Praktikum 5: Masinõpe brauseris — Teachable Machine¶
Selles praktikumis treenid oma esimese masinõppe mudeli. Teachable Machine on Google'i tasuta tööriist, mis laseb visuaalselt näha, kuidas mudel õpib — ilma ühegi koodirea kirjutamiseta.
Eesmärgid
Selle praktikumi lõpuks:
- Oled treeninud oma pildituvastuse mudeli
- Tead, kuidas treeningandmed mõjutavad mudeli kvaliteeti
- Mõistad, mis on ülesobitus (overfitting) ja andmete kallutatus (bias)
Vajalik
- Teachable Machine: teachablemachine.withgoogle.com
- Veebikaamera (sülearvuti kaamera sobib)
Osa 1: Treeni oma esimene mudel¶
Samm 1: Ava Teachable Machine¶
Mine teachablemachine.withgoogle.com ja vali Image Project → Standard image model.
Samm 2: Loo klassid¶
Näed ekraanil kahte klassi. Nimeta need ümber:
- Class 1: "Pöial üles"
- Class 2: "Pöial alla"
Lisa kolmas klass (Add a class):
- Class 3: "Tühi" (taust ilma käeta)
Samm 3: Kogu treeningandmeid¶
Iga klassi juures vajuta Webcam ja hoia nuppu all:
| Klass | Mida näidata | Pilte vähemalt |
|---|---|---|
| Pöial üles | Pöial üles, liiguta kätt eri nurkadesse | 50 |
| Pöial alla | Pöial alla, eri nurgad ja kaugused | 50 |
| Tühi | Ainult taust, ilma käeta | 30 |
Miks mitu nurka?
Mida rohkem variatsioone treeningandmetes, seda paremini mudel üldistab. Kui treenid ainult ühest nurgast, ei tunne mudel teist nurka ära.
Samm 4: Treeni¶
Vajuta Train Model. Treenimine võtab 10-30 sekundit.
Samm 5: Testi¶
Paremal on Preview aken. Näita kaamerale erinevaid liigutusi ja jälgi:
- Kas mudel tunneb õigesti ära?
- Milline on usaldusskoor (confidence) iga klassi juures?
- Millal mudel eksib?
Osa 2: Paranda mudelit¶
Ülesanne 1: Leia vead¶
Proovi leida olukordi, kus mudel eksib. Testi:
- Teine käsi (vasak vs parem)
- Teine kaugus kaamerast
- Teine taustavalgus
- Klassikaaslase käsi
Täida tabel:
| Mida näitasin | Mida mudel arvas | Usaldusskoor | Miks eksis? |
|---|---|---|---|
Ülesanne 2: Lisa andmeid ja treeni uuesti¶
Lisa treeningandmeid nendele klassidele, kus mudel eksib. Treeni uuesti.
- Kas täpsus paranes?
- Kas mõni teine klass muutus halvemaks?
See on masinõppe põhitsükkel: treeni → testi → paranda → korda.
Ülesanne 3: Lisa neljas klass¶
Lisa uus klass, näiteks "Rusikas" või "Avatud peopesa". Kogu andmed ja treeni uuesti.
- Kas mudel suudab nelja klassi eristada?
- Milline klass segab kõige rohkem?
Osa 3: Katseta andmete mõju¶
Ülesanne 4: Vähe vs palju andmeid¶
Loo uus Image Project. Tee sama katse, aga seekord:
- Üks klass: 10 pilti
- Teine klass: 100 pilti
Treeni ja testi:
| Klass | Treeningpilte | Täpsus (hinnanguline) |
|---|---|---|
| Vähe andmeid (10) | 10 | |
| Palju andmeid (100) | 100 |
Mida see näitab andmete hulga mõju kohta?
Ülesanne 5: Tausta mõju¶
Treeni mudel ühes kohas (nt klassiruumis). Seejärel testi seda teises kohas (koridoris, kodus, väljas).
- Kas täpsus muutub?
- Mida see tähendab?
Oluline avastus
Kui mudeli täpsus langeb uues kohas, tähendab see, et mudel õppis ära tausta, mitte sinu käeliigutuse. See on päris masinõppes väga levinud probleem.
Osa 4: Seosta teooriaga¶
Ülesanne 6: Mõtesta oma kogemust¶
Vasta oma katsetuste põhjal:
Treeningandmed:
- Miks on rohkem andmeid parem?
- Mis juhtub, kui ühe klassi andmeid on teistest palju vähem?
Ülesobitus (overfitting):
- Kas sinu mudel töötas ainult sinu käega hästi, aga klassikaaslase käega halvasti?
- Miks see juhtub ja kuidas seda vältida?
Kallutatus (bias):
- Kui treenisid mudelit ainult enda käega — kas see on kallutatuse näide?
- Too üks näide, kuidas andmete kallutatus võib päriselus probleeme tekitada (nt näotuvastus, laenuhindamine)
Osa 5: Dokumenteeri oma projekt¶
Täida oma katse kohta projekti kokkuvõte:
| Väli | Sinu vastus |
|---|---|
| Klassid | |
| Treeningnäiteid kokku | |
| Treenimisaeg | |
| Täpsus (hinnanguline %) | |
| Suurim probleem | |
| Kuidas lahendasid | |
| Mis üllatas |
Päriselus
Teachable Machine on lihtne demo. Päris masinõppe mudelid vajavad tuhandeid-miljoneid näiteid, võimsamaid GPU-sid ja nädalaid treenimist. Aga põhimõte on täpselt sama — andmed sisse, mustrid välja.
Kokkuvõte¶
Selles praktikumis sa:
- Treenisid oma esimese pildituvastuse mudeli
- Kogesid masinõppe iteratiivset protsessi: treeni → testi → paranda
- Nägid, kuidas andmete hulk ja kvaliteet mõjutavad tulemust
- Avastasid tausta mõju probleemi
- Seostasid praktilise kogemuse teooriaga (bias, overfitting)