Bilişim Ders Notları
Yapay Zekâ · 22. hafta · Yapay Zekâ Uygulamaları Geliştirme

Proje 1: Geri Dönüşüm Sınıflandırıcı

Yapay Zekâ Uygulamaları · 22. hafta ders notu · YZU1.3.2

Öğrenme çıktıları
YZU1.3.2
  • Temizlenmiş veri setiyle Teachable Machine'de dört sınıflı bir görüntü modeli eğitir.
  • Epoch, batch size ve learning rate ayarlarının ne anlama geldiğini açıklar.
  • Modeli ayrılmış test örnekleriyle sınar, sonuçları test tablosuna işler ve doğruluğu hesaplar.
  • Sınıf bazında doğruluğa bakarak en zayıf sınıfı bulur ve bir iyileştirme önerisi yazar.
Bilgisayarsız sınıf alternatifi

İnsan model sınavı

Bilgisayar yoksa üç "model" öğrenci eğitim kartlarını 2 dakika inceler (eğitim). Ardından eğitimde görmedikleri 20 kart tek tek gösterilir; her model tahminini yazar. Sınıf, tahtadaki test tablosunda her modelin doğruluğunu hesaplar ve hangi kartların karıştırıldığını tartışır. Teachable Machine ekranı çizim üzerinden anlatılır.

Konu anlatımı

Önce konuyu aç, sonra sorulara dokun: cevap altında açılır. Soru işaretli kutulara dokununca cevap görünür.

01Teachable Machine eğitim ekranı
Kâğıt ✎60 örnek Plastik ✎58 örnek Metal ✎60 örnek Boş ✎40 örnek + Add a class Training Train Model Advanced ▴ Epochs50Batch Size16Learning Rate0.001 Under the hood Preview Webcam Output Kâğıt%3Plastik%5Metal%90Boş%2
  1. 1Sınıf kartıSınıf adı ve örnek sayısı; Webcam ya da Upload ile örnek eklenir.Dokun, adını gör
  2. 2Train ModelEğitimi başlatır; bitene kadar sekmeyi değiştirme.Dokun, adını gör
  3. 3Epochs (50)Modelin bütün eğitim örneklerini kaç tur göreceği.Dokun, adını gör
  4. 4Batch Size (16)Her adımda birlikte işlenen örnek sayısı.Dokun, adını gör
  5. 5Learning Rate (0.001)Her adımda ne kadar büyük düzeltme yapılacağı; değiştirmeden bırakmak güvenlidir.Dokun, adını gör
  6. 6Under the hoodSınıf bazında doğruluk ve karışıklık matrisini gösterir.Dokun, adını gör
  7. 7OutputHer sınıfın güven yüzdesi; en yüksek olan tahmindir.Dokun, adını gör

Görseldeki numaralara dokun.

?Fotoğraflar sınıflara nasıl eklenir?
Her sınıf kartında Webcam ve Upload düğmeleri vardır. Klasörde hazır fotoğraflarımız olduğu için Upload ile ekip klasöründeki eğitim fotoğraflarını seçip yükleriz.
?Output bölümündeki çubuklar ne anlatır?
Her sınıf için modelin güven yüzdesini gösterir; yüzdelerin toplamı 100'dür. En uzun çubuk modelin tahminidir; örneğin Metal %90 ise model gördüğü nesnenin metal olduğundan büyük ölçüde emindir.
?Teachable Machine neden az örnekle öğrenebiliyor?
Milyonlarca resimle önceden eğitilmiş bir model kenar, köşe, doku ve şekil görmeyi zaten bilir. Teachable Machine bu bilgiyi alır ve yalnızca son kısmı bizim dört sınıfımız için eğitir; buna aktarım öğrenmesi denir.
Anahtar kavramlar: EğitimAktarım öğrenmesiGüven yüzdesi
02Gelişmiş ayarlar (Advanced)

Soru işaretli kutulara dokun.

?Ezberleme (aşırı öğrenme) nedir?
Modelin genel özellikleri değil, eğitim fotoğraflarının kendisini öğrenmesidir. Eğitim fotoğraflarında %100 başarılı olan ama yeni atıkları tanıyamayan model ezberlemiştir; bunu ancak ayrı tuttuğumuz test örnekleri gösterir.
?Learning rate'i büyütmek neden riskli?
Büyük düzeltmeler modelin doğru ayarı "atlayıp geçmesine" yol açabilir; eğitim kararsızlaşır. Çok küçük değer ise öğrenmeyi yavaşlatır. Bu yüzden ilk denemede varsayılan değer kullanılır.
Biliyor muydun?

