1
00:00:01,240 --> 00:00:08,194
AI 활동 타이머를 만들려면

2
00:00:08,194 --> 00:00:13,080
다양한 움직임이나 활동을 수행할 때 이를 인식하도록 기계 학습(ML) 모델을 훈련해야 합니다.

3
00:00:13,080 --> 00:00:18,960
그런 다음 해당 모델을 활동 타이머용으로 미리 만들어진 코드와 결합한

4
00:00:18,960 --> 00:00:26,800
후 micro:bit에 다운로드하여 실제 생활에서 사용하게 됩니다.

5
00:00:26,800 --> 00:00:33,960
프로젝트를 시작하려면 'micro:bit CreateAI에서 열기'를 클릭하세요.

6
00:00:33,960 --> 00:00:41,120
이 프로젝트에는 걷기에 대한 6개의 움직임 데이터 샘플, 위로 점프하기 위한

7
00:00:41,120 --> 00:00:47,200
6개의 움직임 데이터 샘플, 그리고 가만히 있기 위한 6개의 움직임 데이터 샘플이 포함되어 있습니다

8
00:00:47,200 --> 00:00:54,200
. 자신의 움직임 데이터를 기록하여 더 많은 샘플을 추가하게 됩니다.

9
00:00:54,200 --> 00:01:02,703
micro:bit CreateAI는 micro:bit의 가속도계 또는 움직임 센서를 사용하여 움직임 데이터 샘플을 수집합니다.

10
00:01:05,726 --> 00:01:09,734
손목이나 발목에 마이크로비트와 배터리 팩을 착용하여

11
00:01:09,734 --> 00:01:15,120
자유롭게 움직여 자신의 움직임 데이터 샘플을 기록할 수 있습니다.

12
00:01:15,120 --> 00:01:20,400
시작하려면 발목에 착용한 micro:bit를 CreateAI에 연결하세요.

13
00:01:20,400 --> 00:01:23,816
우리는 이것을 데이터 수집 micro:bit라고 부릅니다.

14
00:01:23,816 --> 00:01:31,640
컴퓨터에 Bluetooth가 활성화되어 있으면 배터리 팩과 USB 데이터 리드가 포함된 마이크로비트 1개만 있으면 됩니다.

15
00:01:31,640 --> 00:01:36,640
Bluetooth에 연결되어 있지 않으면 2개의 micro:bit를 사용하라는 메시지가 표시됩니다.

16
00:01:36,640 --> 00:01:41,400
두 번째 micro:bit는 USB 케이블에 연결된 상태로 유지되며

17
00:01:41,400 --> 00:01:50,600
데이터 수집 micro:bit에 대한 무선 링크 역할을 합니다. 화면의 지시에 따라 연결하세요.

18
00:01:50,600 --> 00:01:57,817
micro:bit가 연결되면 micro:bit를 움직일 때 실시간 그래프의 선이 변경되는 것을 볼 수 있습니다.

19
00:01:57,817 --> 00:02:02,297
이제 자신만의 움직임 데이터 샘플을 추가할 준비가 되었습니다.

20
00:02:02,297 --> 00:02:06,263
이 프로젝트에는 이미 일부 데이터 샘플이 포함되어 있으므로

21
00:02:06,263 --> 00:02:16,912
지금은 각 작업에 대해 샘플을 1개 더 추가하고 나중에 데이터를 수집하고 분석하는 데 더 많은 시간을 할애하는 것이 좋습니다.

22
00:02:16,912 --> 00:02:24,800
데이터 수집 micro:bit가 버튼 B가 맨 위에 있는 발목 안쪽에 부착되어 있는지 확인하세요.

23
00:02:24,800 --> 00:02:29,280
특정 작업에 데이터를 추가하려면 해당 작업을 클릭하여 선택하세요.

24
00:02:29,280 --> 00:02:34,440
1초 녹음이 시작되기 전에 3초 카운트다운이 시작됩니다.

25
00:02:34,440 --> 00:02:40,080
기록을 클릭하고 즉시 이동을 시작하여 깨끗한 데이터 샘플을 얻으세요.

26
00:02:40,080 --> 00:02:43,960
깨끗한 샘플은 전체 샘플을 이동하는 샘플이며,

27
00:02:43,960 --> 00:02:48,593
늦게 시작하거나 일찍 이동을 끝내지 않습니다.

