Teachable Machine 是一个由Google 所开发的线上机器学习平台，让使用者可以在浏览器中建立自己的机器学习模型，而不需要具备任何机器学习相关的专业知识，并且能让所有人轻松且快速的建立自己的机器学习模型。无论是教育工作者、学生、创作者或是对机器学习有兴趣的初学者，都非常适合使用这项工具。你可以在不必撰写任何程式码的情况下，就能训练电脑来辨识图像、音讯及姿势，这也是目前 Teachable Machine 平台所提供的模型类型。训练完成后，你可以单纯与其互动测试，也可以将模型用于自己的专案、网站、应用程式和其他地方。
本篇文章将藉由『教电脑辨识水果』机器学习活动，对所有初学者完整介绍 Teachable Machine 的基本功能。不仅教大家如何收集及建立资料集，并将自己所训练独一无二的模型汇出使用，并分享所训练的模型作品。未来将会以此为基础教大家做一些有趣的 AI 专案，借此认识 AI 及机器学习。现在就让我们一起来认识无程式码机器学习工具 Teachable Machine 吧！
1. 机器学习
我们将在 Teachable Machine 平台上进行活动，此平台不用注册就能使用机器学习功能。同时我们将根据机器学习基本三大步骤(收集资料→进行训练→预测评估)来进行这个活动，而这三大步骤也将是未来初学者利用 Python 学习机器学习或深度学习时的重要基石。
活动目的：教电脑辨识水果
训练项目：图片辨识
活动平台：Teachabel Machine
使用环境：桌机及浏览器
首先我们会先连到 Teachabel Machine (https://teachablemachine.withgoogle.com/train)。您将会看到如下图画面，该画面包含三种专案类型 – 图片 (Image)、音讯 (Audio)和姿势 (Pose)。
选择图片方案后，您将看到两个选项，标准图像模型 (Standard image model) 和内嵌图像模型 (Embedded image model)，此活动将选择标准图像模型。若是想要应用于微控制器 (microcontrollers) 则可以考虑选择后者，整个过程也将会是一样的，只是模型不同而已。
选择图片专案后，您将看到两个选项，标准图像模型(Standard image model)和内嵌图像模型(Embedded image model)，此活动将选择标准图像模型。若是想要应用于微控制器(microcontrollers) 则可以考虑选择后者，整个过程也将会是一样的，只是模型不同而已。
点击标准图像模型后，您将被引导至下图所示的画面，我们将在这里增加想要借助模型进行分类的类别及资料建立。使用者可以有两种资料收集的选择方式– (A)从摄影机镜头捕捉图像资料或是(B)将收集到的资料上传，本次活动将示范(B)上传所收集到的资料集，而读者若有兴趣也可以另外试着用摄影机镜头来收集资料。
接下来我们将根据机器学习三大步骤(收集资料→进行训练→预测评估)来进行这个活动。
Step 1：收集资料
我们将建立一个水果分类模型，使其可以辨识苹果、香蕉、橘子及三种混合在一起的图片。我们将使用来自Kaggle 的水果影资料集。您可以从https://www.kaggle.com/datasets/mbkinaci/fruit-images-for-object-detection下载此资料集。
下载后将其解压缩，你将可以看到这些不一样的水果图片。
建立欲识别图片的类别名称(例如apple、banana、orange、mix)，并上传对应的水果图片，让电脑学习将图片特征及类别名称关联起来，其实就是为这些图片进行标注(label)，而这也就是所谓的「监督式学习(Supervised Learning)」基本概念。
当将图片资料与对应的类别名称都建立好后，我们就算完成了机器学习的第一个步骤–收集资料。
接下来我们就可以准备训练电脑，让它开始学习认识这些图片。
Step 2：进行训练
点击中间「训练模型」按钮来开始进行第二个步骤–进行训练，Teachable Machine将会根据背后的学习演算法进行训练，由于Teachable Machine平台着重的是无程式码机器学习，所以对初学者来说可以先暂时忽略背后相关技术，待后续学习时可以再深入了解。
如果读者对机器学习已有了基本认识，或是想要多一点了解，那可以试着点击「训练模型」按钮下方的进阶，你将可以看到中间有一些参数是可以调整，以及从右侧图形中深入了解机器学习过程中，每个训练周期准确率及损失的状况。而这些参数用法及相关细节我们将会在后续文章仔细说明。
Step 3：预测评估
模型训练完后，我们可以进行第三个步骤–预测评估。读者可以在kaggle 所下载的资料集中看到test 资料夹，这些照片都是机器在学习过程中所没有看过的图像，因此可以拿来测试看看效果。
我们试着用一些图片进行测试，可以明显发现效果都还不错(如下图)。如果发现测试效果不好的图像时，可以试着理解看看原因与评估方式，思考看看可以用什么方法解决，例如变更背景/环境等等。而这也是下一篇文章中会介绍给大家的内容。
如果训练后的模型觉得还不错想要储存下来以后使用，可以点击下图中的方式，将可下载.tm格式的专案档案，或是将其储存在Google 云端硬碟( .zip格式)。除了存专案档外，您还可以储存各类别的所有样本(典籍类别右上角)或是模型。
到目前为止，我们已经利用Teachable Machine平台，透过机器学习三大步骤(收集资料→进行训练→预测评估)，轻松进行了无程式码机器学习专案，同时训练出你第一个模型。下面小节将说明如何将训练好的模型，分别应用在不同装置或环境中进行创作与应用。
2. 汇出模型应用
首先，我们可以点击上图中预览区上方的「汇出模型」，你将会进入到下方画面。当汇出模型后，您可以有几种选择以及程式代码片段，来帮助您将模型与应用程式做整合。 Tensorflow.js 模型适用于每个JavaScript 函式库(library) 或框架(framework)，而另外一些框架只支援某些特定模型(例如行动装置)，使用前可以先确认。我们点选Tensorflow.js ，然后点击上传模型，系统将会将模型上传到云端并产生一个连结网址，我们再记得点击复制连结。
将会进入到熟悉的积木环境(Scratch-based)，然后点击下方扩充功能。
进入到扩充功能后，你将会看到此平台提供非常多的AI 扩充功能。我们先点击Teachable Machine – Images扩充功能。
然后将刚刚复制的模型连结，在下图中位置贴上并按一下积木，系统将会产生你所训练出的独一无二AI 积木(如下图所示)，此时你将可以利用这些积木进行许多创作，尤其是可以让许多有Scratch 基础的学生可以进行AI 创作。
3. 模型分享
你也可以直接将复制的连结分享给朋友(如下图)，只要在浏览器贴上网址即可使用所训练的模型，是不是很方便也很有趣呢。
本边文章主要是介绍Teachable Machine无程式码机器学习平台，并完成一个简单的教电脑辨识水果的小专案。过程中利用机器学习三大步骤(收集资料→进行训练→预测评估)来完成自己的模型，并进而输出创作集分享，后续文章会在此基础上，学习更多观念及有趣的专案。