Bir seferde yalnızca bir ayarı değiştirin; yoksa sonucu hangi değişikliğin iyileştirdiğini bilemezsiniz.

AyarVarsayılanNe demek?
Epochs
Batch Size
Learning Rate
Under the hood
03Test ve doğruluk
?Doğruluk nasıl hesaplanır?
Doğru tahmin sayısı toplam test sayısına bölünür ve 100 ile çarpılır. 20 atıktan 17'si doğru bilindiyse 17 ÷ 20 × 100 = %85 olur.
?Sınıf bazında doğruluk neden gerekli?
Toplam doğruluk zayıf bir sınıfı gizleyebilir. Tabloda kâğıt 6/6, metal 6/7 iken plastik 5/7'dir; iyileştirme çalışması önce plastikte yapılmalıdır.
?Test sırasında nelere dikkat ederiz?
Atıkları eğitimdekinden farklı kişiler tutmalı, eğitimde kullanılmamış atıklar seçilmeli ve her atık tek bir kez, gerçek kullanıma benzer biçimde gösterilmelidir. Sonuçlar hemen tabloya yazılır ki sonradan hatırlamaya kalmasın.
Anahtar kavramlar: Test setiDoğrulukEzberleme
Test tablosu (ilk 7 satır) #GerçekTahminSonuç 1KâğıtKâğıt 2PlastikPlastik 3PlastikMetal 4MetalMetal 5KâğıtKâğıt 6MetalPlastik 7PlastikPlastik Sınıf bazında doğruluk Kâğıt 6/6%100Plastik 5/7%71Metal 6/7%86 En zayıf sınıf: Plastik Doğruluk17 ÷ 20 = %85

Ders akışı

40 dakikalık bir ders saati için planlandı. Adımın başlığına dokun, ayrıntılar açılsın.

4dk

Isınma: Planımızı hatırlayalım

19. haftanın planlama kartını tahtaya yansıt. Sınıfları, örnek sayısını ve başarı hedefini (toplamda %80, her sınıfta %70) yüksek sesle oku. "Bugün sonunda bu hedefe ulaşıp ulaşmadığımızı ölçeceğiz" de.

8dk

Keşif: Eğitim ekranı

Teachable Machine'de Image Project → Standard image model aç. Numaralı eğitim ekranı çiziminde sınıf kartlarını, Train Model düğmesini, Advanced ayarlarını ve Output bölümünü göster. Epoch'u "modelin bütün eğitim fotoğraflarını baştan sona bir kez görmesi" diye açıkla; 50 epoch 50 tur demektir.

Kâğıt ✎60 örnek Plastik ✎58 örnek Metal ✎60 örnek Boş ✎40 örnek + Add a class Training Train Model Advanced ▴ Epochs50Batch Size16Learning Rate0.001 Under the hood Preview Webcam Output Kâğıt%3Plastik%5Metal%90Boş%2
13dk

Etkinlik: Modeli eğit

Dört sınıfı oluştur ve her ekip kendi klasöründeki eğitim fotoğraflarını Upload ile kendi sınıfına yüklesin. Test klasörüne dokunmayın. Train Model'e bas; eğitim sürerken sekmeyi değiştirme. Eğitim bitince ilk denemeyi kamerayla hızlıca yap ve projeyi "Download project as file" ile kaydet.

12dk

Etkinlik: Test tablosu

Eğitimde kullanılmamış 20 atığı sırayla kameraya göster. Bir öğrenci gerçek sınıfı, bir öğrenci modelin tahminini tahtadaki test tablosuna yazar, doğru satırlara ✓ konur. Doğruluğu birlikte hesaplayın: doğru sayısı ÷ toplam × 100. Sonra her sınıfın doğruluğunu ayrı hesaplayın.

Test tablosu (ilk 7 satır) #GerçekTahminSonuç 1KâğıtKâğıt 2PlastikPlastik 3PlastikMetal 4MetalMetal 5KâğıtKâğıt 6MetalPlastik 7PlastikPlastik Sınıf bazında doğruluk Kâğıt 6/6%100Plastik 5/7%71Metal 6/7%86 En zayıf sınıf: Plastik Doğruluk17 ÷ 20 = %85
3dk

Değerlendirme: Hedefe ulaştık mı?

