Bilişim Ders Notları
Yapay Zekâ · 32. hafta · Yapay Zekâ Uygulamaları Geliştirme

Final Projesi 2: Veri Toplama ve Model Eğitimi

Yapay Zekâ Uygulamaları · 32. hafta ders notu · YZU1.3.1

Öğrenme çıktıları
YZU1.3.1
  • Veri planına uygun olarak her sınıf için farklı koşullarda dengeli örnekler toplar.
  • Verisini eğitim ve test örnekleri olarak ayırır ve modelini Teachable Machine ya da ML for Kids'te eğitir.
  • Modeli ayrılmış test örnekleriyle dener ve doğru tahmin oranını hesaplar.
  • Her ders sonunda ilerleme günlüğüne yapılanı, karşılaşılan sorunu ve sonraki adımı yazar.
Bilgisayarsız sınıf alternatifi

İnsan model

Bir öğrenci "model" olur ve yalnızca eğitim kartlarına (çizilmiş ya da basılmış yaprak resimleri) 1 dakika bakar. Sonra daha önce hiç görmediği test kartları tek tek gösterilir; sınıf doğru tahminleri tahtaya çetele olarak yazar. Ardından aynı kartlarla "test" yapılır ve sonuçların neden yanıltıcı derecede iyi çıktığı tartışılır. İlerleme günlüğü kâğıt üzerinde tutulur.

Konu anlatımı

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

01Veriyi toplamak ve ayırmak
?Bir sınıf için kaç örnek yeterlidir?
Teachable Machine gibi araçlarda her sınıf için 30–50 çeşitli örnekle başlamak iyi sonuç verir. Sayıdan çok çeşitlilik önemlidir: 40 aynı fotoğraf, 20 farklı fotoğraftan daha az öğretir.
?Test örneklerini nasıl ayırırız?
Toplanan örneklerin yaklaşık beşte biri ayrı bir klasöre ya da zarfa konur ve eğitimde hiç kullanılmaz. Model eğitildikten sonra bu örnekler tek tek gösterilir.
?Ses projelerinde veri nasıl toplanır?
Her ses sınıfı için 1–2 saniyelik kısa kayıtlar alınır ve mutlaka bir "arka plan gürültüsü" sınıfı eklenir. Teachable Machine ses projesinde bu sınıf zorunludur; sınıfın sessizliğini modele o öğretir.
Anahtar kavramlar: Eğitim verisiTest verisiÇeşitlilik
Söğüt sınıfı: 40 fotoğraf 32 · eğitim8 · test İyi veri için 3 kural Farklı açılarüstten, yandan, yakındanFarklı ışıkgüneşte, gölgede, sınıftaFarklı zeminmasa, defter, avuç içi Test fotoğrafları eğitimehiç karışmamalı!
02Modeli eğitmek

Kartlara dokun.

?Önizlemede her şey doğru çıkıyorsa test yapmaya gerek var mı?
Evet. Önizlemede genellikle eğitim sırasında gördüğümüz ortamı ve nesneleri gösteririz. Ayrılmış test örnekleri ise modelin daha önce hiç görmediği durumları ölçer.
Veriçok örnek Eğitimörüntü bulur Modelkuralları saklar kediTahminyeni örneğe cevap Makine öğrenmesinin adımları
03Test sayacı betiği
?Betik doğruluğu nasıl hesaplamamıza yardım eder?
Her test örneğinde deneme bir artar, tahmin doğruysa doğru da bir artar. Sonunda doğru ÷ deneme işlemi doğruluk oranını verir: 8 denemede 7 doğru ise yüzde 87,5.
?Tahminin doğru olup olmadığına neden insan karar veriyor?
Model gerçek cevabı bilmez; test fotoğrafının gerçekte hangi ağaca ait olduğunu yalnızca biz biliriz. Karşılaştırmayı test eden kişi yapar.
bayrağa tıklanınca
deneme ▾ değişkenini 0 yap
doğru ▾ değişkenini 0 yap
boşluk ▾ tuşuna basılınca
kamera ▾ görüntüsünü analiz et
tanınan sınıf de 2 saniye
Tahmin doğru mu? e / h diye sor ve bekle
deneme ▾ değişkenini 1 değiştir
eğer (cevap) = (e) ise
doğru ▾ değişkenini 1 değiştir
Biliyor muydun?

Karışan sınıfları not edin: Söğüt sık sık kavak sanılıyorsa bu iki sınıfa ayırt edici açılardan daha çok örnek ekleyin.

