Om jouw AI-activiteitstimer te maken, train je een machine learning- of ML-model

om te herkennen wanneer je verschillende bewegingen of activiteiten uitvoert.

Vervolgens combineer je dat model met kant-en-klare code voor een activiteitstimer,

voordat je het naar je micro:bit downloadt en in het echt gebruikt.

Klik op 'Openen in micro:bit CreateAI' om het project te starten.

Dit project wordt geleverd met 6 voorbeelden van bewegingsgegevens voor lopen, 6 voorbeelden van bewegingsgegevens

voor op en neer springen en 6 voorbeelden van bewegingsgegevens voor redelijk stil blijven.

Je voegt meer samples toe door je eigen bewegingsgegevens op te nemen.

micro:bit CreateAI verzamelt bewegingsgegevens met behulp van de versnellingsmeter of bewegingssensor op de micro:bit.

Je draagt ​​een micro:bit en een batterijpakket om je pols of enkel,

zodat je je vrij kunt bewegen en je eigen bewegingsgegevens kunt vastleggen.

Om aan de slag te gaan, sluit je de enkelgedragen micro:bit aan op CreateAI.

We noemen dit de gegevensverzameling micro:bit.

Als Bluetooth op jouw computer is ingeschakeld, heb je slechts 1 micro:bit nodig met een batterijpakket en een USB-datakabel.

Als je geen Bluetooth-verbinding hebt, wordt je gevraagd om 2 micro:bits te gebruiken.

De tweede micro:bit blijft aangesloten op de USB-kabel en fungeert als

radioverbinding met de micro:bit voor gegevensverzameling. Volg de instructies op het scherm om verbinding te maken.

Zodra je micro:bit is aangesloten, zie je de lijnen in de livegrafiek veranderen terwijl je jouw micro:bit beweegt.

Je bent nu klaar om jouw eigen bewegings-data samplestoe te voegen.

Omdat dit project al een aantal data samples bevat,

raden we je aan om voorlopig voor elke actie nog één sample toe te voegen en later meer tijd te besteden aan het verzamelen en analyseren van gegevens.

Zorg ervoor dat je micro:bit voor gegevensverzameling aan de binnenkant van de enkel is bevestigd, met knop B bovenaan.

Om gegevens aan een specifieke actie toe te voegen, selecteer je deze door erop te klikken.

Er wordt 3 seconden afgeteld voordat een opname van 1 seconde begint.

Klik op opnemen en ga meteen aan de slag om ervoor te zorgen dat je een nette data sample krijgt.

Een nette sample is een sample waarbij je gedurende het gehele sample beweegt,

je niet te laat begint of vroeg klaar bent met bewegen.

Probeer vervolgens een extra data sample toe te voegen aan de 'springende' dataset en de 'stilstaan'-dataset.

Selecteer ze door op de actie te klikken en klik vervolgens op opnemen en spring of blijf stil terwijl je de samples opneemt.

Je zult op de 'stilstaan'-voorbeelden merken dat de x,y,z-lijnen van plaats veranderen, afhankelijk van de hoek van de aangesloten micro:bit.

We hebben op dit moment nog niet veel gegevens, maar we hebben wel genoeg om ons eigen machine learning-model te trainen met CreateAI.

Klik dus op 'Train model' om de huidige gegevens te gebruiken om een ​​ML-model te bouwen.

De tool bouwt nu een wiskundig model dat verschillende acties zou moeten herkennen wanneer je je micro:bit verplaatst.

Zodra het model is getraind, kom je op de pagina Model testen.

Gebruik nu de gegevensverzameling micro:bit om te testen hoe goed het model werkt.

Het zou nog steeds verbonden moeten zijn met de tool, en je zult zien dat CreateAI, terwijl je het verplaatst, inschat welke actie je uitvoert.

Probeer elk van de acties uit om te zien hoe zowel de geschatte actie als het zekerheidsstaafdiagram veranderen.

Het percentage in het zekerheidsstaafdiagram laat zien hoe zeker het model is dat je een bepaalde actie uitvoert.