Sonucu planlama kartındaki hedefle karşılaştır. En zayıf sınıfı bulun ve her öğrenci "Bu sınıfı güçlendirmek için şu örnekleri eklerdim" cümlesini tamamlasın. Öneriler 29. haftanın iyileştirme dersinde kullanılacak.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Teachable Machine'de bir görüntü modeli için "Image Project" seçilir.

Cevabı gösterDoğru

2. Bir epoch, modelin eğitim setindeki bütün örnekleri bir kez görmesidir.

Cevabı gösterDoğru

3. Epoch sayısını ne kadar artırırsak model yeni görüntülerde o kadar başarılı olur.

Cevabı gösterYanlış · Çok fazla tur, modelin eğitim örneklerini ezberlemesine yol açabilir. Ezberleyen model eğitim fotoğraflarında mükemmel, yeni fotoğraflarda kötü sonuç verir.

4. Test için eğitimde hiç kullanılmamış atıklar seçilmelidir.

Cevabı gösterDoğru

5. 20 test atığından 17'sini doğru bilen modelin doğruluğu %85'tir.

Cevabı gösterDoğru · 17 ÷ 20 = 0,85; yani %85.

6. Toplam doğruluk %85 ise her sınıfın doğruluğu da %85'tir.

Cevabı gösterYanlış · Toplam doğruluk sınıfların karışımıdır; içinde kâğıt %100, plastik %71 olabilir. Zayıf sınıfı görmek için sınıf bazında doğruluk ayrıca hesaplanır.

7. Teachable Machine her modeli sıfırdan eğitir; bu yüzden binlerce fotoğraf gerekir.

Cevabı gösterYanlış · Teachable Machine, milyonlarca resimle önceden eğitilmiş bir modeli temel alır ve yalnızca son kısmını bizim sınıflarımızla eğitir. Buna aktarım öğrenmesi denir; az örnekle hızlı öğrenmesinin nedeni budur.

8. "Under the hood" bölümü sınıf bazında doğruluğu ve karışıklık matrisini gösterir.

Cevabı gösterDoğru

9. Eğitimden sonra proje dosya olarak kaydedilmezse sayfa kapanınca model ve örnekler kaybolabilir.

Cevabı gösterDoğru
← Önceki haftaVeri Temizleme ve Kalite Sonraki hafta →Proje 1: Doğru Kutuya At Oyunu

22. hafta günlük planı

2026–2027 1. düzey Seçmeli Yapay Zekâ Uygulamaları dersi 22. hafta günlük planı. Okul ve öğretmen bilgileriyle doldurulmuş Word dosyası için etkileşimli sürümde Evraklar › Günlük planlar bölümünü kullanın.