04İlerleme günlüğü
İlerleme Günlüğü · Yaprak Dedektifi 24 Mayıs 40 ceviz, 38 elma fotoğrafı çektik !Söğüt yaprağı çok az Dere kenarından söğüt topla 26 Mayıs Söğüt 40 oldu, modeli eğittik !Kavak ile söğüt karışıyor Söğütü yandan da çek 28 Mayıs Yeniden eğittik, test: 36/40 doğru !Karanlıkta güven düşük Işık ipucunu ekrana yaz Veri sayacı ceviz40elma38kavak35söğüt12yaprak yok30 Test doğruluğu%70%90söğüt eklenince
  1. 1TarihHer ders sonunda yeni bir kayıt açılır; süreç böylece görünür olur.Dokun, adını gör
  2. 2Ne yaptık?O gün tamamlanan iş, mümkünse sayıyla (40 fotoğraf, 1 eğitim).Dokun, adını gör
  3. 3Karşılaşılan sorunTakılınan nokta dürüstçe yazılır; bir sonraki adımı belirler.Dokun, adını gör
  4. 4Sonraki adımSorunun çözümü için somut bir görev ve sorumlusu.Dokun, adını gör
  5. 5Veri sayacıHer sınıfta kaç örnek olduğunu gösterir; dengesizlik hemen fark edilir.Dokun, adını gör
  6. 6Eksik sınıfTuruncu çubuk: söğüt sınıfında örnek az olduğu için model burada zayıftır.Dokun, adını gör
  7. 7Test doğruluğuDeğişiklikten önce ve sonra ölçülür; iyileşme sayıyla kanıtlanır.Dokun, adını gör

Günlükteki numaralara dokun.

?İlerleme günlüğü neden tutulur?
Proje birkaç hafta sürer; günlük neyin yapıldığını, hangi sorunun çıktığını ve nasıl çözüldüğünü kaydeder. Sunumda "nasıl geliştirdik?" sorusunun cevabı günlükte hazırdır.
?Veri sayacı ne işe yarar?
Her sınıftaki örnek sayısını çubuk olarak gösterir. Kısa kalan çubuk dengesizliği hemen gösterir ve bir sonraki derste nereye veri toplanacağını belirler.

Ders akışı

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

5dk

Isınma: Günlüğün ilk sayfası

İlerleme günlüğü çizimini aç ve üç soruyu tahtaya yaz: Bugün ne yaptık? Ne sorun çıktı? Sonraki adım ne? Takımlar günlüğün ilk satırına bu dersin hedefini (örneğin "her sınıfa 40 fotoğraf") yazar.

İlerleme Günlüğü · Yaprak Dedektifi 24 Mayıs 40 ceviz, 38 elma fotoğrafı çektik !Söğüt yaprağı çok az Dere kenarından söğüt topla 26 Mayıs Söğüt 40 oldu, modeli eğittik !Kavak ile söğüt karışıyor Söğütü yandan da çek 28 Mayıs Yeniden eğittik, test: 36/40 doğru !Karanlıkta güven düşük Işık ipucunu ekrana yaz Veri sayacı ceviz40elma38kavak35söğüt12yaprak yok30 Test doğruluğu%70%90söğüt eklenince
8dk

Keşif: Eğitim ve test verisi

Söğüt sınıfının 40 fotoğrafını gösteren çizim üzerinden örneklerin 32'sinin eğitime, 8'inin teste ayrıldığını anlat. Test örneklerinin modele hiç gösterilmediğini, bu yüzden modelin gerçek başarısını ölçtüğünü vurgula; aynı fotoğrafla test etmenin "cevabı bilinen sınav" olduğunu söyle.

Söğüt sınıfı: 40 fotoğraf 32 · eğitim8 · test İyi veri için 3 kural Farklı açılarüstten, yandan, yakındanFarklı ışıkgüneşte, gölgede, sınıftaFarklı zeminmasa, defter, avuç içi Test fotoğrafları eğitimehiç karışmamalı!
20dk

Etkinlik: Topla, eğit, dene

Takımlar sırayla tahtaya gelir: veri sorumlusu fotoğrafları (ya da ses örneklerini) tahta kamerasıyla ya da öğretmenin telefonundan yükler, model Teachable Machine'de eğitilir ve PictoBlox'a bağlanır. Kod sorumlusu test sayacı betiğini kurar; takım ayırdığı test örneklerini tek tek gösterip doğru sayısını tutar. Beklerken diğer takımlar bahçede veri toplar ve sayacını günceller.

bayrağa tıklanınca
deneme ▾ değişkenini 0 yap
doğru ▾ değişkenini 0 yap
boşluk ▾ tuşuna basılınca
kamera ▾ görüntüsünü analiz et
tanınan sınıf de 2 saniye
Tahmin doğru mu? e / h diye sor ve bekle
deneme ▾ değişkenini 1 değiştir
eğer (cevap) = (e) ise
doğru ▾ değişkenini 1 değiştir
7dk

Değerlendirme: Günlüğü kapat

Her takım test sonucunu "8 denemede 6 doğru" biçiminde söyler ve en çok karışan iki sınıfı belirtir. Günlüğe sorunu ve sonraki adımı yazarlar (ör. "söğüdü yandan da çek"). Öğretmen veri sayacında eksik kalan sınıfları işaretler.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Test örnekleri modelin eğitiminde kullanılmamalıdır.

Cevabı gösterDoğru · Model test örneklerini daha önce görmüşse başarısı olduğundan yüksek görünür.

2. Modeli eğitimde kullandığımız fotoğraflarla test etmek, gerçek başarısını en iyi gösterir.

Cevabı gösterYanlış · Bu, cevapları önceden bilinen bir sınava benzer. Modelin yeni örneklerde ne yaptığını görmek için hiç görmediği test örnekleri kullanılır.

3. 40 örneğin 32'sini eğitime, 8'ini teste ayırmak yaygın bir yöntemdir.

Cevabı gösterDoğru · Bu yaklaşık yüzde 80 eğitim, yüzde 20 test ayrımıdır.

4. Bir sınıfın örnekleri hep aynı açı ve ışıkta çekilirse model gerçek kullanımda daha iyi çalışır.

Cevabı gösterYanlış · Model yalnızca gördüğü koşulları öğrenir. Farklı açı, ışık ve zemin, uygulamanın bahçede ya da sınıfta da çalışmasını sağlar.

5. 8 test örneğinin 6'sında doğru tahmin yapan modelin doğruluğu yüzde 75'tir.

Cevabı gösterDoğru · 6 ÷ 8 = 0,75.

6. İlerleme günlüğüne yalnızca başarılı olan işler yazılır.

Cevabı gösterYanlış · Karşılaşılan sorunlar günlüğün en değerli kısmıdır; bir sonraki adımı onlar belirler ve sunumda takımın neler öğrendiğini gösterir.

7. Veri sayacında bir sınıfın çubuğu diğerlerinden çok kısaysa o sınıfa daha çok örnek toplanmalıdır.

Cevabı gösterDoğru

8. Teachable Machine'de model eğitildikten sonra bağlantı ile dışa aktarılıp blok ortamında kullanılabilir.

Cevabı gösterDoğru

9. Model yeniden eğitilince eski test sonuçları da otomatik olarak geçerli kalır.

Cevabı gösterYanlış · Her eğitimden sonra model değişir; iyileşip iyileşmediğini görmek için aynı test örnekleriyle yeniden ölçülmelidir.
← Önceki haftaFinal Projesi 1: Problem ve Proje Önerisi Sonraki hafta →Final Projesi 3: Uygulamayı Blokla Geliştirme

32. hafta günlük planı

2026–2027 1. düzey Seçmeli Yapay Zekâ Uygulamaları dersi 32. 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 · 32. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
DersSeçmeli Yapay Zekâ Uygulamaları 1. SeviyeSınıf / Düzey1. düzey (seçmeli)
Hafta / Tarih32. Hafta · 24–28 Mayıs (MAYIS)Süre2 ders saati (40' + 40')
TemaYAPAY ZEKÂ UYGULAMALARI GELİŞTİRME
KonuFinal Projesi 2: Veri Toplama ve Model Eğitimi
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıYZU1.3.1 – YZU1.3.2 Yapay zekâ uygulamaları geliştirme ve sunma
Süreç bileşenleri
  • Veri planına uygun olarak her sınıf için farklı koşullarda dengeli örnekler toplar.
  • Verisini eğitim ve test örnekleri olarak ayırır ve modelini Teachable Machine ya da ML for Kids'te eğitir.
  • Modeli ayrılmış test örnekleriyle dener ve doğru tahmin oranını hesaplar.
  • Her ders sonunda ilerleme günlüğüne yapılanı, karşılaşılan sorunu ve sonraki adımı yazar.
Araç, gereç ve kaynaklarTakımların onaylı proje öneri kartları · Öğretmenin telefonu ya da tahta kamerası (fotoğraf/ses toplamak için) · Yazdırılmış ilerleme günlüğü sayfaları · Akıllı tahtada Teachable Machine ve PictoBlox · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
5 dk		Isınma: Günlüğün ilk sayfası
İlerleme günlüğü çizimini aç ve üç soruyu tahtaya yaz: Bugün ne yaptık? Ne sorun çıktı? Sonraki adım ne? Takımlar günlüğün ilk satırına bu dersin hedefini (örneğin "her sınıfa 40 fotoğraf") yazar.
1. ders
8 dk		Keşif: Eğitim ve test verisi
Söğüt sınıfının 40 fotoğrafını gösteren çizim üzerinden örneklerin 32'sinin eğitime, 8'inin teste ayrıldığını anlat. Test örneklerinin modele hiç gösterilmediğini, bu yüzden modelin gerçek başarısını ölçtüğünü vurgula; aynı fotoğrafla test etmenin "cevabı bilinen sınav" olduğunu söyle.
1. ders
20 dk		Etkinlik: Topla, eğit, dene
Takımlar sırayla tahtaya gelir: veri sorumlusu fotoğrafları (ya da ses örneklerini) tahta kamerasıyla ya da öğretmenin telefonundan yükler, model Teachable Machine'de eğitilir ve PictoBlox'a bağlanır. Kod sorumlusu test sayacı betiğini kurar; takım ayırdığı test örneklerini tek tek gösterip doğru sayısını tutar. Beklerken diğer takımlar bahçede veri toplar ve sayacını günceller.
1. ders
7 dk		Değerlendirme: Günlüğü kapat
Her takım test sonucunu "8 denemede 6 doğru" biçiminde söyler ve en çok karışan iki sınıfı belirtir. Günlüğe sorunu ve sonraki adımı yazarlar (ör. "söğüdü yandan da çek"). Öğretmen veri sayacında eksik kalan sınıfları işaretler.
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: Günlük: numara → bölüm; Modeli eğitme sırası; Eğitim mi, test mi?; Doğru mu, yanlış mı?; Kutuyu aç: konu soruları.
2. ders
10 dk		Değerlendirme
9 soruluk doğru-yanlış testi tahtada birlikte çözülür; yanlış cevaplar gerekçeleriyle tartışılır.
FarklılaştırmaBilgisayarsız sınıf alternatifi: İnsan model. Bir öğrenci "model" olur ve yalnızca eğitim kartlarına (çizilmiş ya da basılmış yaprak resimleri) 1 dakika bakar. Sonra daha önce hiç görmediği test kartları tek tek gösterilir; sınıf doğru tahminleri tahtaya çetele olarak yazar. Ardından aynı kartlarla "test" yapılır ve sonuçların neden yanıltıcı derecede iyi çıktığı tartışılır. İlerleme günlüğü kâğıt üzerinde tutulur.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıKontrol listesi, dereceli puanlama anahtarı, öz ve akran değerlendirme
Doğru-yanlış soruları
  1. Test örnekleri modelin eğitiminde kullanılmamalıdır. (D)
  2. Modeli eğitimde kullandığımız fotoğraflarla test etmek, gerçek başarısını en iyi gösterir. (Y)
  3. 40 örneğin 32'sini eğitime, 8'ini teste ayırmak yaygın bir yöntemdir. (D)
  4. Bir sınıfın örnekleri hep aynı açı ve ışıkta çekilirse model gerçek kullanımda daha iyi çalışır. (Y)
  5. 8 test örneğinin 6'sında doğru tahmin yapan modelin doğruluğu yüzde 75'tir. (D)
  6. İlerleme günlüğüne yalnızca başarılı olan işler yazılır. (Y)
  7. Veri sayacında bir sınıfın çubuğu diğerlerinden çok kısaysa o sınıfa daha çok örnek toplanmalıdır. (D)
  8. Teachable Machine'de model eğitildikten sonra bağlantı ile dışa aktarılıp blok ortamında kullanılabilir. (D)
  9. Model yeniden eğitilince eski test sonuçları da otomatik olarak geçerli kalır. (Y)
Dersin uygulanmasına ilişkin açıklamalarOkulda öğrenci bilgisayarı olmadığından veri toplamayı sınıfça planlayın: bir takım tahtada eğitim yaparken diğerleri bahçede örnek toplasın, fotoğraflar öğretmen telefonundan yüklensin. Teachable Machine modelini yükleyip bağlantısını kaydedin; bağlantı olmadan bir sonraki hafta modeli yeniden eğitmek gerekir.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR24.05.2027…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →