostech od kamery.

Změňte příklady jedné kategorie a sledujte, zda jsou nové obrázky klasifikovány jinak.

Budoucnost projektů Teachable Machine ve třídě

Nástroje bez kódu mohou přidat více možností pro testování modelů a jejich propojení s projekty studentů. Učitelé stále musí vysvětlit omezení malých datových sad, třídních štítků a výsledků testů. Silný projekt studentům neklade jen otázku, zda model funguje, ale i na koho funguje, jak to vědí a jaký by byl odpovědný další krok. Projekty mohou později propojit klasifikaci s přístupností, robotikou nebo monitorováním životního prostředí, ale atraktivní demo není důkazem připravenosti na reálné použití. Studenti by měli identifikovat osoby ovlivněné chybami, data potřebná pro širší test a dospělou kontrolu nutnou před nasazením.

Uvedení do praxe

Proč na tom záleží

  • Jasnější rozhodnutí. Pomůže vám oddělit jasná technická tvrzení od marketingového jazyka.
  • Cena a rozpočet. Než utratíte peníze nebo čas, můžete se zeptat na lepší implementační otázky.
  • Tým a pracovní postup. Týmy se sdíleným porozuměním dělají lepší rozhodnutí o produktech, zásadách a učení.

Pozor na

  • Různé týmy mohou používat stejný termín odlišně, proto definujte rozsah včas.
  • Srovnávací testy mohou vypadat dobře, zatímco výkon v reálném světě je nerovnoměrný.
  • Ignorování kvality dat a plánů hodnocení často vytváří křehké výsledky.

Další kroky

  1. Začněte s jasnou definicí výsledku, který potřebujete.
  2. Před testováním vyberte jednu metriku úspěchu a jednu podmínku selhání.
  3. Spusťte malý pilotní projekt s reprezentativními údaji, nikoli leštěnou ukázkovou sadu.
  4. Dokument, kde Teachable Machine Classroom Projects pomáhá a kde jsou jednodušší metody lepší.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Vyplňte kvíz Teachable Machine Classroom Projects

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je Teachable Machine Classroom Projects?

Teachable Machine od Google umožňuje studentům vytvářet klasifikátory obrázků, zvuku nebo pozic shromažďováním příkladů, trénováním modelu a testováním nových vstupů. Projektové úlohy ve třídě fungují nejlépe, když studenti navrhnou vyvážené kategorie, zaznamenají selhávající případy a používají nástroj jako zjednodušený úvod místo kompletního kurzu strojového učení.

Která posloupnost odpovídá základnímu pracovnímu postupu Teachable Machine?

Google popisuje shromažďování, trénování a testování jako základní posloupnost.

Proč by měli studenti testovat příklady, které nebyly použity při tréninku?

Nové příklady poskytují základní kontrolu nad rámec zapamatovaných tréninkových případů.

Která změna může pomoci prozkoumat selhání modelu?

Změna jednoho faktoru najednou může odhalit, co výsledek ovlivnilo.

Co může malý datový soubor ve třídě dokázat?

Datová sada ve třídě je omezená a nemůže určit výkon všude.

Který projekt je vhodným nízkorizikovým výchozím bodem?

Kategorie objektů umožňují studentům zkoumat klasifikaci bez osobních údajů.