DalšíDalší průvodce
Struktura projektu strojového učení
Technický
PRŮVODCE Základy
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
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.
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.
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.
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.
Newsletter zdarma
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
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
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.
Google popisuje shromažďování, trénování a testování jako základní posloupnost.
Nové příklady poskytují základní kontrolu nad rámec zapamatovaných tréninkových případů.
Změna jednoho faktoru najednou může odhalit, co výsledek ovlivnilo.
Datová sada ve třídě je omezená a nemůže určit výkon všude.
Kategorie objektů umožňují studentům zkoumat klasifikaci bez osobních údajů.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Struktura projektu strojového učení
Technický