Învață din exemple
În loc să scrii toate regulile pentru urechi, blană și bot, oferi fotografii etichetate. Algoritmul ajustează un model pentru a diferenția categoriile.
PRIMUL TĂU MODEL DE INTELIGENȚĂ ARTIFICIALĂ
Îl poți învăța
să le deosebească?
Antrenează un model cu fotografii de câini și pisici. Apoi află cum se descurcă în fața unor imagini pe care nu le-a mai văzut.
2 clase de imagini
60+ fotografii de antrenare
20 imagini pentru evaluare
La final vei avea: un model creat de tine, rezultate pentru 20 de fotografii și o explicație a greșelilor. Nu trebuie să scrii cod.
02 / MINI-SUPORT TEORETIC
AI în cuvinte simple
Inteligența artificială (IA sau AI) cuprinde sisteme care pot realiza sarcini precum recunoașterea imaginilor, înțelegerea limbajului și formularea unor predicții. Rezultatele lor trebuie verificate.
Alege o categorie
Modelul nostru atribuie unei fotografii eticheta „Câini” sau „Pisici”. Nu creează fotografii și nu poartă conversații.
Creează conținut
Alte sisteme produc texte, imagini sau sunete. Pot inventa informații plauzibile, dar false: aceste răspunsuri sunt numite halucinații.
Date, eșantion, clasă și etichetă
Datele sunt fotografiile. Un eșantion este o fotografie. O clasă este o categorie, de exemplu „Pisici”. Eticheta precizează categoria corectă a unui exemplu. O pisică pusă la „Câini” este un exemplu etichetat greșit.
Model, antrenare și predicție
Modelul este sistemul care a învățat tipare din exemple. Antrenarea ajustează modelul pe baza fotografiilor etichetate. Predicția este răspunsul pentru o fotografie. Teachable Machine folosește transfer de învățare: pornește de la un model care a învățat deja caracteristici vizuale și adaptează clasificarea la clasele tale.
Antrenare, validare și test final
Antrenare: fotografii din care modelul învață. Validare: alte fotografii, folosite de tine ca să observi probleme și să îmbunătățești modelul. Test final: fotografii separate, folosite după ce oprești modificările. Dacă pui testul în antrenare, rezultatul nu mai măsoară corect recunoașterea unor imagini noi.
Scor de încredere și acuratețe
Scorul de încredere exprimă cât de mult favorizează modelul o clasă pentru o imagine. Un scor de 95% nu garantează un răspuns corect. Acuratețea pe test = numărul răspunsurilor corecte / numărul imaginilor testate × 100. Este performanța pe acest set, nu pe toate fotografiile posibile.
Bias, generalizare și supraînvățare
Biasul poate apărea din exemple nereprezentative: toți câinii pe iarbă, toate pisicile pe canapea. Modelul poate folosi fundalul în locul animalului. Generalizarea înseamnă recunoașterea unor exemple noi. Supraînvățarea apare când modelul se potrivește prea mult cu antrenarea și se descurcă slab pe imagini noi.
Epochs, batch size și learning rate
În zona Advanced, epochs reprezintă numărul trecerilor prin datele de antrenare, batch size numărul exemplelor procesate într-un lot, iar learning rate mărimea pașilor de ajustare. Pentru prima încercare păstrează valorile implicite. Mai multe epoci nu înseamnă automat un model mai bun.
Algoritm, probabilitate și deepfake
Un algoritm este o succesiune de pași pentru rezolvarea unei sarcini. AI folosește calcule și metode statistice, nu sentimente. Un deepfake este conținut manipulat sau generat care imită credibil o persoană. Nu crea materiale care induc în eroare și nu încărca fotografii ale colegilor fără acord.
De ce 90% nu înseamnă „sigur”?
Simulare explicativă cu două clase. Nu este predicția unui model real.
Verifică ce ai înțeles
DEMONSTRAȚIA PROFESORULUI / ÎNAINTE DE LUCRUL INDIVIDUAL
Mai întâi împreună: mere sau banane?
Proiectează această secțiune și construiește modelul FruitDetect în fața clasei. Elevii urmăresc cum separi datele, antrenezi modelul și verifici răspunsurile. După demonstrație, fiecare construiește un proiect nou pentru Câini / Pisici.
Antrenare
20 mere + 20 banane. Le încarci în clasele modelului.
Descarcă antrenareaValidare
5 mere + 5 banane. Le încarci pe rând în Preview, fără să le adaugi la antrenare.
Descarcă validareaTest final
5 mere + 5 banane. Verifici modelul final pe 10 fotografii noi.
Descarcă testulDe arătat elevilor: cele trei arhive au fotografii diferite și roluri diferite. Doar prima intră în antrenare. Acesta este un set mic pentru demonstrație; rezultatul nu garantează recunoașterea tuturor fructelor. Nu folosi fotografiile testului ca să „repari” modelul înainte de măsurarea finală.
1. Descarcă și dezarhivează cele trei arhive
- Pe calculator creează un folder numit Demonstratie_AI.
- Apasă cele trei butoane de descărcare de mai sus. Fișierele ajung, de obicei, în folderul Downloads / Descărcări.
- În Windows, click dreapta pe prima arhivă ZIP → Extract All / Extrage tot → alege folderul Demonstratie_AI → Extract / Extragere. Repetă pentru celelalte două.
- În interior vei avea folderele 01_Antrenare, 02_Validare și 03_Test, fiecare cu subfoldere Mere și Banane. Intră în ele și arată fotografiile.
Spune clasei: „Arhiva este doar un ambalaj. În Teachable Machine voi încărca fotografiile JPG extrase, nu fișierul ZIP și nu documentele de instrucțiuni.”
2. Deschide un proiect pentru imagini
- Deschide Teachable Machine într-o filă separată.
- Alege Image Project.
- Alege Standard image model. Nu alege Audio Project, Pose Project sau Embedded image model.
- Arată cele trei zone: clase și exemple în stânga, Training la mijloc și Preview în dreapta.
Interfața poate avea mici diferențe de formulare. Dacă revii dintr-un proiect anterior, salvează-l înainte să creezi unul nou.
3. Denumește clasele „Mere” și „Banane”
- Apasă pe numele Class 1 sau pe simbolul creionului. Scrie Mere.
- La Class 2 scrie Banane.
- Lasă exact două clase. Denumirile acestea sunt folosite și de evaluatorul demonstrației.
Spune clasei: „Eu stabilesc categoriile și etichetez exemplele. Modelul nu inventează singur numele claselor.”
4. Încarcă cele 20 de fotografii cu mere
- În clasa Mere, apasă Upload și apoi opțiunea de alegere a fișierelor, dacă apare.
- Navighează la Demonstratie_AI → 01_Antrenare → Mere. Dacă Windows a creat un folder intermediar cu numele arhivei, intră și în acel folder.
- Selectează fotografiile JPG. În folderul cu fotografii poți apăsa Ctrl + A.
- Apasă Open / Deschide. Așteaptă apariția miniaturilor.
- Verifică mesajul cu numărul exemplelor: trebuie să fie 20 în clasa Mere.
5. Încarcă cele 20 de fotografii cu banane
- În clasa Banane, apasă Upload.
- Deschide 01_Antrenare → Banane, selectează cele 20 de JPG-uri și apasă Open / Deschide.
- Verifică să ai 20 exemple la Mere și 20 la Banane. Nu încărca niciun fișier din 02_Validare sau 03_Test.
Întreabă elevii: „Ce s-ar întâmpla dacă aș pune o banană în clasa Mere?”
6. Antrenează modelul
- În zona centrală apasă Train Model.
- La prima demonstrație păstrează valorile implicite din Advanced.
- Nu închide fila și nu porni altă antrenare până se termină.
- Așteaptă mesajul Model Trained și activarea previzualizării.
Spune clasei: „Modelul ajustează clasificarea folosind exemplele. Train Model pornește procesul; Model Trained anunță că s-a terminat.”
7. Verifică pe cele 10 fotografii de validare
- În Preview, selectează sursa imaginii File în loc de Webcam. Aceasta este testare, nu Upload în clase.
- Încarcă o fotografie din 02_Validare → Mere. Citește scorurile pentru Mere și Banane.
- Categoria cu scorul mai mare este predicția. Verifică dacă ea corespunde fotografiei.
- Repetă pentru cele 5 mere și cele 5 banane. Notează numărul răspunsurilor corecte și exemplele confundate.
- Dacă dorești să îmbunătățești modelul, adaugă alte fotografii în antrenare, apoi apasă din nou Train Model. Nu muta validarea în clase și nu folosi testul final pentru aceste ajustări.
Întreabă elevii: „Scorul de 99% înseamnă că răspunsul este garantat corect?”
8. Salvează proiectul ca să îl poți relua
- Deschide meniul proiectului din colțul stânga sus.
- Alege Download project as file (descărcarea proiectului).
- Salvează fișierul descărcat în Demonstratie_AI → FruitDetect_proiect. Poți redenumi fișierul, păstrând extensia.
- Pentru reluare, deschide meniul Teachable Machine și alege Open project from file, apoi selectează fișierul proiectului.
Important: proiectul păstrează exemplele și configurația pentru lucru ulterior. Exportul modelului de la pasul 10 servește la rularea predicțiilor. Păstrează ambele.
9. Generează linkul real al modelului
- După antrenare apasă Export Model, în partea dreaptă.
- În fereastra de export selectează fila TensorFlow.js.
- Selectează Upload (shareable link).
- Apasă efectiv butonul Upload my model. Selectarea cerculețului Upload, singură, nu produce un link.
- Așteaptă finalizarea încărcării. La Your shareable link trebuie să apară o adresă cu un identificator real, de exemplu forma
https://teachablemachine.withgoogle.com/models/ID_REAL/. - Folosește Copy pentru link, dacă apare lângă el, sau selectează doar adresa și apasă Ctrl + C. Nu copia codul JavaScript de sub link.
- Lipește adresa în câmpul demonstrației de mai jos și apasă Testează fructele prin link.
Nu copia o adresă cu […]: aceasta este un substituent, nu un link real. Dacă butonul de încărcare este inactiv sau operația eșuează, verifică finalizarea antrenării și Preview. Salvează proiectul înainte să reîncarci pagina. Poți folosi imediat varianta Download de la pasul următor.
După reantrenare, repetă exportul: în funcție de proiect poate apărea Update my cloud model sau Upload my model. Așteaptă confirmarea actualizării și copiază adresa afișată. Nu presupune că linkul vechi rulează automat versiunea nouă.
10. Descarcă modelul pentru testare fără link
- Deschide Export Model → TensorFlow.js.
- De această dată selectează Download, nu Upload.
- Apasă Download my model și salvează arhiva ZIP.
- Creează folderul Demonstratie_AI → FruitDetect_model. Extrage acolo ZIP-ul: click dreapta → Extract All / Extrage tot.
- În folder trebuie să găsești model.json, weights.bin (sau model.weights.bin) și metadata.json. Nu le redenumi.
- În demonstrația de mai jos, apasă câmpul „Fișierele modelului de fructe” și selectează toate cele trei fișiere împreună. Poți ține apăsat Ctrl în timp ce le selectezi.
- Apasă Testează fructele din fișiere. Nu ai nevoie de link și nu selectezi arhiva ZIP sau fișierul proiectului.
Ce conțin: model.json descrie structura modelului, weights.bin păstrează valorile învățate, metadata.json păstrează etichetele și informații despre model. Lucrează împreună.
Pentru această activitate folosim TensorFlow.js. Filele TensorFlow și TensorFlow Lite exportă pentru alte medii; nu sunt formatele cerute de evaluatorul acestui site.
11. Fă demonstrația testului final
- După finalizarea modelului, deschide fotografiile din 03_Test.
- Poți încărca pe rând cele 10 imagini în Preview → File sau poți folosi testarea automată de mai jos.
- Arată o predicție corectă și, dacă apare, una greșită. Citește scorul și compară-l cu imaginea.
- Numără recunoașterile corecte. Acuratețea = corecte / 10 × 100.
- Explică faptul că la elevi setul Câini / Pisici are 20 de fotografii și baremul aferent. Demonstrația profesorului nu produce o notă pentru elev.
Dacă reantrenezi după ce ai studiat testul final, următoarea încercare este un exercițiu de îmbunătățire, nu un nou test independent.
12. Pornește activitatea independentă „Câini / Pisici”
- Salvează proiectul și exportul FruitDetect înainte să creezi alt proiect.
- Elevii creează New Project → Image Project → Standard image model.
- Denumesc cele două clase Câini și Pisici; urmează fișa de mai jos.
- Fiecare păstrează proiectul său și propriul model. Exporturile se salvează într-un folder separat, de exemplu PetDetect_model.
- În evaluatorul de fructe intră doar modelul Mere / Banane; în evaluatorul elevilor intră doar modelul Câini / Pisici.
Nu amesteca modelele: fiecare proiect are propriul link și propriile fișiere model.json, weights.bin, metadata.json. Nu combina model.json de la fructe cu weights.bin de la animale. După fiecare reantrenare descarcă din nou modelul și înlocuiește împreună cele trei fișiere din folderul potrivit.
Ce salvez și la ce îmi folosește?
| Rezultat | Cum îl obțin | La ce servește |
|---|---|---|
| Proiectul Teachable Machine | Meniul proiectului → Download project as file | Reiau lucrul cu exemplele și configurația; îl deschid cu Open project from file. |
| Linkul modelului | Export Model → TensorFlow.js → Upload → Upload my model | Rulez predicții cu modelul încărcat; adresa cu […] nu este un link generat. |
| Modelul pentru calculator | Export Model → TensorFlow.js → Download → Download my model | Extragem ZIP-ul și folosim împreună model.json, weights.bin, metadata.json pentru evaluare. |
Păstrează separat FruitDetect și PetDetect. Pentru fiecare salvezi propriul proiect și propriul export. Dacă alegi și link, și Download, obții două modalități de folosire a aceluiași model antrenat.
Testează modelul profesorului: Mere / Banane
Acest evaluator folosește doar cele 10 fotografii din arhiva 03_Test. Antrenează modelul în Teachable Machine; aici verifici rezultatele. Nu este inclus un model deja antrenat.
Cele 10 fotografii sunt incluse în pagină. Lipește linkul → apasă „Testează fructele prin link” → așteaptă rezultatele de mai jos. Alternativ, încarcă modelul descărcat.
Imagini testate0 / 10
Recunoscute corect—
Acuratețe—
Tip activitateDemonstrație
Fotografii Pexels; sursele și licența sunt trecute în fiecare arhivă. Seturile nu conțin fișiere identice între antrenare, validare și test. Modelul descărcat este procesat în browser. Rezultatele se pierd la reîncărcarea paginii.
Ce vei putea face la final?
- Să explici cum învață un model din exemple etichetate.
- Să separi imaginile de antrenare, validare și test.
- Să antrenezi, să salvezi și să testezi un model cu două clase.
- Să explici o greșeală și să propui date mai potrivite.
Traseul pentru o oră de 50 de minute
5 min: ideea de AI și cele trei seturi. 10 min: profesorul demonstrează Mere / Banane. 20 min: elevii construiesc Câini / Pisici cu imagini pregătite. 10 min: validare și testare. 5 min: concluzii. Dacă descărcarea, antrenarea sau exportul durează, continuați evaluarea în ora următoare; nu grăbiți analiza.
Înainte de oră: pregătiți arhivele, verificați un model și accesul la Teachable Machine. Dacă elevii caută fotografii în timpul orei, folosiți planul de două ore de la final.
Dacă internetul sau antrenarea nu funcționează
Profesorul poate arăta un model TensorFlow.js descărcat anterior în evaluator. Elevii pot organiza fotografiile disponibile în foldere, identifica duplicate și discuta posibile erori. Modelul nou se antrenează când accesul revine. Nu se acordă zero puncte pentru o defecțiune tehnică; testul se reprogramează.
De reținut: modelul învață tipare, nu înțelege ca un om. Încrederea într-o predicție nu este acuratețea pe întregul test. Nu folosi imagini de test sau copii decupate ale lor la antrenare.
04 / FIȘĂ DE APLICAȚIE
Misiunea: antrenează „PetDetect”
Lucrează individual sau în perechi pentru explorare. Pentru notare, fiecare elev predă propriul model și raport. Tema comună evaluată este Câini / Pisici. Temele alternative sunt pentru extindere.
0 din 8 etape bifate
Regula celor trei seturi: minimum 30 câini + 30 pisici pentru antrenare; 5 câini + 5 pisici noi pentru validare; cele 20 de imagini T01–T20 exclusiv pentru testul final. Nu folosi variante decupate ale aceleiași fotografii în seturi diferite.
Dacă ceva nu funcționează
Linkul modelului nu se generează
Adresa care se termină în /models/[…] este un exemplu afișat înainte de încărcare, nu un link utilizabil.
- Închide fereastra Export și verifică dacă antrenarea s-a încheiat și Preview afișează predicții.
- Deschide Export Model → TensorFlow.js → Upload (shareable link).
- Apasă efectiv Upload my model și așteaptă finalizarea. Doar selectarea opțiunii Upload nu creează adresa.
- Copiază adresa reală, care are un identificator în loc de […].
Dacă butonul este inactiv sau încărcarea eșuează, captura nu permite stabilirea cauzei. Salvează proiectul înainte de orice reîncărcare și reîncearcă exportul după verificarea antrenării. Poți continua imediat cu Download, apoi cu „Testează din fișiere” în secțiunea de evaluare.
Nu găsesc Upload / File / Train Model
La început alege Image Project → Standard image model. Upload se află în fiecare clasă, Train Model în zona de antrenare, iar File se selectează în Preview din meniul pentru sursa imaginii. Denumirile pot varia ușor cu limba interfeței. „Model Trained” este mesajul de finalizare, nu butonul cu care începi.
Modelul greșește sau fereastra pare blocată
Verifică etichetele, elimină duplicatele și fotografiile cu ambele animale. Adaugă varietate: rase, poziții, lumină și fundaluri diferite. Folosește fotografii JPG/PNG de dimensiuni rezonabile și lasă fila deschisă până se încheie antrenarea. Salvează proiectul înainte de reîncărcarea paginii.
Un cal este clasificat drept câine
Cu numai două clase, modelul alege între „Câini” și „Pisici”, chiar dacă imaginea nu aparține niciuneia. Testează separat un cal, o bicicletă și un peisaj. Aceste încercări nu intră în nota de bază. O clasă „Altele” este o provocare separată și necesită multe exemple variate; nu rezolvă complet toate situațiile necunoscute.
05 / BIBLIOTECA DE SURSE
Alege fotografii care îl ajută să învețe
Linkuri verificate la 7 octombrie 2026. Alege fotografii reale, cu un singur animal, fără colaje, desene sau text. Folosește surse diferite și păstrează o listă cu paginile fotografiilor.
Cum descarci: deschide sursa → selectează o fotografie → folosește Download / Free download → salvează JPG în folderul categoriei. Evită reclamele și fotografiile premium. Dacă se deschide fotografia, click dreapta → „Salvează imaginea ca…”. Pe Wikimedia verifică licența fiecărui fișier și păstrează autorul + licența. Pentru Pexels, Pixabay și Unsplash citește condițiile proprii.
Checklist pentru date bune
- Numere apropiate de fotografii în cele două clase.
- Animale de culori și rase diferite, fotografiate din unghiuri variate.
- Fundaluri de interior și exterior în ambele clase.
- Fără duplicate și fără fotografiile T01–T20 în antrenare.
- Fără fețe, nume sau alte date personale ale colegilor.
Resursă suplimentară pentru profesor: Oxford-IIIT Pet Dataset. Este o colecție mare, nu o descărcare simplă pentru prima lecție; verificați condițiile de utilizare.
06 / EVALUARE
20 de fotografii. Același test pentru toți.
Finalizează modelul înainte de a testa. Pentru fiecare fotografie contează categoria cu scorul cel mai mare, fără prag minim de încredere. O egalitate este considerată nerecunoscută. O eroare de încărcare nu este răspuns greșit: se remediază și se reia testul.
Barem: 10 puncte în total.
- 2 p: date diverse și separate corect (1 p organizare/separare, 1 p varietate și surse).
- 2 p: model realizat și salvat (1 p clase și antrenare, 1 p proiect și export utilizabil).
- 3 p: test comun — 3 × imagini corecte / 20.
- 2 p: analiză (1 p explicație plauzibilă, 1 p îmbunătățire concretă).
- 1 p din oficiu.
Profesorul poate acorda punctaj parțial. Acuratețea = 100 × corecte / 20. Celelalte criterii se verifică pe proiect și raport; nu sunt evaluate automat. Dacă toate imaginile sunt corecte, explică o limită posibilă.
Nu se generează linkul? Testează modelul descărcat
- În Teachable Machine: Export Model → TensorFlow.js → Download → Download my model.
- Dezarhivează fișierul ZIP pe calculator. Nu este același fișier ca proiectul salvat.
- Apasă mai jos și selectează împreună model.json, weights.bin (sau model.weights.bin) și metadata.json. Poți folosi Ctrl pentru selecție multiplă.
- Apasă „Testează din fișiere”. Nu ai nevoie de link. Păstrează toate cele trei fișiere pentru predare.
Fișierele selectate sunt citite în browser, fără încărcare pe serverul acestui site.
Poți folosi testarea automată sau poți înregistra manual predicțiile afișate în Teachable Machine.
Testarea prin link necesită internet. Alternativ, încarcă fișierele unui model de imagine standard exportat ca TensorFlow.js, cu exact clasele Câini și Pisici. Fotografiile sunt procesate în browser. Formularul nu trimite raportul profesorului.
Testate0 / 20
Corecte—
Acuratețe—
Puncte test / 3—
În modul manual alegi predicția modelului, nu răspunsul pe care îl dorești. Profesorul verifică pe modelul predat. Nu există o parolă de profesor și baremul nu este secret.
Completat de profesor după verificare
Nota finală: în așteptarea verificării profesorului.
Aceste câmpuri nu sunt protejate. Completarea de către elev nu validează nota; profesorul verifică și consemnează rezultatul.
Ce ai observat?
PDF: pregătește raportul → Tipărește / Salvează PDF. Raportul manual conține rezultate declarate de elev. Nici PDF-ul, nici pagina statică nu reprezintă o evidență securizată a notei.
07 / PROVOCĂRI
Fă următorul pas
Poți păcăli modelul? Provocare de 5 minute
- Alege trei fotografii noi: animal parțial ascuns, fotografiat de departe și pe un fundal neobișnuit. Folosește Preview → File.
- Prezice răspunsul înainte de a-l vedea. Notează categoria și încrederea modelului.
- Explică o surpriză. Adaugă 5–10 exemple de antrenare relevante și reantrenează.
- Compară versiunile pe aceleași imagini de validare și notează ce s-a schimbat.
Nu modifica modelul după testul final pentru a crește nota inițială. Reîncercarea pe un test deja văzut este exercițiu; o nouă evaluare independentă cere alte imagini nevăzute. Modelul poate greși cu încredere mare.
Animal sau decor?
Pe validare, compară fotografii cu aceeași specie pe fundaluri diferite. Dacă răspunsul se schimbă mult, caută dezechilibre în date. Nu modifica imaginile testului final.
10, 20 sau 30?
Antrenează succesiv cu 10, 20 și 30 de fotografii pe clasă. Compară pe aceleași 10 fotografii de validare, păstrează rezultatele și explică dacă progresul este constant.
Știe să spună „nu știu”?
Încearcă o imagine cu o bicicletă. Observă alegerea forțată. Propune o regulă de avertizare pentru scoruri mici, apoi explică de ce un scor mare poate fi totuși greșit.
Alte teme apropiate de pasiunile tale
Sport
Minge de fotbal / minge de baschet. Exclude siglele ca indiciu principal.
Muzică
Chitară / pian. Variază instrumentele, pozițiile și fundalul.
Gaming
Controller / tastatură. Folosește fotografii proprii cu obiectele.
Natură
Trandafir / floarea-soarelui. Include mai multe culori și unghiuri.
Aceste teme necesită propriile seturi de validare și test, cu dificultate comparabilă. Nu sunt evaluate cu fotografiile de câini și pisici.
PENTRU PROFESOR
O activitate corectă și ușor de organizat
Ora 1 · Demonstrație și construire
10 min teoria + întrebări; 15 min demonstrația Mere / Banane; 10 min organizarea seturilor; 15 min prima antrenare. Pregătiți arhivele înainte de lecție. Elevii pot selecta fotografiile ca temă preliminară. Pentru explicarea tuturor pașilor și exersare, alocați o oră suplimentară.
Ora 2 · Evaluare
10 min validarea și finalizarea modelului; 20 min testul comun; 10 min analiza greșelilor; 10 min prezentare și predare. Înghețați modelul înainte de distribuirea testului.
Validarea notei
Reluați testul pe modelul predat. Verificați separarea datelor și concordanța raportului. Acuratețea modelului poate depinde de fotografii și de resurse, nu doar de efortul elevului; discutați greșelile fără penalizări ascunse.
Testul este public: cum păstrez evaluarea echitabilă?
Setul T01–T20 este fix și vizibil pe site. Cereți ca el să nu intre în antrenare și verificați proiectele. Pentru o evaluare cu adevărat nevăzută, păstrați un alt set de 20 de fotografii în afara site-ului și distribuiți-l după predarea modelelor. Nu prezentați acest set public drept un test secret. A doua încercare după analizarea testului este exercițiu de îmbunătățire, nu o măsurare independentă.
Ce predau elevii în Classroom?
Linkul modelului exportat sau cele trei fișiere TensorFlow.js; proiectul Teachable Machine salvat (pentru verificarea antrenării); raportul PDF cu toate cele 20 de rezultate; o captură cu clasele și numărul fotografiilor; lista surselor; explicația unei erori și o propunere de îmbunătățire. Fotografiile testului nu sunt obligatorii în predare, deoarece sunt comune.
Text pentru tema din Classroom
Realizați un model Teachable Machine care deosebește câinii de pisici. Folosiți minimum 30 de fotografii diferite în fiecare clasă și verificați-l pe 5 fotografii noi pentru fiecare categorie. După finalizare, testați toate imaginile T01–T20, fără a le include în antrenare. Predați linkul modelului sau cele trei fișiere TensorFlow.js, proiectul salvat, raportul PDF, captura cu numărul exemplelor și lista surselor. Explicați o greșeală și propuneți o îmbunătățire. Nota include 1 punct din oficiu, maximum 3 puncte pentru test și câte 2 puncte pentru date, model/export și analiză. Profesorul verifică proiectul și validează nota.
Activitate originală adaptată după exercițiul „Antrenarea unui model IA” din fișa furnizată. Fotografiile testului: Pexels, cu sursă pentru fiecare imagine. Licență Pexels. Documentație: Teachable Machine · Biblioteca oficială de imagini.