28
00:02:48,593 --> 00:02:55,519
다음으로 '점프' 데이터 세트와 '정지' 데이터 세트에 추가 데이터 샘플을 추가해 보세요.

29
00:02:55,519 --> 00:03:05,040
작업을 클릭하여 선택한 다음 녹음을 클릭하고 샘플을 녹음하는 동안 점프하거나 가만히 있으십시오.

30
00:03:05,040 --> 00:03:16,521
'정지' 샘플에서는 연결된 micro:bit의 각도에 따라 x,y,z 선의 위치가 바뀌는 것을 확인할 수 있습니다.

31
00:03:16,521 --> 00:03:26,080
지금은 데이터가 많지 않지만 CreateAI를 사용하여 자체 기계 학습 모델을 훈련시키기에는 충분합니다.

32
00:03:26,080 --> 00:03:33,720
따라서 현재 데이터를 사용하여 ML 모델을 구축하려면 '모델 학습'을 클릭하세요.

33
00:03:33,720 --> 00:03:41,363
이제 이 도구는 micro:bit를 움직일 때 다양한 동작을 인식하는 수학적 모델을 구축합니다.

34
00:03:41,363 --> 00:03:45,646
모델이 훈련되면 모델 테스트 페이지가 표시됩니다.

35
00:03:45,646 --> 00:03:50,721
이제 데이터 수집 micro:bit를 사용하여 모델이 얼마나 잘 작동하는지 테스트하세요.

36
00:03:50,721 --> 00:03:59,720
여전히 도구에 연결되어 있어야 하며, 이동하면 CreateAI가 수행 중인 작업을 추정하는 것을 볼 수 있습니다.

37
00:04:02,360 --> 00:04:09,698
각 작업을 시도하여 예상 작업과 확실성 막대 그래프의 변화를 모두 확인하세요.

38
00:04:11,257 --> 00:04:19,126
확실성 막대 그래프의 %는 사용자가 각 작업을 수행하고 있다고 모델이 얼마나 확신하는지 보여줍니다.

39
00:04:21,600 --> 00:04:26,520
모델이 일부 작업을 정확하게 예측하지 못하거나

40
00:04:26,520 --> 00:04:32,720
한 작업에서는 잘 작동하지만 다른 작업에서는 제대로 작동하지 않을 수 있으므로 현재 작동 방식을 살펴본 후

41
00:04:32,720 --> 00:04:40,360
'데이터 샘플 편집'을 클릭하여 개선하는 것이 좋습니다. 당신의 모델.

42
00:04:40,360 --> 00:04:46,360
기계 학습 모델은 일반적으로 더 많은 데이터에서 가장 잘 작동하므로 각 작업에 대해 추가 샘플을 기록하거나

43
00:04:46,360 --> 00:04:54,960
테스트에서 문제가 된 작업에 대해 더 많은 데이터를 수집하는 데 집중하세요.

44
00:04:54,960 --> 00:05:01,935
한 번에 하나의 샘플을 녹음하거나 연속적으로 10개의 샘플을 녹음할 수 있습니다.

45
00:05:10,160 --> 00:05:23,081
깨끗한 데이터 샘플은 ML 모델이 더 잘 작동하는 데 도움이 되므로 데이터 세트를 검사하고 모델을 혼동할 수 있는 데이터 샘플을 식별하세요.

46
00:05:26,003 --> 00:05:29,640
X를 눌러 삭제할 수 있습니다.

47
00:05:30,840 --> 00:05:39,423
더 많은 데이터를 추가하고 데이터 세트를 확인한 후 '모델 학습'을 다시 클릭하여 수정된 데이터 세트를 사용하세요.

48
00:05:40,483 --> 00:05:45,992
그런 다음 '모델 테스트' 페이지에서 모델을 다시 테스트하세요.

49
00:05:48,555 --> 00:05:54,640
ML 모델의 작동 방식이 만족스러우면 미리 만들어진 프로젝트 코드와 함께 사용할 수 있습니다.

50
00:05:54,640 --> 00:06:02,480
Microsoft MakeCode 특별 버전의 코드 블록을 보려면 'MakeCode에서 편집'을 클릭하세요.

51
00:06:02,480 --> 00:06:09,560
화면 왼쪽 상단에 있는 화살표를 사용하면 언제든지 CreateAI로 돌아갈 수 있습니다.

52
00:06:09,560 --> 00:06:19,240
이러한 코드 블록은 운동 타이머 내에서 생성한 모델을 사용합니다.

53
00:06:19,240 --> 00:06:26,160
코드는 3개의 변수를 사용하여 각 작업을 수행한 시간을 추적합니다.

54
00:06:26,160 --> 00:06:33,680
프로그램이 처음 실행되면 이러한 타이머 변수를 0으로 설정합니다.

55
00:06:33,680 --> 00:06:40,120
ML 모델이 특정 작업을 시작했다고 결정하면 'ML 시작 시' 블록이 트리거됩니다.

56
00:06:40,120 --> 00:06:49,250
micro:bit의 LED 디스플레이에는 사용자가 수행 중인 것으로 추정되는 작업에 따라 다른 아이콘이 표시됩니다.

57
00:06:50,289 --> 00:07:01,280
ML 모델이 사용자가 작업(이 경우 걷기, 점프 또는 정지)을 완료했다고 판단하면 'ML 중지 시' 블록이 트리거됩니다.

58
00:07:01,280 --> 00:07:06,880
각 블록 내부의 코드는 화면을 지우고 방금 완료된 작업의 지속 시간을

59
00:07:06,880 --> 00:07:13,440
각 작업의 총 시간을 저장하는 변수에 추가합니다.

60
00:07:13,440 --> 00:07:19,440
ML 모델은 코드와 함께 작동하여 각 작업에 소요된 총 시간을 볼 수 있습니다.

61
00:07:19,440 --> 00:07:23,040
버튼 A를 누르면 예상 걷는 시간을 볼 수 있습니다.

62
00:07:23,040 --> 00:07:28,160
버튼 B를 누르면 모델이 예상한 점프 시간을 확인할 수 있습니다.

63
00:07:28,160 --> 00:07:34,080
예상 지속 시간을 보려면 A와 B를 함께 누르세요.

64
00:07:34,080 --> 00:07:44,111
타이머는 밀리초(1/1000초) 단위로 계산되므로 표시된 숫자를 1000으로 나누어 시간을 초 단위로 표시합니다.

65
00:07:44,111 --> 00:07:53,160
AI 활동 타이머를 micro:bit에서 실행하려면 이 코드를 micro:bit에 다운로드하기만 하면 됩니다.

66
00:07:53,160 --> 00:08:00,642
사용 가능한 다른 micro:bit가 없으면 현재 데이터 컬렉션 micro:bit에 있는 코드를 프로젝트 코드로 바꾸세요.

67
00:08:01,646 --> 00:08:05,000
이제 실제 생활에서 프로젝트를 테스트해 볼 수 있습니다.

68
00:08:05,000 --> 00:08:10,040
운동할 때 올바른 아이콘이 표시되나요?

69
00:08:10,040 --> 00:08:15,800
타이머 코드가 모델과 잘 작동하는지 간단한 3단계로 테스트할 수 있습니다.

70
00:08:15,800 --> 00:08:19,160
재설정 버튼을 누르세요. 30초 동안 점프하세요.

71
00:08:19,160 --> 00:08:25,540
그런 다음 버튼 B를 누릅니다. 디스플레이에 숫자 30이 스크롤되는 것을 볼 수 있습니다.

72
00:08:25,540 --> 00:08:28,560
이제 CreateAI에 연결하고,

73
00:08:28,560 --> 00:08:34,560
자신의 데이터를 수집하고, 이를 사용하여 기계 학습 모델을 교육, 테스트 및 개선할 수 있습니다. 그런 다음

74
00:08:34,560 --> 00:08:40,600
이 모델을 미리 만들어진 코드와 결합하여 자신의 마이크로에서 시험해 볼 수 있습니다. 조금.

75
00:08:40,600 --> 00:08:48,379
이를 더욱 개인화할 수 있는 방법을 찾고 있다면 달리기나 댄스 스텝과 같은 다른 동작을 추가해 보세요.

76
00:08:48,379 --> 00:08:52,480
즐기다!