Cvičenie základov strojového učenia

Návod: Jednoduché rozpoznávanie obrázkov s Teachable Machine

Teachable Machine je bezplatný webový nástroj od spoločnosti Google, ktorý umožňuje trénovať jednoduché modely strojového učenia (napr. rozpoznávanie obrázkov) bez potreby programovania. Je ideálny pre rýchle študentské projekty.

🎯 Krok 1: Začnite Projekt

1. Otvorte nástroj vo svojom prehliadači: Teachable Machine
2. Kliknite na tlačidlo Začíname (Get Started).
3. Vyberte typ projektu Projekt rozpoznávania obrázkov (Image Project).
4. Zvoľte Štandardná klasifikácia obrázkov (Standard image model).

🖼️ Krok 2: Vytvorte a Naplňte Triedy (Kategórie)

Triedy sú kategórie, ktoré sa bude model učiť rozpoznávať (napr. "Jablko", "Banán").

1. Premenovanie Tried: V sekcii s triedami (Class 1, Class 2, atď.):
   • Kliknite na názov triedy (napr. Class 1) a premenujte ju na názov vášho prvého objektu (napr. Jablko).
   • Postup zopakujte pre ďalšie triedy (napr. Banán, Stôl - pre pozadie/prázdne miesto).
2. Pridanie Tréningových Dát: Pre každú triedu musíte nahrať vzorky.
   • Kliknite na tlačidlo Nahrať (Upload) pod názvom triedy.
   • Nahrajte aspoň 20-30 obrázkov pre každý objekt/triedu. Fotky by mali zachytávať objekt z rôznych uhlov a s rôznym osvetlením, aby bol model robustný.

🧠 Krok 3: Trénujte Model

Trénovanie učí model priradiť vzory k správnej triede.

1. V strednej sekcii kliknite na tlačidlo Trénovať model (Train Model).
2. Počkajte: Proces trvá od niekoľkých sekúnd do minút. Počas trénovania nezavrite okno prehliadača.
3. Po dokončení sa zobrazí správa "Model Trained!" (Model trénovaný!).

🧪 Krok 4: Testujte Model

V pravej sekcii môžete model ihneď otestovať.

1. Použite Webkamera (Webcam) alebo Súbor (File) na ukázanie nového obrázku alebo živého vstupu z kamery.
2. Sledujte výsledky: V sekcii Output sa zobrazí, ktorú triedu model rozpoznáva a s akou Istotou (Confidence).
   • Ak model rozpozná objekt s vysokou istotou (blízko 100%), trénovanie bolo úspešné.

📤 Krok 5: Exportujte Model (Voliteľné)

Ak chcete model použiť v inej webovej aplikácii (napr. vo Scratchi, P5.js alebo na vlastnej stránke):

1. Kliknite na tlačidlo Exportovať Model (Export Model).
2. Zvoľte požadovaný formát (napr. TensorFlow.js pre web).
3. Kliknite na Nahrať môj model (Upload my model) a skopírujte poskytnutý webový odkaz, ktorý môžete použiť vo svojom projekte.

---

💡 Dôležitý Tip: Nezabudnite vždy trénovať aj triedu pre prázdne pozadie (napr. "Stôl" alebo "Nič"), aby model nepriraďoval vaše objekty k náhodným záberom, keď tam nič nie je. ```

Chceli by ste k tomuto návodu pridať aj obrázky alebo odkazy na konkrétne kurzy na wiki?

Návod: ml-machine pre Micro:bit s matematickou vizualizáciou

ml-machine je nástroj vytvorený pre študentov, ktorý umožňuje trénovať jednoduché modely strojového učenia (Machine Learning) a nasadiť ich priamo na mikrokontrolér BBC micro:bit. Táto verzia na math.ml-machine.org navyše vizualizuje matematické princípy trénovania.

🎯 Krok 1: Príprava a Spustenie Projektu

1. Otvorte nástroj v prehliadači: math.ml-machine.org
2. V ľavej časti obrazovky sa nachádza sekcia Model Setup (Nastavenie modelu).
3. Input (Vstup): Vyberte typ vstupu, ktorý bude micro:bit posielať. Pre jednoduché projekty zvyčajne zvolíte:
   • Accelerometer (Akcelerometer) pre rozpoznávanie pohybu.
   • Alebo Digital/Analog Pin (Digitálny/Analógový pin) pre externé senzory.
4. Output (Výstup): Zvoľte typ výstupu, napr. LED Matrix (LED Matica) alebo Serial (Sériový výstup).
5. Classes (Triedy): Nastavte počet tried, ktoré chcete rozpoznať (napr. 2 alebo 3). Premenujte ich (napr. Mávanie, Kľud, Otočenie).

📈 Krok 2: Zber Dát (Data Collection)

Pre správne trénovanie je kľúčový kvalitný zber dát.

1. V sekcii Data Collection zvoľte, ako budete dáta zbierať (cez micro:bit alebo simulátor).
2. Ak používate micro:bit, pripojte ho k počítaču a spárujte.
3. Pre každú vytvorenú triedu:
   • Kliknite na príslušné tlačidlo triedy (napr. Mávanie).
   • Spustite akciu (napr. začnite micro:bitom mávať).
   • Zbierajte dostatočné množstvo vzoriek (ideálne 50+ pre každú triedu).

🧠 Krok 3: Trénovanie Modelu a Vizualizácia

Táto verzia ponúka vizuálny pohľad na to, ako sa model učí.

1. Prejdite do sekcie Training (Trénovanie).
2. Výber Algoritmu: Pre micro:bit sa najčastejšie používa jednoduchý algoritmus ako K-Nearest Neighbors (k-NN) alebo Support Vector Machine (SVM). Zvoľte si jeden.
3. Parametre (Pre pokročilých): Experimentujte s parametrami algoritmu (napr. hodnota K pre k-NN). Sledujte, ako zmena parametrov ovplyvňuje výsledky.
4. Štart trénovania: Kliknite na tlačidlo Train Model.
5. Matematická Vizualizácia: V pravej časti okna sledujte, ako nástroj vykresľuje trénovacie dáta a vytvára rozhodovacie hranice (Decision Boundaries) – vizuálnu reprezentáciu toho, ako model rozdeľuje triedy v dátovom priestore. To pomáha študentom pochopiť matematický základ.

🧪 Krok 4: Testovanie a Nasadenie

1. Testovanie (Test Model): Otestujte model s novými, neznámymi dátami priamo z micro:bitu. Ak sú výsledky presné (vysoká predikcia), model je pripravený.
2. Nasadenie na micro:bit (Export): Prejdite do sekcie Export.
   • Vyberte možnosť Download .hex file (Stiahnuť .hex súbor).
   • Nástroj vygeneruje a stiahne súbor s natrénovaným modelom.
   • Tento HEX súbor presuňte priamo na disk micro:bitu (presne tak, ako by ste nahrávali kód z MakeCode).
   • Model je teraz natrvalo v micro:bite a dokáže vykonávať predikcie autonómne.

---

⚡️ Pre Pokročilých Študentov: Skúste porovnať presnosť a rozhodovacie hranice pri použití rôznych algoritmov (napr. k-NN vs. SVM) a rôzneho nastavenia parametrov. Tým pochopíte, prečo je výber algoritmu kľúčový.