Mogelijk merk je dat jouw model sommige acties niet nauwkeurig schat, of dat het

voor de ene actie goed werkt, maar niet voor de andere. Dus nadat je hebt onderzocht hoe het momenteel werkt,

is het een goed idee om op 'Data samples bewerken' te klikken en de gegevens te verbeteren van jouw model.

Machine learning-modellen werken meestal het beste met MEER gegevens, dus neem wat extra samples op voor elk

van de acties, of concentreer je op het verzamelen van meer gegevens voor de actie die problematisch was bij het testen.

Je kunt één sample tegelijk opnemen of je kunt 10 samples achter elkaar opnemen.

Nette data samples zorgen er ook voor dat een ML-model beter werkt, dus onderzoek jouw dataset en identificeer eventuele data samples die het model in verwarring kunnen brengen.

Deze kun je verwijderen door op X te drukken.

Nadat je meer gegevens hebt toegevoegd en je dataset hebt gecontroleerd, klik je nogmaals op 'Train model' om je gewijzigde dataset te gebruiken.

Test het model vervolgens opnieuw op de pagina 'Model testen'.

Als je tevreden bent met hoe het ML-model zich gedraagt, kun je het gebruiken met de kant-en-klare projectcode.

Klik op 'Bewerken in MakeCode' om de codeblokken in een speciale versie van Microsoft MakeCode te bekijken.

Je kunt altijd terugkeren naar CreateAI via de pijl linksboven in het scherm.

Deze codeblokken gebruiken het model dat je binnen een trainingstimer hebt gemaakt.

De code gebruikt 3 variabelen om bij te houden hoe lang je elke actie hebt uitgevoerd.

Wanneer het programma voor het eerst wordt uitgevoerd, worden deze timervariabelen op 0 gezet.

De 'wanneer ML start'-blokken worden geactiveerd wanneer het ML-model besluit dat je een specifieke actie hebt gestart.

Ze tonen verschillende pictogrammen op het LED-display van de micro:bit, afhankelijk van de actie die je volgens schattingen uitvoert.

De 'wanneer ML stopt'-blokken worden geactiveerd wanneer het ML-model besluit dat je een actie hebt voltooid, in dit geval lopen, springen of stilstaan.

Code in elk blok maakt het scherm leeg en voegt de duur van de actie die zojuist is

afgelopen toe aan de variabele die de totale tijden voor elke actie opslaat.

Het ML-model werkt met de code, zodat je de totale tijd kunt bekijken die aan elke actie is besteed.

Druk op knop A om te zien hoe lang je ongeveer hebt gelopen.

Druk op knop B om te zien hoe lang het model schatte dat je aan het springen was.

Om de geschatte tijdsduur te zien die je hebt stilgestaan, druk je tegelijkertijd op A en B.

De timer telt in milliseconden, duizendsten van een seconde, dus het weergegeven getal wordt gedeeld door 1000 om de tijd in seconden weer te geven.

Om jouw AI-activiteitstimer op jouw micro:bit te laten werken, hoef je alleen maar deze code naar een micro:bit te downloaden.

Als je geen andere micro:bit beschikbaar hebt, vervang dan eenvoudigweg de code die momenteel op de micro:bit voor gegevensverzameling staat door de projectcode.

Nu kun je het project in het echt testen.

Worden de juiste pictogrammen weergegeven wanneer je traint of niet?

Je kunt in 3 eenvoudige stappen testen of de timercode goed werkt met het model:

Druk op de resetknop. Spring 30 seconden.

Druk vervolgens op knop B. Je zou het getal 30 over jouw display moeten zien scrollen.

Je bent nu klaar om verbinding te maken met CreateAI,

je eigen gegevens te verzamelen, deze te gebruiken om een ​​machine learning-model te trainen, testen en verbeteren, en vervolgens

kun je dit model combineren met de kant-en-klare code en het uitproberen op je eigen micro: bit.

Als je op zoek bent naar manieren om dit nog persoonlijker te maken, probeer dan een aantal verschillende acties toe te voegen, zoals hardlopen of danspasjes.

Geniet ervan!