2026–2027 EĞİTİM ÖĞRETİM YILI …………………………

SEÇMELİ YAPAY ZEKÂ UYGULAMALARI 1. SEVİYE DERSİ GÜNLÜK PLANI · 22. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
DersSeçmeli Yapay Zekâ Uygulamaları 1. SeviyeSınıf / Düzey1. düzey (seçmeli)
Hafta / Tarih22. Hafta · 1–5 Mart (MART)Süre2 ders saati (40' + 40')
TemaYAPAY ZEKÂ UYGULAMALARI GELİŞTİRME
KonuProje 1: Geri Dönüşüm Sınıflandırıcı
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıYZU1.3.1 – YZU1.3.2 Yapay zekâ modelinin girdilerini hazırlama ve model geliştirme
Süreç bileşenleri
  • Temizlenmiş veri setiyle Teachable Machine'de dört sınıflı bir görüntü modeli eğitir.
  • Epoch, batch size ve learning rate ayarlarının ne anlama geldiğini açıklar.
  • Modeli ayrılmış test örnekleriyle sınar, sonuçları test tablosuna işler ve doğruluğu hesaplar.
  • Sınıf bazında doğruluğa bakarak en zayıf sınıfı bulur ve bir iyileştirme önerisi yazar.
Araç, gereç ve kaynaklarAkıllı tahta, web kamerası ve internet bağlantısı · Temizlenmiş "geri_donusum_veri" klasörü (egitim ve test alt klasörleri) · Canlı test için 20 temiz atık (her sınıftan birkaç tane, eğitimde kullanılmamış) · Test tablosu çıktısı ve 19. haftanın planlama kartları · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
4 dk		Isınma: Planımızı hatırlayalım
19. haftanın planlama kartını tahtaya yansıt. Sınıfları, örnek sayısını ve başarı hedefini (toplamda %80, her sınıfta %70) yüksek sesle oku. "Bugün sonunda bu hedefe ulaşıp ulaşmadığımızı ölçeceğiz" de.
1. ders
8 dk		Keşif: Eğitim ekranı
Teachable Machine'de Image Project → Standard image model aç. Numaralı eğitim ekranı çiziminde sınıf kartlarını, Train Model düğmesini, Advanced ayarlarını ve Output bölümünü göster. Epoch'u "modelin bütün eğitim fotoğraflarını baştan sona bir kez görmesi" diye açıkla; 50 epoch 50 tur demektir.
1. ders
13 dk		Etkinlik: Modeli eğit
Dört sınıfı oluştur ve her ekip kendi klasöründeki eğitim fotoğraflarını Upload ile kendi sınıfına yüklesin. Test klasörüne dokunmayın. Train Model'e bas; eğitim sürerken sekmeyi değiştirme. Eğitim bitince ilk denemeyi kamerayla hızlıca yap ve projeyi "Download project as file" ile kaydet.
1. ders
12 dk		Etkinlik: Test tablosu
Eğitimde kullanılmamış 20 atığı sırayla kameraya göster. Bir öğrenci gerçek sınıfı, bir öğrenci modelin tahminini tahtadaki test tablosuna yazar, doğru satırlara ✓ konur. Doğruluğu birlikte hesaplayın: doğru sayısı ÷ toplam × 100. Sonra her sınıfın doğruluğunu ayrı hesaplayın.
1. ders
3 dk		Değerlendirme: Hedefe ulaştık mı?
Sonucu planlama kartındaki hedefle karşılaştır. En zayıf sınıfı bulun ve her öğrenci "Bu sınıfı güçlendirmek için şu örnekleri eklerdim" cümlesini tamamlasın. Öneriler 29. haftanın iyileştirme dersinde kullanılacak.
2. ders
10 dk		Tekrar: Sunum
9 slaytlık ders sunumu akıllı tahtada açılır; önceki saatte öğrenilen kavramlar öğrencilerle birlikte tekrar edilir.
2. ders
20 dk		Uygulama: Etkinlikler
Akıllı tahtada etkileşimli etkinlikler oynanır: Eğitim ekranı: numarayı eşleştir; Proje 1 adımları; Doğruluğu hesapla!; Doğru mu, yanlış mı?; Kutuyu aç: konu soruları; Harf karıştırma: anahtar kavramlar.
2. ders
10 dk		Değerlendirme
9 soruluk doğru-yanlış testi tahtada birlikte çözülür; yanlış cevaplar gerekçeleriyle tartışılır.
FarklılaştırmaBilgisayarsız sınıf alternatifi: İnsan model sınavı. Bilgisayar yoksa üç "model" öğrenci eğitim kartlarını 2 dakika inceler (eğitim). Ardından eğitimde görmedikleri 20 kart tek tek gösterilir; her model tahminini yazar. Sınıf, tahtadaki test tablosunda her modelin doğruluğunu hesaplar ve hangi kartların karıştırıldığını tartışır. Teachable Machine ekranı çizim üzerinden anlatılır.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıKontrol listesi, dereceli puanlama anahtarı, öz ve akran değerlendirme
Doğru-yanlış soruları
  1. Teachable Machine'de bir görüntü modeli için "Image Project" seçilir. (D)
  2. Bir epoch, modelin eğitim setindeki bütün örnekleri bir kez görmesidir. (D)
  3. Epoch sayısını ne kadar artırırsak model yeni görüntülerde o kadar başarılı olur. (Y)
  4. Test için eğitimde hiç kullanılmamış atıklar seçilmelidir. (D)
  5. 20 test atığından 17'sini doğru bilen modelin doğruluğu %85'tir. (D)
  6. Toplam doğruluk %85 ise her sınıfın doğruluğu da %85'tir. (Y)
  7. Teachable Machine her modeli sıfırdan eğitir; bu yüzden binlerce fotoğraf gerekir. (Y)
  8. "Under the hood" bölümü sınıf bazında doğruluğu ve karışıklık matrisini gösterir. (D)
  9. Eğitimden sonra proje dosya olarak kaydedilmezse sayfa kapanınca model ve örnekler kaybolabilir. (D)
Dersin uygulanmasına ilişkin açıklamalarAdvanced ayarlarını ilk eğitimde değiştirmeyin; varsayılanlar (50 epoch, 16 batch, 0.001) çoğu sınıf projesi için yeterlidir. Projeyi "Download project as file" ile kaydederseniz 23. ve 29. haftalarda aynı modeli yeniden eğitmeden açabilirsiniz.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR01.03.2027…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →