Geleneksel yöntemlerle modern bir makine öğrenmesi modeli geliştirmek; binlerce satır kod, karmaşık kütüphaneler ve ciddi bir programlama bilgisi gerektirir. Ancak günümüzde eğitim teknolojilerinin (EdTech) gelişmesiyle birlikte, bu süreci tamamen görselleştiren ve basitleştiren harika dijital çözümler hayatımıza giriyor. Yazılım dünyasındaki bu devrim, özellikle teorik bilgileri pratiğe dökmek isteyen yayıncılar ve eğitimciler için yepyeni kapılar aralamaktadır.
🤖 Teachable Machine Nedir ve Nasıl Çalışır?
Google tarafından geliştirilen Teachable Machine, tamamen web tabanlı çalışan ve kullanıcıların herhangi bir kodlama bilgisine ihtiyaç duymadan kendi modellerini eğitmesine olanak tanıyan yenilikçi bir makine öğrenmesi servisidir. İnternet tarayıcınız üzerinden doğrudan çalışan sistem, karmaşık matematiksel formülleri arka plana iterek tamamen görsel ve sezgisel bir arayüz sunar.
Platformun Sunduğu Temel Kazanımlar
Servisin temel amacı, modern dijital altyapıların ve bilgisayarlı görü (Computer Vision) sistemlerinin mantığını herkes için anlaşılır kılmaktır. Cihazınızın kamerası, mikrofonu veya harici veri setleri aracılığıyla sisteme veri yükleyerek şu projeleri hayata geçirebilirsiniz:
Görsel Tanıma Mimarisi: Nesneleri, renkleri, geometrik şekilleri veya insan yüzlerini ayırt edebilen yüksek doğruluklu modeller.
Ses Analizi Uygulamaları: Alkış, kapı sesi, konuşma veya enstrüman seslerini frekanslarına göre algılayan sistemler.
Hareket ve Poz Takibi: İnsan vücudunun duruşunu, el kaldırma veya oturma gibi fiziksel hareketlerini iskelet yapısı üzerinden takip eden algoritmalar.
Geliştirilen bu projeleri sadece tarayıcı üzerinde bırakmak zorunda değilsiniz. Tek bir tıkla dışa aktararak (export) mobil uygulamalarınıza, web sitelerinize veya robotik kodlama projelerinize entegre edebilirsiniz. Bu yönüyle Teachable Machine, STEM ve Green STEAM gibi proje tabanlı öğrenme süreçlerinde oldukça güçlü bir köprü görevi görür.
🛠️ Adım Adım Kullanım: Makine Öğrenmesi Modeli Nasıl Eğitilir?
Platform ile çalışırken üretim süreci üç ana aşamadan oluşur: Veri Toplama (Gather), Eğitme (Train) ve Önizleme (Preview).
1. Sınıfları (Kategorileri) Oluşturun ve Veri Toplayın
Sisteme giriş yapıldığında karşı üç proje seçeneği çıkar: Image Project (Görsel), Audio Project (Ses) ve Pose Project (Duruş).
Ekrandaki varsayılan kategorileri projenize göre yeniden adlandırın. Örneğin bir okul öncesi etkinliği kurgulanıyorsa birinci sınıf “Elma”, ikinci sınıf ise “Kalem” olarak değiştirilebilir. Kamerayı açarak nesneyi merceğe doğru tutmak ve kayıt butonuna basmak yeterlidir. Farklı açılardan ve ışık mesafelerinden en az 50-100 adet fotoğraf karesi yakalamak modelin başarısını artırır.
2. Algoritmayı Eğitin (Training)
Veriler toplandıktan sonra eğitim butonu çalıştırılır. Bu aşamada işlemci, yüklenen pikselleri analiz ederek nesneleri birbirinden ayıran ana özellikleri (renk, kenar çizgileri, doku) öğrenmeye başlar. İşlem sırasında tarayıcı sekmesi kapatılmamalıdır; tüm veri doğrudan cihaz donanımı üzerinden işlenir.
3. Test Edin ve Canlı Önizleme Yapın
İşlem tamamlandığında ekranın sağındaki önizleme alanı aktifleşir. Kameraya ilgili nesne tekrar tutulduğunda, grafik barları anında doğruluk yüzdesiyle hedef veriyi tanımlayacaktır.
🎨 Kullanıcı Deneyimi ve İpuçları
İncelemelerde ve pratik testlerde dikkat çeken en önemli nokta, arka planın sade ve temiz olmasının doğruluk oranını doğrudan etkilemesidir.
Özellikle ortam ışığının değiştiği senaryolarda sistemin kararsız kalmaması adına, veri toplama aşamasında farklı ışık açılarından örnekler yüklemek performans seviyesini yükseltecektir. Herhangi bir kurulum gerektirmeden, tarayıcı üzerinden donanım gücünü optimize bir şekilde kullanması Teachable Machine platformunun en büyük avantajıdır.
🎓 Eğitim Alanında Kullanımı ve Ders Senaryoları
Bu akıllı platform, soyut bir kavram olan yapay zeka dünyasını öğrencilere somutlaştırarak anlatmak isteyen öğretmenler için harika bir müfredat aracıdır:
Okul Öncesi ve Sınıf Öğretmenliği: Renk, şekil veya sayı kavramlarını öğretmek için interaktif oyunlar tasarlanabilir. Çocuk kameraya doğru şekli gösterdiğinde sistemin bunu sesli olarak onaylaması sağlanabilir.
İngilizce ve Yabancı Dil: Öğrenciler sınıftaki nesneleri kameraya göstererek, yazılımın o nesnenin yabancı dildeki karşılığını ekrana yazmasını sağlayabilirler.
Fen Bilimleri ve Biyoloji: Bitki türleri, yaprak şekilleri veya geri dönüşüm malzemeleri (plastik, kağıt, cam) modele tanıtılarak çevre bilinci aşılayan akıllı ayrıştırma projeleri geliştirilebilir.
Beden Eğitimi ve Rehberlik: Duruş projesi mimarisi kullanılarak öğrencilerin şınav, squat veya yoga hareketlerini doğru açıyla yapıp yapmadıklarını denetleyen mini sağlık asistanları kurgulanabilir.
Verimliliği Artıracak Küçük Tüyolar
💡 Arka Plan Gürültüsünü Azaltın: Görsel veya ses toplarken ortamın nötr olmasına dikkat edin. Algoritmanın hedef nesne yerine arka plandaki sabit bir objeyi öğrenmesi engellenmelidir.
⚙️ Dışa Aktarma Gücünden Yararlanın: Hazırlanan modelleri p5.js veya TensorFlow.js formatında dışarı aktararak, okul web sitelerine entegre edebilir ve yaşayan yazılım projelerine dönüştürebilirsiniz.
🔍 Ücretlendirme ve Alternatif Platformlar
Ücretsiz mi?
Teachable Machine tamamen ücretsiz olarak sunulmaktadır. Google, bu servisi akademik çalışmalar, eğitsel projeler ve teknolojiye ilk adımı atmak isteyenler için açık kaynaklı bir altyapıyla desteklemektedir. Herhangi bir üyelik zorunluluğu veya kullanım limiti bulunmamaktadır.
Alternatif Kodsuz AI Araçları
Benzer ekosistemleri deneyimlemek isteyenler için öne çıkan alternatifler şunlardır:
Lobe AI: Microsoft tarafından geliştirilen, internet bağlantısı olmadan masaüstünüzde akıllı modeller eğitmenizi sağlayan ücretsiz bir yazılım.
Machine Learning for Kids: Özellikle Scratch ve Python projelerine veri setleri entegre etmek isteyen çocuklar ve Bilişim Teknolojileri öğretmenleri için harika bir platform.
Orange Data Mining: Kod yazmadan tamamen görsel sürükle-bırak şemalarıyla veri madenciliği ve makine öğrenmesi yapmanızı sağlayan açık kaynaklı bir araç.
Edge Impulse: Özellikle gömülü sistemler ve nesnelerin interneti (IoT) cihazları için kodsuz makine öğrenmesi modelleri geliştirmeye odaklanan profesyonel bir altyapı.
Google Colab: Kodlama bilgisine sahip, daha ileri seviye veri bilimi ve derin öğrenme (Deep Learning) modelleri geliştirmek isteyen uzmanların tercihi.
📌 Kimler Kullanmalı ve Son Değerlendirme
Bu platform; kodlama dünyasının karmaşık yapısına girmeden teknolojinin mantığını kavramak isteyen Bilişim Teknolojileri öğretmenleri, STEM projeleri geliştiren öğrenciler, hızlıca prototip üretmek isteyen girişimciler ve dijital dönüşüme meraklı içerik üreticileri için idealdir.
Teknolojinin teorisini anlatmak yerine, pratik yaparak öğrenmek her zaman en kalıcı yöntemdir. Teachable Machine servisi, karmaşık algoritmaların arkasındaki “veri toplama ve etiketleme” mantığını kavramak için kusursuz bir başlangıç noktası sunuyor. Siz de görsellerinizle veya seslerinizle ilk makine öğrenmesi modelinizi oluşturmak için platformu ziyaret edebilir ve tarayıcınız üzerinden hemen üretime başlayabilirsiniz.
