Transcript for:
Bengkel Imagine Cup Junior 2025 Malaysia

Assalamualaikum dan salam sejahtera a kepada kita punya rakyat-rakyat Malaysia, kepada semua a pelajar-pelajar a dan guru-guru yang berada dalam er kita punya streaming hari ini. A welcome. Selamat datang kepada bengkel selamat datang ke bengkel yang pertama untuk sekolah menengah bagi Imagine Cup Junior 2025 Malaysia. Okey, hari ini insya-Allah kita akan dapat banyak input yang bakal membantu anda supaya dapat dapat membina slides dan juga a video yang menarik dan lebih berpotensi untuk menang di peringkat kebangsaan insya-Allah. Jadi hari ini kita ada beberapa pembentang di mana kita ada menjemput pembentang-pembentang khas bakal memberi kita input-input yang menarik dalam ICJ insya-Allah kita punya ICJ Malaysia 2025 untuk pelajar-pelajar sekolah menengah di semoga guru-guru dan juga pelajar-pelajar yang ada di dalam live chat er boleh mendapat banyak manfaat daripada bengkel kita pada hari ini. Jangan lupa esok pun ada bengkel juga. Hari ini ialah yang pertama, esok ialah yang kedua. Jadi apa-apa soalan yang anda ada aa teruskan saja pertanyanya di dalam ruang chat di YouTube. Aa insya-Allah kami semua akan cuba untuk m address, cuba untuk menjawab soalan-soalan yang ada. Okey. Baiklah. Tanpa bermuang masa lagi, saya akan menunjukkan kepada anda memperkenalkan kepada anda siapakah kita punya er eh di manakah ia asf terkeluar terkeluar terkeluar Ya. Hafzah. Kenapa? Minta maaf. Okey. Okey. Saya ingatkan saya telah terkeluar daripada Okey. Minta maaf ya semua. Baiklah rupanya ada lagi di sini. Minta maaf ya. Okey. Alright. Terima kasih banyak. Minta maaf ya semua. Ah boleh pula ada teknikal isu sekejap tadi. Baik. Bolehkah anda melihat skrin saya? Belum lagi. Belum lagi. Okey kita cuba sekali lagi. Sreen share. Okey isu sekali lagi ya semua. Begitulah kita apabila melakukan a kan ada isu-isu seperti ini sekejap ya. Kita cuba sekali lagi insya-Allah. Okey, kali ini pasti boleh. Okey, alhamdulillah. Okey, jadi kita ada penceramah jemputan hari ini. Ah, empat orang penceramah jemputan di mana input-input yang diberi akan memberi manfaat kepada anda semua. Jadi penceramah yang pertama yang akan memberi pembentangan adalah Profesor Madia Dr. Mohamad Ali Shamsuddin. Jadi apa yang beliau akan sampaikan adalah sedikit pengenalan mengenai pertandingan Imagine Cup Junior. Jadi mungkin setetengah sekolah pertama kali mendengar mengenai Imagine Cup Junior ni. Jadi macam tak berapa faham apa benda sebenarnya. Jadi insya-Allah a kita punya Dr. Mohammad Ali akan membantu memberi pengenalanlah sedikit. Selain itu, doktor juga akan memberitahu tema-tema penyelesaian AI imagine Imagine Cup Junior sebab dia akan berkisar tentang penggunaan al-alai. Jadi Dr. Ali akan memberi input mengenai perkara tersebut. Selain itu, Dr. Ali juga akan memberi lagi lebih tambahan input mengenai penerangan tentang konsep machine learning. Okey, pembelajaran machine learning. Semua perkara-perkara menarik. Jangan risau mungkin terma-terma ni macam susah sikit tapi jangan jangan jangan risau ah dengan pembentang-perban kita yang hebat insya-Allah a konsep-konsep yang mungkin nampak sukar sekarang lepas habis bengkel ni senang sangat. Ha macam tu. Okey seterusnya nanti kita akan ada pembentang a untuk demo interaktif machine learning menggunakan Scratch. Jadi pembentang jemputan kita adalah Dr. Goh Kokming. Jadi Dr. Goh Kokming akan menunjukkan demonstrasi di sini. Bolehlah peserta-peserta daripada sekolah menengah dan guru-guru yang membimbing a mendapat sedikit idea a mana tahu nak guna di dalam a Imagine Cup Junior penyertaan anda sekalian. Okey, selain itu kita juga ada pementan jemputan kita Dr. Siti Mansura Baharuddin. Jadi, Dr Siti akan menunjukkan demonstrasi aplikasi AI untuk AI Computer Vision. Hmm. Apa tu AI Computer Vision? Saya pun tak tahu. Jadi, kita sama-sama cuba cuba tahu lebih lanjut daripada pembentangan Dr. Siti selepas ini. Okey, jangan larikan diri, jangan pergi tandas. Mana tahu tak sempat nak tengok ah. tiba-tiba pergi balik eh dah siap dah. Ah kita tak nak macam tu. Jadi kita nantikan pembentangan daripada Dr. Siti tentang demonstrasi aplikasi AI untuk AI Computer Vision dan seterusnya kita ada penerangan tentang AI computer vision. Andai kata demonstrasi tadi macam oh tak berapa fahamlah ah tak apa. Kita ada TS Encik Hanya Raj Singgil dia akan memberi penerangan yang lebih lanjut tentang AI Computer Vision. Ah insya-Allah dengan tenangan tersebut kita akan lebih faham. Jadi kalau ada apa-apa persoalan kami akan cuba jawab. Okey kami akan cuba jawab. Mungkin jawapan tu akan datang lambat sikit sebab ada sedikit lagging kan. Ah tapi tak ada masalah tanya sahaja. Kami akan cuba address all of those questions that you have dalam live chat di YouTube. Okey dan last sekali belum habis lagi ni. Last sekali kita ada aktiviti kuiz kahut. Okey, tiga pemenang utama akan mendapat hadiah nombor satu, dua dan tiga sahaja ya. Bukan 4, 5, 6, 7 dan 10 bukan. Satu, dua dan tig. Jadi a cuba untuk jawab soalan dan soalan-soalannya semua berkisar daripada perembentangan yang akan diberikan pada hari ini. Insya-Allah kalau anda dengar, anda tulis nota, anda akan dapat jawab. Okey, jadi saya akan stop sharing. Tanpa berlengah masa lagi, bolehlah saya menjemput er Dr. Mohamad Ali untuk memberikan pembentangan beliau yang sangat-sangat bermanfaat untuk semua penonton-penonton kita, viewers kita di dalam YouTube pada hari ini. Okey, mari kita jemput Dr. Alif. Seandainya beliau ada sekejap ya mungkin beliau sedang cuba untuk connect kepada internet. Okey minta bantuan urus setia untuk naikkan Dr. Ali ke pentas. Okey. Jadi harap ya semua kita punya viewers di YouTube sama ada guru-guru ataupun pelajar a take note ambil nota sebab Dr. Ali adalah seorang yang sangat berpengalaman a dalam Imagine Cup Junior ni. Ha jadi bila belia beliau ada banyak pengalaman, apa-apa saja yang keluar daripada mulut beliau adalah emas. Adalah emas adalah advice yang input-input yang penting untuk anda semua. Okey. Alright. Lagi silakan. Okey. Assalamualaikum. Terima kasih Cikgu Hz. Izinkan saya share skren sekarang. Alright screen. Okey. Okey. Assalamualaikum warahmatullahi wabarakatuh. Okey, kita sedang aa berada pada hari pertama bengkel Imagine Cup Junior khas untuk sekolah menengah. Okey, untuk makluman semua kalau adik-adik rujuk kepada linkway yang telah diberikan sebelum ini, okey, kita telah bahagikan okey elink ini kepada beberapa bahagian. Okey, cuba adik-adik rujuk. Okey cikgu akan pas dekat ni dekat chat. Okey so boleh klik semua. Okey minta mohon moderator letakkan linkway di chat. Okey so kalau kita buka di sini dia akan lihat bahawa dia akan sampai ke dua bahagianlah iaitu yang pertama adalah bahagian grup Telegram. Okey. Di mana grup Telegram ini adalah satu link yang membolehkan para peserta sekolah menengah bertanya soalan. Okey. So kalau saya klik dekat sini nanti kita akan ah lihatlah bahawa ada satu bahagian. Okey iaitu link sekolah rendah dan juga link sekolah menengah. Jadi adik-adik ah boleh tanya. Ah kalau kita perhatikan di sini banyak cikgu dah tanya. Okey. Ah tapi nanti kami belum jawab. Okey. Insya-Allah lepas ni ada pula ah murid-murid sekolah menengah yang akan bertanya. Baik. Okey. Seterusnya a kalau kita rujuk kepada panduan khas ni okey dekat sini juga adalah penghantaran slaide dan rakaman video. Okey iaitu kita klik dekat sini. So kita akan pergi ke borang. Okey dan adik-adik boleh hantar ke sinilah untuk penghantaran slaide dan juga video. Okey dan seterusnya. Okey ah cikgu dah bahagikan kepada dua bahagian. Okey supaya adik-adik sekolah rendah dan juga sekolah menengah tidak keliru. Okey jadi kalau adik-adik perhatikan di sini kalau adik-adik adalah sekolah rendah klik di sini. Dan macam sekarang kita berada di sekolah menengah. Jadi kita akan ah klik ah dekat bahagian yang ni. Okey. So kita klik. Jadi kita akan nampaklah bahawa ini adalah bahagian sekolah menengah. Okey. Ah jadi bahagian sekolah menengah adalah tidak sama dengan bahagian sekolah rendah. Kenapa? Sebab bahagian sekolah menengah mereka perlu menunjukkan kedalaman pengetahuan AI. Okey. Tidak seperti sekolah rendah. kerana di sekolah rendah mereka hanya menunjukkan aplikasi AI tetapi untuk sekolah menengah mereka perlu menunjukkan kefahaman mendalam tentang konsep AI. Itu adalah satu komponen penting yang akan dinilai semasa penghantaran nanti. Okey. Jadi kalau adik-adik klik di bawah a adik-adik boleh lihatlah dekat sini. Okey. Sebagai contoh ah untuk kita melihat kefahaman mendalam kita boleh tengok dekat sinilah. Ni semua adalah sumber-sumber yang kita boleh baca dan kita gunakan untuk kita mencadangkan tentang penyelesaian AI pada hari ini. Okey. Jadi dengan tidak membuang masa lagi, cikgu letakkan dulu yang pertama iaitu apakah itu Imagine Cup Junior. Okey mungkin semasa hari taklimat cikgu telah terangkan tetapi jom kita ah rakam semula. Ah kita recall semula, ingat semula apakah itu pertandingan Imagine Cup Junior. Okey, mari kita dengar sama-sama. Welcome to Imagine Cup Junior. We are so excited that your educator has got you involved. Over the last few years, thousands of students from all over the world have participated with the best teams celebrated and recognised globally. In this year's Imagine Cup Junior, you will be engaging with an AI for good challenge. Let's explore the two important parts of this. The first is AI, which as you probably know, stands for artificial intelligence. AI impacts our entire world, changing how we live and work. Through the Imagine Cup Junior Learning Resources, you'll have an opportunity to understand how this increasingly important technology is applied in the real world. And then imagine your very own AI concept either by yourself or with a team. The other piece of the AI for good challenge is the good part. You're going to be inventing an AI concept that makes a positive change for people or the planet. And you're also going to be working as a team to make sure that your idea is good when judged against six different ethical principles. There are six lessons in Imagine Cup Jr. Let's get started with the first Okey, sorry. Ah tadi kita dah tengok dah tentang apa tu apakah itu Imagine Cup Junior iaitu ia melibatkan penghantaran slide video dan juga slaide dan juga rakaman video. Okey jadi pada hari tiga hari bengkel pada hari ini kita akan sama-sama okey mempelajari bagaimanakah kita menyediakan slide dan video. Okey jadi pada hari pertama kita akan memberi fokus kepada penyediaan masalah. Begitu juga bagaimanakah kita boleh mengisi slide berkenaan dengan idea-idea AI. Okey, jika adik-adik scroll di bawah, adik-adik akan nampak di sini bahawa ini adalah template slide. Okey, jadi template slide ni muka surat pertama dia akan tanyalah imagine kad junior nama sekolah dan yang penting ialah adik-adik kena tahu apakah kategori penyelesaian adik-adik. Adakah accessibility cartal heritage humitarian action health? Humitarian action health. Okey. Jadi untuk kita memahami di manakah kategori penyelesaian kita itu sama ada accessability, Earth Cutter heritage, humanitarian action atau H. Okey jom kita tengok kepada kategori berikut. Okey cikgu scroll di bawah sini. Alright. Okey. So dekat sini kita akan lihat bahawa type of problem adalah berasaskan kepada us accessibility, cultural heritage dan humanitarian action dan juga her. Okey. Jadi cuba kita tengok. Okey. Kalau kita a tengok apa contoh-contoh AI for her. Okey. Sebagai contoh adalah bagaimanakah kita menggunakan AI untuk menguruskan alam sekitar. Okey, Earth tu maksudnya alam sekitar. Mungkin kita menggunakan AI untuk menyelesaikan masalah climate data management, okey. Pengurusan a data a iklim. Okey, mungkin juga kita nak gunakan AI untuk menguruskan pembebasan gas-gas yang merbahaya. Mungkin kita gunakan AI untuk menguruskan air. Okey, dan sebagainya. Okey. Jadi itulah contoh-contoh a penyelesaian AI yang kita kategorikan sebagai AI for health. Macam mana pula dengan AI forth? Okey. AI forth pula adalah merujuk kepada aa bagaimanakah kita menggunakan AI okey untuk aa meramal a penyakit. Okey. Bagaimanakah kita menggunakan AI untuk mendiagnos penyakit ataupun kita hendak mengukur pelbagai bacaan kesihatan? Okey. Semuanya berkaitan dengan tubuh badan manusia. Dari aspek kesihatan, dari segi aspek a rawatan penyakit dan sebagainya. Okey. Jadi a itu adalah contoh AI untuk a berkaitan dengan a apa tu? Alright. berkaitan dengan a Hz. Okey. Jadi aa macam mana pula dengan AI for aa accessibility? Okey. AI for accessibility adalah merujuk kepada bagaimanakah AI digunakan untuk mereka yang berada di dalam golongan berkeperluan khas. Okey. Sebagai contoh katakan seseorang yang mempunyai masalah penglihatan. Bagaimanakah AI boleh membantu memberi maklumat secara pintar kepada mereka yang tidak dapat melihat? Okey, sebagai contoh yang lain, bagaimanakah AI dapat membantu orang yang tidak mempunyai masalah pendengaran? Okey, jadi ia adalah berkaitan dengan accessibility. Okey, seterusnya cultural heritage. Okey, cultural heritage merujuk kepada bagaimanakah AI digunakan untuk mengekalkan budaya-budaya zaman nenek moyang kita. Sebagai contoh, bahasa, pakaian, makanan dan sebagainya. Okey, AI mungkin boleh merakam data-data lepas berkaitan dengan budaya, pakaian, makanan dan kemudian ia boleh mengumpul maklumat itu secara pintar. Dan apabila kita hendak ah bertanya, mereka akan dapat mempersembahkan data itu secara bijak. Okey, mungkin juga AI boleh juga mengekalkan er seni bina-seni bina sedia ada dan mereka boleh meramalkan ataupun memaklumkan lakaran seni bina ini bagaimanakah ia dapat diadaptasikan kepada a situasi-situasi semasa seperti kelesteran alam dan juga teknologi. Okey. Jadi AI dapat memudahkan kita berfikir bagaimanakah budaya tradisional itu dapat diintegrasikan dalam kehidupan pada masa sekarang. Dan yang terakhir adalah humanitary action. Okey, ini adalah merujuk kepada apabila berlakunya bencana alam. Okey, contohnya gempa bumi. Bagaimanakah AI dapat meramal gempa bumi? Bagaimanakah AI dapat meramalkan tsunami? Dan bagaimanakah AI dapat a memberikan petunjuk? Okey, bagaimanakah bencana-bencana alam itu berlaku pada masa akan datang. Jadi, kita lihat di sini bahawa AI bukanlah setakat robot. AI bukanlah setakat ah filem yang ditayangkan di panggung wayang. Okey. AI lebih daripada itu sebagai seorang manusia yang bertanggungjawab, kita haruslah menggunakan AI untuk kebaikan sepertimana yang telah diterapkan dalam pertandingan ini. Okey. Jadi itu adalah serba sedikit tentang kategori-kategori AI yang kita akan kemukakan menerusi penyelesaian. Walau bagaimanapun, okey adalah penting untuk kita memahami konsep AI kerana pada peringkat sekolah menengah, para hakim ingin melihat sejauh manakah adik-adik berupaya mengaplikasikan pengetahuan yang mendalam tentang AR. Seolah-olah adik-adik adalah merupakan seorang apa? Seorang yang sedang memikirkan penyelesaian untuk kebaikan. Okey. Jadi pada hari ini cikgu akan berkongsi tentang konsep mesin pembelajaran atau pembelajaran mesin ataupun mesin pembelajaran. Alright. Jadi cuba adik-adik perhatikan dan faham kerana sebenarnya konsep-konsep ini adik-adik perlu aplikasikan dalam penyelesaian adik-adik. Dan untuk makluman adik-adik di penghujung bengkel pada hari ini kita akan ada kuiz kahut dan kuiz kahut akan bertanya tentang soalan-soalan yang dikongsi oleh pembentang-pembentang pada hari ini. Jika adik tak beri perhatian maka mungkin adik sukar untuk menjawab soalan kahut yang akan diberikan pada penghujung bengkel ini. Dan tiga pemenang teratas akan mendapat cendera hati daripada penganjur. Okey. So cikgu akan mulakan tentang konsep apakah itu mesin pembelajaran. Alright. So cikgu ni. Okey. So kita lihat di sini perkataan machine learning atau dalam bahasa Malaysia kita panggil pembelajaran mesin. Okey. Mengapa kita perlu belajar perkara ini? Kerana mesin pembelajaran pembelajaran mesin adalah merupakan asas kepada pengetahuan AI. Okey. Kita tahu bahawa AI itu adalah kecerdasan buatan. Tetapi bagaimanakah kecerdasan buatan itu dihasilkan? Ianya dihasilkan berasaskan satu konsep yang paling asas iaitu machine learning. Sekiranya adik tidak tahu tentang konsep machine learning, makna kata adik tidak tahu tentang a kecerdasan buatan. Kerana kecerdasan buatan itu adalah satu konsep yang agak umum. Okey. Yang mana ia adalah konsep yang dipakai seharian. Tetapi sebenarnya di sebalik konsep kecerdasan buatan, adik-adik sebagai bakal teknologi, ahli teknologi perlulah mempunyai pengatuan teknikal apakah itu yang dimaksudkan dengan machine learning ataupun pembelajaran machin. Okey. So sebenarnya bila kita sebut tentang pembelajar mesin, ia adalah melibatkan dua disiplin iaitu sains data sains. Okey ataupun aa matematikal yang menggunakan data dan juga kejuteraan perisian. Okey mungkin aa adik-adik aa di sini bercita-cita hendak menjadi seorang aa AI expert. Okey. Aa jadi apakah dua konsep asas yang perlu adik tahu? Yang pertama adalah berkaitan dengan data saintis. Yang kedua ialah adik perlu a mengetahui bagaimanakah hendak membangunkan a software berkaitan AI. Ah tetapi untuk pertandingan kali ini kita tak perlu bangunkan mana-mana software lah. Kita hanya memberi idea. Okey. Ah dan apakah a tujuan kita menggunakan machine learning? Okey. Kita menggunakan machine learning untuk a meramalkan okey untuk membina model ramalan. Ah dan model ramalan itu adalah berasaskan konsep matematik dan ianya di fungsikan berasaskan kepada a aplikasi a perisian a melibatkan perisian komputer. Okey. Jadi ia adalah gabungan antara sains komputer dan juga matematik atau dikenali sebagai data saintis dan juga software developer. A jadi aa kita lihat sekarang kerjaya akan datang sangat menarik kerana kita tidak ada lagi satu kerjaya yang orang kata aa pakar sains komputer ataupun pakar matematik. Tetapi sekarang kita melihat bahawa kerjaya STEM pada masa sekarang melibatkan integrasi antara dua disiplin iaitu disiplin matematik dan juga disiplin sains komputer. Maka wujudlah satu bidang kerjaya baru yang iaitu kerjaya berkaitan dengan AI. Okey. Jadi kenapa kita melibatkan data matematik? Alright. So kita tengok slaid seterusnya. Okey. Jadi kalau adik-adik perhatikan di sini bahawa machine learning adalah berasaskan kepada model matematik atau cikgu boleh kata statistiks. Okey. Model matematik. Model matematik itu digunakan untuk meramal. Okey. Jadi dia akan menggunakan data-data yang sedia ada untuk meramal. Okey. Meramal apa yang berlaku seterusnya. Okey, itu adalah merupakan konsep absas. Sebagai contoh, okey cikgu bagikan situasi dalam apa tu ah apabila seorang itu dia jual aiskrim. Okey. So bila dia nak jual aiskrim, dia nak tahu bahawa aiskrim tu laku atau tidak, dia akan melihat kepada dua perkara untuk meramal. Satu adalah rekod penjualan aiskrim pada masa yang lepas. Adakah laku tak laku, pada hari bila dan kemudian pada hari itu cuaca panas atau tidak. Dengan menggunakan data dari segi jualan lepas dan juga cuaca, maka penjual aiskrim dapat meramal sama ada aiskrim itu laku atau tidak pada masa hari ini dan seterusnya. Okey. Begitu juga dengan doktor. Okey. Doktor mereka boleh meramal seseorang itu mempunyai penyakit atau tidak dengan melihat rekod-rekod data pesakit berkenaan. Okey. Jadi kita lihat di sini bahawa sama ada penjual aiskrim atau doktor semuanya menggunakan data untuk meramal tentang apakah yang boleh berlaku berasaskan data berkenaan mengikut kerjaya mereka. Begitu juga dengan seorang penyelidik a saintis. Okey. Contohnya dia nak meramal a apa tu penguin. Okey. Sebab penguin ni ada banyak jenis. Ah jadi dia nak mengenal pasti pengawin tu dia akan menggunakan data dari segi contohnya kaki, dari segi paruh, dari segi bulu dan sebagainya. Jadi makna kata bila kita hendak memahami konsep mesin, pembelajaran mesin, maka kita melihat a dari segi penggunaan data untuk kita meramal atau mengenal pasti apa yang berlaku a pada masa akan datang. Alright. Okey. Jadi sebenarnya bila kita sebut mesin pembelajaran dari aspek matematik, jadi ia melibatkan satu formula matematik yang dikenali sebagai a function. Okey. Jadi apa maksudnya di sini? Okey. Maksudnya di sini machine learning dia adalah satu dia melibatkan satu formula matematik dan follow matematik itu diupayakan oleh a model apa tu? Perisian komputer. Okey. Komputer itulah yang akan membolehkan model matematik itu dioperasikan dengan meramal apa yang berlaku berasaskan data-data sedia ada. Ah jadi kalau adik-adik perhatikan di sini ini adalah data yang lepas dan kemudian ini adalah perisian komputer dan perisian komputer ini akan memproses data-data yang sedia ada dengan menggunakan formula matematik yang dikenali sebagai model regresi sebagai contoh untuk meramal atau mengkategorikan perkara-perkara tertentu. Okey. Jadi untuk kita untuk mesin pembelajaran atau pembelajaran mesin itu boleh meramal, maka perkara yang pertama ia perlu mengumpul data. Okey. Jadi untuk aa mengumpul data mereka perlu ada satu bentuk latihan. Okey. Apakah yang dimaksudkan dengan latihan? Maksudnya katakan mereka ada data sebanyak 1000 data. Okey, 1000 data itu mereka akan formulasikan supaya ia menjadi satu bentuk ramalan atau kategorian. Okey. Jadi maksudnya katakan a dalam di sini number one is training. Maksudnya mereka ada data-data yang 1000 data kemudian mereka akan meramalkan apakah yang berlaku kepada Y. Okey. Jadi mereka akan memproses dan membentuk satu formula. Jadi katakan X1 akan jadi Y2, X2 jadi Y3 sebagai contoh. Jadi apabila mereka sedang melihat perkaitan antara data dengan apa outcome maka ia akan menjadi satu data training. Okey, training data. Dan berasaskan data sedia ada apabila mereka berjumpa dengan situasi baru, mereka akan membuat satu inferensi apakah ramalan berkenaan. Okey. Ah jadi ini adalah merupakan er orang kata bagaimanakah matematik terlibat dengan perisian komputer bagi membuat ramalan atau pengkategorian supaya ia menjadi satu pembelajaran mesin. Baik. Jadi sebenarnya mesin pembelajaran ini ada banyak jenis. Okey. Dia bukanlah orang kata secara umum. Okey adik-adik sebagai er peserta peringkat sekolah menengah okey adalah tidak mencukupi sekiranya penyertaan adik-adik adik-adik hanya membincangkan konsep misin pembelajaran secara umum. Okey untuk menghasilkan satu penyelesaian yang baik adik-adik perlu jelaskan yang a kategori mesin penyelesaian mesin pembelajaran mesin manakah yang adik-adik hendak gunakan. Adakah supervised machine learning? Adakah unsupervised machine learning? Adakah regression, classification atau clustering? Okey. Jadi inilah yang menunjukkan bahawa adik-adik bukan sekadar tahu secara umum tetapi adik-adik juga tahu secara mendalam apakah itu mesin pembelajaran ataupun pembelajaran mesin supaya adik-adik dapat aplikasikan dalam penyelesaian AI untuk kebaikan. Okey. Jadi secara umumnya bila kita sebut tentang pembelajaran mesin atau mesin pembelajaran, ia terbahagi kepada dua iaitu yang pertama adalah supervised machine learning, yang kedua adalah unsupervised machine learning. Okey. Jadi apa maksud supervised? Supervise maksud terselia. Unsupervised maksud tidak terselia. Okey. Jadi makna kata bila pembelajaran mesin itu terselia, dia mempunyai data sedia ada untuk dia melabelkan apakah hasilnya. Apabila kita menyebut tentang pembelajaran mesin tidak terselia, ia tidak mempunyai data berlabel. Okey. Untuk kita a mengkategorikan apakah hasilnya. Okey, izinkan cikgu menghuraikan lebih mendalam tentang perbezaan antara mesin pembelajaran terselia dengan mesin pembelajaran tidak terselia. Apabila kita menyebut tentang mesin pembelajaran terselia, mesin itu mempunyai data. Okey. A dan ianya mempunyai label. Okey. Er tetapi apabila kita mempunyai apabila kita menggunakan mesin pembelajar pembelajaran mesin tidak terselia ia mempunyai data tetapi tidak berlabel. Apa maksud data berlabel dan tidak berlabel? Okey, mari kita perhatikan rajah seterusnya. Okey, ini adalah contoh bagaimanakah kita mempunyai data berlabel atau tidak data berlabel. Ini adalah supervised learning. Supervised learning maksudnya pembelajaran mesin terselia. Okey. Kenapa ia dikenali sebagai pembelajaran mesin terselia? Sebab ia mempunyai data berlabel. Kenapa cikgu kata ia mempunyai data berlabel? Contohnya, okey, ini adalah kumpulan buah-buah sama ada mangga, peal. Dan tugas pembelajaran mesin adalah untuk mengkategorikan sama ada buah ini adalah mangga atau peir atau epal. Okey. Jadi bagaimanakah apa tu ah pembelajaran mesin ini membuat ramalan? Okey cuba kita perhatikan di sini. Okey ini adalah supervisor supervised learning. Survisor telah pun memberitahu sekiranya ciri buah itu seperti epal maka ia adalah epal. Sekiranya ciri buah itu adalah mangga maka ia adalah mangga. Sekiranya ciri itu adalah buah pe maka ia adalah buah perir. Jadi di sini sudah ada data berlabel. Jadi hasilnya apabila pembelajaran mesin itu memproses buah-buah ini maka ia dapat memberitahu kepada memberitahu dan melabelkan dan memberitahu ini adalah Apple berasaskan data yang telah dikumpul sebelum ini. Ini adalah pair. Ini adalah a buah mangga. Okey. Jadi pembelajaran terselia membawa maksud ia boleh mengkategorikan buah-buah ini kepada ah sama ada epal, pair atau mangga berasaskan data-data yang telah dikumpul sebelum ini yang telah melabelkan apakah ciri buah epal, apakah ciri buah pe dan apakah ciri buah mangga. Okey. Okey. Dan seterusnya kita lihat pula contoh ini. Alright. Contoh ini. Okey. Jadi cuba adik-adik fikirkan. Okey. Tadi cikgu dah terang kan? Cikgu bagi masa untuk fikirkan macam mana mesin pembelajaran terselia berfungsi. Okey. Cikgu bagi seminit. Okey. Boleh kait tak? Okey. Tadi cikgu sebut apa? Okey. Kalau boleh tulis kat chat tu. Ha, siapa yang rasa nak beritahu nak jelaskan apa yang cikgu kata mesin pembelajaran mesin terselia atau supervised machine learning. Alright. Okey. So, bagus bagi mereka yang telah berfikir walaupun mungkin dia tak tulis kat chat tapi dia tengah berfikir. Okey. Jadi bila kita sebut mesin pembelajar pembelajaran mesin terselia atau supervised learning. Okey, ini adalah data berkaitan haiwan. Okey, haiwan ini tidak dilabelkan lagi. Okey, kita pun tak tahu ni haiwan ni adalah apa tu, serigala ke, tupai ke ataupun burung hantu. Tetapi disebabkan kita telah pun kumpulkan maklumat sebelum ini, okey. Apakah ciri-ciri apa bukan serigala, musang, tupai dan juga burung hantu, data sedia ada ini akan membantu untuk kita melabelkan okey untuk kita melabelkan data-data yang kita tidak tahulah. Okey, ni adalah data yang kita dah kumpul. Okey, so dipanggil training data. Kita dah train data tu. Okey. Kalau rupa macam ni adalah fox, kalau rupa macam ni adalah old. Jadi bila AI ini digunakan untuk mengenal pasti haiwan yang kita tak labelkan lagi, dia akan gunakan pengetahuan sedia ada untuk melabelkan a haiwan-haiwan baru dan akhirnya a kita akan dapat tahulah sama ada ini adalah burung hantu, serigala ataupun tupai. Okey. Ah jadi itu adalah ah contohlah bagaimana ah kita boleh menggunakan mesin AI terselia. Alright. Okey cikgu nak checkap takut termute. M okey unmute masih unmute. Selamat alright okey so okey keap ya. Okey seterusnya. Okey, tadi cikgu cakap pasal supervised learning. Okey, sekarang ni cikgu cakap pasal unsupervised learning. Okey, bila kita sebut unsupervised learning, dia kali ni dia tak ada data yang berlabel. Maksudnya kalau adik-adik perhatikan di sini sebelum mesin pembelajaran mesin ini proses, dia dah ada data berlabel. dia boleh tahu dia labelkan yang ni apa, yang ni apa dan yang ni apa. Okey. So sekarang bila kita sebut unsupervised learning, dia tak beritahu pun yang ni adalah yang ni adalah a tembikai. Tapi dia still bijak sebab dia akan secara bijak mengkelompokkan a buah-buah ini berasaskan persamaan. Okey, contohnya macam epal dia ada kesama persamaan dia. Buah, buah tembikai dia ada persamaannya tapi dia takkan labelkan sama ada ini adalah tembikai ataupun itulah yang membezakan antara unsupervised learning dengan supervised learning. Okey. A yang ni pun unsupervised learning. Sebab apa? Sebab tak ada data berlabel. Tidak ada data sedia ada atau kita panggil sebagai training data. data yang telah dilatih untuk mengenal pasti kategori. Jadi apa yang unsupervised learning buat, mereka hanya akan aa me apa mengkelompokkan mengikut a ciri-ciri sedia adalah. Ah so jadi dia tak label pun. Dia kata ni Apple dia just tengok aa mana yang sama a berdasarkan buah-buah yang telah dikumpul. Okey. Ah macam ni jugalah kita tak beritahu pun. Kita tidak ada data training pun cakap yang ni adalah tupai, yang ni adalah burung hantu. Jadi dia orang akan proses aa just untuk tunjukkan mana haiwan yang mempunyai persamaan. Tapi dia takkan labellah sama ada ini adalah aa apa benda tu aa tupai ke ataupun aa serigala ke ataupun musang ke ataupun a burung hantu. Okey. Jadi kalau adik-adik perhatikan di sini apa beza antara supervised dengan unsupervised learning? Okey. Supervised learning dia ada data sedia ada. Okey. Dia dah beritahu bahawa ciri-ciri macam ni Apple. Jadi outcomeya dia dah beritahu okey ini adalah Apple. Unsupervised learning dia hanya dapat mengasingkan epal dan juga pisang tetapi dia tidak boleh beritahu ini adalah epal atau pisang. Dua-dua adalah mesin pembelajaran tetapi satu terselia dan satu tidak terselia. Okey. Yang ni juga adalah unsupervised learning. Okey. Jadi apa perbezaan antara supervised learning dengan unsupervised learning? Okey. Supervised learning dia memerlukan data. Unsupervised learning dia memerlukan data tetapi tidak data itu tidak berlabel. Okey. Tidak beritahulah sama ada ia kategori A, B dan C. Okey. Jadi apakah tujuan menggunakan mesin pembelajaran terselia? Okey. Dia adalah untuk meramal tentang hasil yang kita telah pun beritahu awal-awal. Okey. Contohnya macam kita dah beritahu. Okey. Kita nak benda ni kategori as epal ke a pisang ke ataupun mangga. kita dah tahu hasil dia tu maksudnya supervised tapi unsupervised learning kita tak beritahu mesin pembelajaran tu tak beritahu sama ada ia adalah pisang a apa tu banana ataupun mangga. Okey jadi itu adalah perbezaannya. Okey. Jadi cikgu cuba refresh balik apa yang kita telah belajar pada hari ini. Okey. Kita telah belajar tentang machine learning iaitu supervised machine learning dan juga unsupervised machine learning. Okey. So harap-harap adik dah sampai level yang ni. Okey faham? Dan sekarang kita akan pergi lebih mendalam sikit saja. Okey sikit saja ah supaya adik-adik ni lepas bengkel ni boleh dianggap expert sikitlah. Ha bukan setakat macam tahu AI tu apa kan. So tak adalah orang kata perubahan dari segi peningkatan ilmu. Ha jadi hari ni kita cuba dapatkan ilmu. Kita bukan setakat bertanding. Okey. So cikgu akan fokus sekali lagi. Okey. Bila kita sebut machine learning ia terbahagi kepada dua iaitu supervised machine learning dan juga unsupervised measure learning. Dan bila kita sebut tentang supervised measure learning dia ada pula dipecahkan kepada dua kategori iaitu regression dan juga classification. Okey. So kita tengok dulu supervised machine learning regression. Kenapa dipanggil sebagai regression? Okey. Sekali lagi ia adalah berasaskan kepada ramalan. Tetapi ramalan bagaimanakah yang akan dilakukan oleh jenis machine learning ini? Okey. Cuba kita tengok contoh di sini. Okey. Ini adalah bagaimana supervised machine learning regression berfungsi. Ha cikgu dah hasilkan gambar menggunakan generatif AI. Kanak-kanak yang sedang makan aiskrim. Semua suka makan aiskrim tak? Ha suka kan? Sewaktu panas. Okey. So sekarang kita nak gunakan model pembelajaran terselia. Okey. Aa machine learning regression. Okey. So kita berikan contoh. Okey. Kita nak meramal bilangan aiskrim yang boleh dijual berasaskan kepada hari berkenaan. Contohnya suhu, hujan, kelaju angin. Jadi ini adalah data-data sedia ada yang digunakan untuk meramal berapa banyak aiskrim yang dijual. sebelum ni kan bila kita dah kumpul data kita kata oh kalau panas laku kalau hujan tak laku kalau angin kuat tak laku kita dah ada dah data-data ni dan kita tahu sama ada laku atau tidak so ramalan cuaca kita boleh meramal katakan esok lusa minggu depan sama ada aiskrim kita laku atau tidak kita dah ada nampak pattern okey jadi bila kita menggunakan data-data sedia ada, kita boleh meramal sama ada aiskrim itu laku atau tidak. Okey, itu dimaksudkan dengan supervised machine learning regression. Okey. Alright. So, kita tengok pula satu lagi contoh. Okey, tadi cikgu cerita tentang supervised measure learning regression. Okey, berasas kepada cuaca. Kita boleh meramal sama ada aiskrim atau laku atau tidak, baksakan suhu dan sebagainya. Okey. So dia kalau kita tengok dekat sini bila kita kata regression dia melibatkan nombor matematik. Bilangan aiskrim dijual ha tu adalah bilangan matematik. Suhu itu adalah bilangan matematik. Hujan okey a ke orang kata a apa taburan hujan. Banyak mana hujan kan dan juga kelajuan angin. Jadi bila kita guna regression sebenarnya kita melibatkan a formula matematiklah berasaskan data-data ah numbers-numbers nilah. Okey. Tapi ada satu lagi contoh ialah supervised learning classification. Okey. Apa beza antara classification dengan regression? Bila sebut pasal classification dia bukan melibatkan nombor tetapi ia melibatkan a label orang kata ciri-ciri. Ha sebab tu dia tak sama dengan regression. Walaupun dia ada data sedia ada tetapi sekarang data itu adalah data berlabel berasaskan ciri-ciri. Okey. So kalau kita tengok dekat sini, dia ada dua jenis. Okey. Ciri-ciri yang pertama meramal sama ada dia adalah A atau B. Ciri-ciri yang kedua multiklas dia meramal sama ada A, B atau C. Ha jadi ramalan dia tu lebih banyak. Tapi ramalan dia bukan dalam bentuk nombor. Ramalan dia adalah dalam bentuk label. Okey. Secara orang kata bukan melibatkan nombor. Okey, sebagai contoh. Okey, katakan doktor tu kan dia nak ramal orang ni ada penyakit kencing manis ke tak. So, kencing manis tu dia tak ada nombor. Dia dah kata sakit kencing manis ke tak sakit kencing manis. Jadi dia ukur berat umur dan juga tahap glukos. Jadi berasaskan yang ni a doktor tu akan meramal dia sakit diabetik ke dia tak sakit diabetik. Jadi bila kita sebut dia sakit diabetik dan tak betik ni dia tak ada nombor. Ia hanyalah label. Sebab tu kita panggil classification dan ia dipanggil sebagai binary kerana ia hanya melibatkan dua kategori. Sakit kencing manis ke tak sakit kencing manis. Okey. Ah jadi alangkah baiknya kalau peserta-peserta pada hari ini dapat mengemukakan penyelesaian menggunakan konsep yang lebih mendalam tentang machine learning. Bukan setakat sebut AI sahaja. Sebut dengan lebih mendalam. Lukis gambar rajah. tunjukkan adakah orang kata er konsep mesin pembelajaran yang adik kemukakan ini melibatkan er mesin pembelajar apa tu a classification ke regression ke dan sebagainya. Ini adalah contoh bagaimanakah adik dapat mengukakan penyelesaian adik pada slaide PowerPoint tadi. Okey, seterusnya kita tengok pula contoh supervised learning classification yang dikenali sebagai multiklass. Tadi cikgu tunjuk bahawa kita nak meramal sama ada dia sakit diabetik atau tidak sakit diabetik. Dua kategori saja ya atau tidak. Tapi katakan sekarang ni kita nak meramal lebih daripada dua. Contohnya seorang saintis dia nak meramal, dia nak mengkategorikan sama ada penguin ni dia dalam kategori Adally, Gentu atau chinstrap. Jadi sekarang bukan dua kategori. Dia dah tiga kategori. Jadi maksudnya dia tak panggil binary class, dia dipanggil sebagai multiklas dengan menggunakan data-data yang dikumpul. Okey untuk meramal apakah er jenis penguin berkenaan. Okey so kita dah ah tahu apa itu classification, apa itu regression dan last sekali sebelum cikgu berakhir saya rasa mungkin adik-adik perlu relaks sekejap. Okey so kita sentuh sikit last. Okey apakah itu unsupervised machine learning? Okey tadi cikgu kata supervised machine learning melibatkan data. Okey. Melibatkan data yang dilatih. Okey. Yang dilatih. A menjadi B, F menjadi Y. Dia ada macam satu perkaitan supaya dia dapat meramal data-data baru. Sekarang kita sebut pula tentang unsupervised machine learning. Unsupervised maksudnya tak ada data yang dilatih. Jadi apa kesannya bila tak ada data yang dilatih? Maksudnya bila dia nak berikan hasil atau ramalan, dia tak boleh labelkan ramalan tu sebab dia tak ada data-data terlatih. Tapi dia still akan kelompokkan a data-data itu berasaskan persamaan yang tertentu. Sebagai contoh. Okey. Jadi ini adalah unsupervised learning. Okey, dia ada banyak sayur. Okey, tapi dia tak ada data yang dilatih untuk kata yang ni adalah kapsikum, yang ni adalah terung, yang ni adalah bawang. Jadi bila dia proses, dia hanya dapat kelompokkan saja. Dia tak dapat beritahu ini adalah kapsikum dan sebagainya. Okey. Ah jadi apa yang kita boleh aplikasikan dalam kehidupan seharian? Okey. Ah contohnya katakan a dia nak meramal apa orang kata anomalis ataupun bila berlaku sesuatu yang luar kebiasaan. Jadi AI dapat memberitahu okey ada sesuatu yang berlaku luar kebiasaan. Contohnya macam tiba-tiba a datang memberitahu bahawa hari ini tak berlaku seperti yang dijangkakan. Maksudnya ada something wrong dengan perkara yang berlaku pada satu hari ini. Tapi dia tak boleh beritahulah apa yang something wrong tu. Mungkin er orang kata a bencana alam ke apa ke dan sebagainya. Okey. Ia hanya beritahu okey hari ini aa sesuatu yang ganjil berlaku. Okey. Tidak seperti kebiasaan sepatutnya tak berlaku seperti ini. Okey. Itu adalah kegunaan bila unsupervised learning. Okey. Jadi bila kita sebut unsupervised learning, dia melibatkan satu teknik dikenali sebagai classification. Okey. So kita tengok kat sini ada banyak contoh, ada banyak bentuk dan dia akan aa kelompokkan kepada berasaskan persamaan bentuk-bentuk ini. Ini juga adalah unsupervised learning tiada label. Okey. Tiada training data. Jadi itu sahaja untuk persembahan cikgu pada hari ini. Diharapkan adik-adik semua dapat memahami apakah itu machine learning secara mendalam untuk diaplikasikan dalam penyelesaian IDAI. Jadi terima kasih semua kerana beri perhatian dan saya serahkan balik pada Cikgu Afz. Okey, terima kasih Dr. Ali sebab memang begitu banyak input yang telah diberikan tadi dan penjelasan yang sangat mendalam tentang machine learning ataupun pembelajaran mesin. Tadi kita dah dapat a few tips kan? Tips yang Dr. Ali dah bagi tadi ialah anda perlu faham dengan sangat mendalam bagaimana AI tool tu berfungsi supaya nampak seperti anda expert. Tapi bukanlah nak kata yang adik-adik semua kena jadi expert tapi just enough information to show that you understand. Cukup maklumat untuk menunjukkan bahawa anda faham apa yang anda cakap. Ah jadi apa-apa presentation yang anda lakukan aa pastikan kefahaman anda dapat ditonjolkan melalui persembahan melalui persembahan video ataupun slaide. Jadi sekarang tanpa membuang masa lagi kita teruskan dengan menjemput pembentang kita yang kedua iaitu Dr. Go untuk membincangkan untuk menunjukkan demonstrasi interaktif machine learning menggunakan stretch. Silakan Dr. Go. Terima kasih a moderator. Adakah suara saya jelas? Jelas. Okey terima kasih. So er selamat petang saya ucapkan kepada para penonton, adik-adik yang saya kasihi sekalian. Terima kasih saya ucapkan kepada Dr. Ali atas peluang dan luang diberi STP Penang BSTP untuk a anjurkan macam mana a platform ini. So tanpa membazirukan masa, cikgu akan sharekan slaide saya. Okey untuk kita kongsikan. Okey kejap nah. Alright. Okey okey a okey. Alright. Okey. So, adakah saya punya slide? Okey. Dah terpapa. Okey. So, seterusnya tadi kita telah Dr. Ali telah memberikan sedikit sebanyak tentang apa itu pembelajar mesin dan bagaimana kita boleh gunakan dalam kehidupan. Jadi untuk sesi cikgu, cikgu go ni adalah lebih kepada macam mana kata hands on. Kalau adik-adik tak sempat nak catch up, tak sempat nak buka apa-apa jangan risau sebab nanti adik-adik boleh tengok balik recording dan boleh praktis kat rumah ataupun ambil sebagai satu idea untuk teruskan. Jadi hari ini cikgu gua akan bentangkan kongsikan satu benda di mana adik-adik pernah gunakan sewaktu sekolah rendah ataupun sekolah menengah iaitu gunakan scratch bukannya scratch badan kita tapi scratch. So hari ini cikgu kau akan bentangkan bagaimana nak buat rock paper seasors dengan menggunakan machine learning. Okey. Okey. So seterusnya kejap. Alright. So hari ini senang cerita adalah kita dalam melalui projek ini, projek ringkas ni adik-adik akan memahami apa itu pembelajar machin, bagaimana guna imej recognition. Maksudnya bagaimana pernah mesti pernah yang jumpa kalau aa CCTV ke dah ataupun gunakan handphone dia dah ada imej recognition untuk scan muka kita semua kan. Jadi di situ kita akan apply tapi dengan mudah. Okey. So akan gunakan logik bagaimana kita nak tentukan komputer itu bagi tahu. Okey. Kita keluar paper ataupun rock ataupun macam mana seasar. Dia akan bagi tahu anda menang ataupun komputer menang. Okey. So kita cuba kita fikirkan satu. Kita nak ajarkan komputer ini untuk main game ni. Senang saja. Imagine dan bayangkan kita mengajar kepada kawan-kawan kita bahawasanya ini adalah batu, ini adalah paper, kertas, ini adalah gunting. Tapi komputer ni dah tahu. Seperti yang dikatakan oleh Dr. Ari tadi, kita perlu bagi tahu maklumat-maklumat tertentu supaya komputer itu boleh belajar. Macam kitalah. Kita kena belajar. Oh ini adalah macam ni. Okey, ini adalah pusing elok macam mana pun ini adalah paper gitu. Kita kena bagi tahu komputer dengan ada data label. Jadi yang kawan-kawan tu bila kita ajar kat kawan-kawan tu, kawan akan tengok okey pattern ni oh ini mesti paper, ini mesti rock. Okey. Tapi bagaimana kita nak ajar dengan komputer? Ada cara senang? Nanti kita tunjuk secara hands on. Kalau adik, saya ulang sekali, kalau adik rasanya tak dapat catch up, boleh tengok recording ini sekit malam ke malam ni ke, esok untuk tengok dan praktis. Yang penting tu tengok, praktis a dan apply. Jangan guna benda yang sama. Okey. Ah. Alright. So kita tadi dah tengok pembelajaran machin. So pembelajaran mesin ni senang cerita adalah kita nak training komputer untuk mengenali hari inilah projek hari ini untuk mengenali pattern corak dan buat keputusan. Bukan yang kita buat komputer buat tetapi pada perlukan data. So projek ini kita nak trend latih satu model komputer untuk tahu apa itu batu, apa itu kertas dan apa itu gunting. Ha pernah main kan dulu kita pernah main cuma kita nak ajar dia secara automatik dia boleh tahu okey ini confirm menang. Okey ini confirm kalah gitu. Alright. So overview bagaimana buat? Kalau adik-adik nak buat contoh projek ini semestinya kalau imej recognition gunakan handphone ke, gunakan komputer ke, gunakan tablet ke, dia mesti perlu ada kamera. Kalau tak ada kamera adik-adik, Dok arah kita tak boleh buat sebab dia tak boleh buat imej reconnation. So kita akan gunakan kamera ajarkan dia snap banyak-banyak projek. Nanti saya tunjukkan adik jangan panik dulu. Lepas tu gunakan scratch. Ha scratch ni adik question yang sangat popular. Cikgu perlukan duit ke ataupun dia free ke? Scratch ni free. Kita nanti kongsikan, kita boleh gunakan. Okey. Lepas tu dia akan tolong kita tentukan. Contohlah kita main dengan komputer ataupun kita boleh letak satu tempat dia akan tentukan semua tu. Alright. So first yang pertama ada tiga langkah saja adik. Tiga langkah saja tak banyak. Satu adalah nanti kita akan buka satu website ha sama-sama. Ha nanti saya akan kongsikan website tu. Okey sekarang kita buat dia suspend dulu. Nombor dua kita perlu tangkap gambar. Gambar banyak-banyak. Sebanyak mungkin gambar tu adik akan latih komputer adik jadi lebih cerdik, lebih pandai dan lebih pantas. Yang ketiga adalah setelah semua dah siap kita main dan testing. Kalau orang biasa orang komputer sains kan engineering ataupun dia pandai komputer dia panggil debug. Kita kena bagi cari mana kesalahan lepas tu kita latih semula. Latih semula macam yang Dr. Ari sebut tadi dia ada satu circle bukan kita siap dan dia ada nak kalau nak bagi model itu perfect kita kena banyak latiik. Macam kitalah, kita macam mana main bola, main sepat semua tu kita banyak latih. Akhirnya kita jadi champion, jadi semua tu jadi perfect sama seperti komputer. Okey. So tanpa membazakan masa kita jom kita tengok apa hands on aktiviti yang boleh kita buat. Tiga step saja tak banyak. Okey yang pertama tadi dah pun garasia. So saya akan pergi ke satu page. Sorry eh. Yang ni adik-adik boleh lihat di sini. Ini yang page yang kita boleh gunakan secara percuma. Namanya adalah machine learning for kids. Ha machine learning for kids. Kalau adik rasa okey tak dapat tangkap apa-apa pun nanti tengok balik recording ataupun tengok pada sway tu. Ah garis panduan tu sangat penting. Okey tengok rujuk dan tak faham tanya kat situ. Ah ada Q&A boleh buat. Okey. So, machine learning for cas ni bila adik-adik dah masuk, adik-adila dah masuk adik-adik boleh go direct saja. Jangan tekan apa-apa. Dan di sini kita boleh tukar language. Tapi hari ini kita guna bahasa Inggeris lah. Ha nanti adik-adik boleh explore sendiri. Okey. So, first kita pergi ke projek anda. Ha ini projek yang cikgu Goh telah siap buat. Mestilah kena siap buat dulu. B try dulu kan. Tetapi hari ini saya akan buat sekali lagi supaya adik dapat satu gambaran bagaimana nak pergi tekan sini ke tekan sana ke lost lah jangan tutup. Okey. So untuk projek ni bila adil dah masuk tu senang saja. Ha add a new project. Tak payah-bayar untuk ibu. Okey. Add a new project. Tekan a di sini dia ada banyak benda. Projek name, project type, storage. Okey. Banyak-banyak gitu. So name tu adik boleh try dulu. Hari ini adalah aa paper drop scissors kan? Kita boleh tukarlah drop a paper a scissors. Ah okey. Kita dah buat. Okey dah ada. Lepas tu dia akan pilih project types. Tadi Dr. Ali dah bagi kongsikan banyak contoh. Kita boleh nak recognize teks, boleh nak camkan imej, camkan nombor, sound number dan generating. Ha tetapi hari ini kita nak teks bukan teks sorry imej saja. Ha kita nak imej jadi recognize imej saja. Okey, kalau yang lebih-lebih tu adik nak boleh cuba sendiri. Okey, lepas tu dia akan minta storage. Storage ni dia nak macam mana kedagi kat komputer ini dia nak simpan kat mana kan? Kalau orang manusia dia simpan dalam otak. Okey. Kalau pen drive kalau komputer dia simpan dalam pen drive dia simpan dalam cloud di situ. Jadi di sini dia ada dua option iaitu web browser dari sirilah. ataupun in the cloud. Kalau saya, saya nak cuba dengan web browser saja. So pilih a satu bila dah siap semua dah siap pilih. Ha kalau tak pilih tu dia tak pergi. Memang dia tak izin nak untuk create ah. Minta maaf tak izin. Jadi bila dah siap semua dah puas hati. Okey betul dah hari ni kita nak buat imej recognizer. Lepas tu kita tekan aje create. Ha create tu ciptalah. Okey, cipta ni bila dah ada. Okey, ini yang tadi ini yang terbaru. Okey, bila kita ada terbaru ni dah ada ah nak pergi mana? Senang a. Okey, saya tekan a benda ni. Okey, saya ulang eh. Bila dah siap projek, ha kita tekan sekali. Dia ada tiga benda yang tadi Dr. Adi dah sebut. Kita perlu trend. Kita kena bagi dia learn and test. Kita kena bagi dia dah siap semua puas hati. Kita cuba di sini dia ada satu circle lah macam kita buat training ah kita dah buat apa macam macam mana kata ah lari 100 m kita pergi fight lepas tu kembali training fight macam tu. Okey so yang pertama kita tengok dari sini train learn test make. Senang aje kan? Tiga. So kita pergi ke trend. Train tu trend apa? Ha di sini bila kita train kita nak late komputer kita dan di sini kita guna imej. Jangan pula tanya saya dalam teks tu. Kena letakkan jangan tanya soalan macam cikgu-cikgu kalau saya nak letak teks tu boleh tak? Boleh sebab di sini kita nak recognize imej projek kita recognize imej. Kalau recognize teks projek lain kita kena macam mana kata kena clear kita punya arah tuju. Okey bila dah siap sini di sini dia tak kata click on plus button apa so kita kena ada label macam tadi Dr. tersebut ada dua machine learning kan? Ah satu machine learning ada supervise. Okey yang supervis tu tersedia kita kena bagi dia data-data yang ada label. So di sini kita perlu add new label. Di new label ni nak letak apa? Okey letak apa? Senang aje. Projek kita rock paper seors. So kita letakkan rock. Ha bukannya hard rock tu. Okey rock. Lepas tu add. Add dulu. Add dulu. Okey, bila dah ada drop, ada dua label lagi iaitu paper. Okey, lepas tu ada satu lagi iaitu apa dah? Raw paper a scissors. Okey, bila dah siap ni, kita dah taip ada tiga kategori, tiga benda. Okey, tiga data. Lepas tu dah siap, adik-adik boleh tengok di sini dia ada drag picture from fil dan semua ni ah. Ada ni ada link www itu bukan WWE eh. Okey WW tu a website. Kita boleh masukkan website. Kita boleh gunakan webcam kita boleh lukis lukis lukis lepas tu kita boleh masukkan fa. Jadi senang lagi senanglah kalau adik jalan pintas adalah kita boleh gunakan webcam. Kalau webcam tu a bagus, jelas a boleh takabur tu boleh gunakan webcam. Kalau adik nak kata okey saya nak tangkap guna handphone lah bagi dia cantik sikit kualiti sikit boleh gunakan tangkap daripada handphone hantar ke komputer lepas tu upload ada dua cara okey so hari ini saya nak tunjuk cikgu untuk macam mana kata untuk sesi ni cikgu dah siap tangkap gambar ni contoh saja so rock ni saya akan masukkan faukkan fa di sini adalah Ha rock tu aa untuk rock kan. Jadi carikan rock. A rock satu, rock dua. Ha boleh masukkan semua fail-fail yang sama. Boleh masuk sekaligus. Kalau adik-adik rasa nak cepat kita masukkan sekaligus dan tekan aje open. Okey dia akan masuk ini data tiga. Ha drop ro drop rock rock rock. Okey lepas tu untuk paper pula sama prosedurnya. Langkah-langkah itu kita ulang masukkan paper. Kalau nak senang adik label siap-siap fail tu, gambar tu paper satu, paper dua, paper tiga, paper empat. Kalau nak 100 paper, no problem. Okey. Lepas tu kita masuk paper. Kena masuk betullah. Okey. Jangan mestilah masuk lumang yang salah. Okey. Lepas tu untuk sises kita pun sama letak yang ada. Jadi yang ni saya tangkap guna handset saja. Lepas tu saya masuk dalam komputer. Lepas tu masuk dalam mesin ni. Ah ini dah satu model ini eh. Satu mesin. Lepas tu dah siap. Nak buat apa pula? A kalau adik ada label banyak a boleh tambah. Kalau adik nak buat imej untuk haiwan contohnya kucing kucing merah, kucing hitam kucing merah tak ada eh. Ha itu kartun. Okey kucing hitam kucing coklat boleh tambah. Tapi hari ini kita nak draw paper scissors. Bila dah nampak ni dah siap semua beres. Cantik. Lepas tu kita tekan back to project. Ha bila back to project alamak dah siap tu. Dah train dah siap kita boleh pergi learn and test. Okey tekan a kita go to go through sama-sama. Okey di sini learn and test adalah belajar dan uji. Ha setiap satu model kita kena uji. Macam kita buat robot ke kena ujilah banyak-banyak. Okey di sini dia ada bagi tahu okey tiga example yang ada telah upload empat empat kalau lima-lima dia akan tunjuk secara automatik lepas tu kalau was kalau tak puas hati lagi dia akan bagi tahu bagi balik lepas tu tambah balik tangkap banyak-banyak gambar dengan sudut sini sudut sana sudut sini sudut sana sampai ada puas hati lepas tu masuk upload balik no problem sekiranya kita dah puas hati okey contohlah Hari ni saya gugur dah puas hati dengan ada gambar-gambar tu. Saya back to project. Saya terus make a tekan aje make dia akan sampai ke page ni. A di sini ada satu kucing. Seekor kucing yang sangat popular. Ah semua orang kenal sejak sekolah menengah a tahun empat dah kenal. Ada yang tahun tiga dah kenal. Iaitu kucing ini adalah kucing scratch. Scratch 3.0. Okey lepas tu tekan a scratch ni dia akan bawa satu page di mana di sini ada maklumat-maklumatnya adik kalau kalau ada mempunyai a maklumat yang info-info yang tertentu nak menambah kefahaman bolehlah baca. Okey kalau tak kita boleh straight into scratch. Bila stretch into scratch dia sama paparan tu sama seperti scratch online. Tak ada beza. Tak ada beza. Sama a. Tetapi ada satu yang berbeza iaitu sini project template. Ha di mana online punya biasa punya punya scratch dia tak ada. Dia ada ni project template. Kalau nampak a adik-adik punya bila nak masuk nanti bila free lepas tu waktu masa lapang nak try boleh. Tapi bila nampak projek template ni maksudnya adik dah dalam perjalanan yang betul. Ha itu yang TRK yang betul dah. Lepas tu adik seterusnya jangan buat apa-apa dulu. Jangan buat apa-apa. Adik pergi projek template. Ha di sini banyak-banyak projek adik boleh cuba, boleh explore sendiri. untuk yang machine learning. Okey. Tetapi hari ini kita fokus kepada rock paper saja. Rock paper seas. Ah ini a kita fokus hari ini eh. Ha supaya adik tak rasa ah tak boleh nak hadam semua tu. Okey. Bila dah masuk sini adik tekan aje projek ni dan dia akan keluar ceng keluar yang kod-kod itu kan. Tapi kod-kod ni ada yang terguna ada yang tak terguna. Okey. So saya akan secepat mungkin saya kita cuba eh. Okey. So untuk tu okey saya akan track coding ni. Kalau ada tak sempat nak catch up boleh screenshot. Okey kalau tak mahu screenshot jangan jangan risau. Boleh tengok balik recording. Okey. So saya akan tunjuk saya akan buang. Ha ini saya pun buang. Ha ni saya pun buang. Tinggal ni dulu. Okey. Tiga. Okey. Lepas tu kita nak uji baliklah. ada variabel-variabel tu. Kalau adik-adik nak tengok cara tu boleh tengok balik recording. Okey. So saya akan pergi cepat sikit. Okey. Untuk ni kita apa-apa pun kita perlu set variable. Maksudnya rumah tu kita ada tiga rumah eh. Okey. So tiga rumah saya akan keluarkan tiga rumah. Saya siapkan tiga rumah dulu. Ah ni drag bawah sikit. Alright siap tiga rumahi. Okey paper tu dah siap semua. Lepas tu di sini beza dengan scratch biasa dia tak ada yang ni raw paper scissors tak ada ni tak ada ha itu yang spesalnya so kita masukkan paper ikut paper jangan silap masuk rumah di sini senang ceritalah jangan silap masuk rumah okey bila dah masuk rumah siap-siap di bawah tu ada when I receive apa maksud when I receive adalah kita akan bercommunicate dengan kita punya webcam kamera. Ha okey. So when I receive tak ambil gambar new move, pergerakan yang baru. Ha okey saya besarkanaskan sikit. Saya bersaskan sikit supaya kita nampaklah. Okey. So bila dah ada new move, when I receive new buat apa? Ok. When I receive new move, dia perlu pergi ke images. Sorry. Hmm. Okey. Set variable set you. Ha satu variabel lagi. Set you. Lepas tu pergi ke recognize label. Dia kena recognize komputer ni kena recognize. Okey. Recognize apa? Kita punya imejes. Okey. So mungkin ada yang kata alamak laju sangatlah cikgu pun. No problem. Okey. Sebab nanti adik boleh tengok balik. Ah dah boleh kan? Ada nanti screenshot S. Okey. When I receive Rel dan semua tu dan kita perlu bagi signal. Maksudnya bila kita dah ambil gambar depan-depan tu dia akan bagi signal lah. Di sini dia bagi signal tak ada a scratch ni bagi signal dia bukan macam ni. Kita bagi macam ni tak. Bukan. Dia kena brokast. Jadi di sini kita kena brokrast satu benda. Bokras maksudnya bokras ah boleh brokas apa-apa saya cuma guna sedia ada saja yang default. Okey bila saya brokas when I receive move saya akan broadcast maksudnya bila ada pergerakan saya akan broadcast dan bila saya bagi signal mesti ada orang terima signal. Siapa tu? Itu komputer. Okey. So saya akan terima skor. Alright. Terima skor. Lepas tu dia perlu berfikir. Dia perlu berfikir. So kita pergi ke looks think siapa? Saya you itu sayalah. Okey. Kita ambil balik. Ha ini senang saja dia punya coding. Ha sebegitu. Okey, kalau sempat adik boleh snapshot siap-siap nanti boleh tengoklah handphone untuk buat cuba. Alright. Bila tak siap tu okey tengok eh tengok magic kita tekan hijau kan? Flat green flat untuk go tekan go. Lepas tu dia ada satu magic word iaitu kita kena tekan pada keyboard P. Okey kita punya number saya kan saya tengok dengan dia jadi tak. Ah dia akan recognize paper. Ha tangan ni saya paper. Saya elakkan dirilah supaya dia boleh jam paper saya. Bila paper komputer pun keluar paper dia akan draw gitu. Tetapi ada satu senario adik-adik. Okey kita tekan P. Saya cuba eh. A bagi contohnya ni. Ah tengok dia masih kul paper. Okey dan dia ini paper. Ah dia guna gunting. Saya tunjuk gunting tapi di komputer pun gunting. Tetapi hasilnya komputer ni dia baca dia bagi tahu oh sebenarnya komputer itu menang. Kenapa berlaku situasi yang ada macam ah tak betul ni a dia tak cakap tak betul. Asyik tak betul. Sebab adik dia kita punya gambar bila nampak di sini dia tak jelas. Komputer ni kita anggap dia sangat innocent, sangat macam mana kata eh dia macam baby lah. Kita kena bagi dia banyak-banyak banyak-banyak gambar, jenis-jenis gambar baru dia boleh fikir dengan secara perfect. Kalau adik-adik kata macam macam tadi kita punya machine learning, saya kembalik kepada kepada projek kita eh trend sini baru sikit sahaja gambar. Jadi bila sikit dia kurang modal, kurang modallah senang. Kurang modal, kurang data untuk berfikir dan dia boleh buat decision tu secara tergesar-gesar. Kita tak mahulah benda tu berlaku. Jadi machine learning kalau nak kita dia sangat perfect, kita kena banyakkan data. Contohnya ambil sudut dari sini ah, ambil dengan langit, ambil dengan belakang dengan situasi macam tu ah lagi banyak dia lagi senang dia nak buat keputusan. Okey so itu saja untuk yang simple projek ini. Ha saya akan host sekejap nanti boleh snapsoot kalau sempat. Okey, boleh snapsoot kalau tak sempat tengok balik recording. Okey, jangan risau nanti saya akan sharekan slide saya bersama dengan adik supaya adik ada panduanlah untuk buat something. So, ini adalah contoh sahaja untuk projek yang sangat senang. Adik boleh buat dengan apa-apa sahaja. Ada imej, ada teks, ada suara, ada nombor dan di luar imaginasi sebenarnya. Okey. So, saya back to my slide. Saya kembali kepada slaide saja. Tadi kita dah siap satu hands on. So kita tengok ini coding-coding dia. Ha ni contoh yang saya buatlah dengan kodkod ni. Dia akan sampai sini. Kalau adik boleh buat simple yang ni. Ha lepas tu kita kembangkan. Janji kita start dulu. Okey mulakan dulu. Alright. So selepas tu cikgu Go nak kongsikan a bersama dengan adik-adik ataupun cikgu jika di luar sana. Sebenarnya kita ada game logic in scratch di mana kita boleh gunakan if else untuk tambahkan kompleksiti. Kalau kamu adalah raw contohnyalah kalau kamu adalah raw batu komputer ada seizor you win. Jadi bila kita buat sesuatu dia kena ada game logik supaya kita nampak result. Okey dia boleh nampak decision dia boleh nampak prediction semua itu perlukan game logik. Okey. So saya kongsikan sedikit house computer thing. Okey. Yang tadi bagaimana komputer itu buat, model kita buat. Okey. Machine learning dia gunakan kamera untuk dia macam mana camkan pergerakan kita dan dia akan match dia akan padankan dengan data-data yang kita ada dan dia akan buat decision. Kalau kita banyak data, dia boleh camlah dengan cepat gitu. Alright. So sedikit sebanyak iaitu tadi Dr. Ali dah share tadi kita dah buat input data kita masukkan kita punya gambar selagi lagi banyak dia lagi cantik lagi macam mana kata lagi tepatlah keputusan tu dan bila dia fikir tu dia akan buat decision jadi kita kalau kita bagi data saja dia buat machine learning model dia buat decision itu adalah supervis Dr. ada kongsikan unsupervised bagaimana pula yang unlabel makah pula dia dah dapat jadi dia bergantung kepada data-data kita kalau dia banyak-banyak data tu dia boleh buat macam-macam okey so adik-adik tadi kita dah kongsikan superwise adik-adik boleh cuba dengan unsupervised ha tak terselia bagaimana dia buat ha itu yang nampak menarikkan orang lain alright so real work connection yang tadi kita buat untuk paper, rock, seasors tetapi juga kita boleh buat macam Dr. Ali share untuk buat diseasis. Okey, boleh kita buat kita punya a macam mana kata kita punya recognition. Adakah orang tu sedih, adakah orang tu a ketawa? Okey, lepas tu kita boleh identify animals in the B. Okey, contohnya kita boleh identify adakah ini kucing itu inson ini kucing apa ni kucing jenis apa. Kita boleh masukkan dengan guna label-label yang tadi. Alright. So ini contohnya contoh yang lebih nampaklah. Contohnya sini identify. Okey. Bila tadi kita identify okey dia structure macam ni okey ini adalah jira dan dia akan fikir thinking. Okey dia akan thinking dan sebagainya. Alright. So reflect dan extend sikit iaitu apa yang works well. Workswell adalah apa yang telah kita tunjuk dalam model tadi. Apa yang berlaku dengan baik iaitu kita berjaya masukkan trend, masukkan data dan semua tu. Okey. Dah berjaya coding. Okey. Lepas tu bagaimana kita struggle? Alamak struggle tu adalah bila kita buat dia keluar silap. Dia keluar silap. Bila kita kelas, kita kena kembali kepada training untuk tambahkan gambar-gambar iaitu kita boleh train model kita lebih jadi lebih cepat, lebih a pintar, lebih cerdik. Okey. So dan kita boleh kembangkan bukan lagi paper a rock dan seasors kita boleh kembangkan kepada animal recognition. Okey. Contohnya kita nampak ni masukkan pernah jumpa kan ada satu spek dan dia boleh charm benda-benda tu. Ah itu juga guna machine learning. Alright. So itu sahaja daripada saya dan saya minta maaf sekiranya terdapat kekurangan dan kekhilafan kata daripada saya, saya minta maaf. Tetapi saya berharap adik-adik boleh tengok baris recording, tengok baris garis pantuan untuk yang disharekan tu untuk mula dengan projek simple dan kita tambahkan keyakinan kita perembangkan. Jangan dan jangan lupa ikut nanti sesi yang seterusnya. Jangan pergi mana-mana tahu. Okey. So, itu saja daripada saya. Saya kembali kepada moderator. Terima kasih. Okey. Oh, sama-sama. Terima kasih Dr. Go. Penerangan yang sangat jelas dan juga teliti. Harap-harap adik-adik semua especially pelajar-pelajar sekolah menengah yang dah biasa dengar Scratch daripada sekolah rendah tu dapat mengaplikasikan Scratch tu di dalam er model AI yang bakal mereka cipta atau imagin kan. Okey. Jadi sekarang tanpa kita membuang masa lagi saya menjemput Dr. Mastura. Okey kita menjemput Dr. Mastura untuk menunjukkan demo aplikasi AI yakni AI Computer Vision. Adakah ada Dr. Mastura di pentas bersama kita? Hai assalamualaikum. Waalaikumussalam doktor. Okey. A terima kasih kerana jemput saya. Okey. Pertama sekali assalamualaikum adik-beradik semua. Okey. Pertama sekali saya akan sharekan dulu skrin saya. Kejap. Ya, saya ambil masa untuk a sharekan skrin H H Okey, nampaknya ada berlaku er masalah teknikalah ya Dr. Ali. Ha ah tak apa. Biasalah dalam ni mungkin kita er kita tunggu 2 minit seminit ke atau kalau tak ada juga kita boleh teruskan dengan menjemput. Ah okey ah tak ada dah. Okey harap-harap Dr. Masura boleh kembali semula ke dalam view kita. Sudah dekat sini ah. Sekarang sudah kembali. Ah ya. Maaf tadi dia terlog out. Okey saya nak a share skren dulu terlebih dahulu. Baik kejap ya. Nak share skren. Tak apa. Saya akan inform lah sekiranya dah share ke belum. Boleh share. Kejap dia tengah loading. Okey, maaf ya. Ada tak? Setakat ni belum keluar apa-apa lagi ya doktor. Okey, buat sementara presentation tengah loading, saya masukkan dulu share. link yang diperlukan. Okey, presentation dah keluar doktor. Okey, boleh. Alright, terima kasih. Alright, ini link untuk apa doktor? Ini untuk dua AI tools yang kita akan gunakan diperkenalkan untuk sas ni. Okey, yang star by face ni. Okey, tapi kita akan tengok kepada ni dululah. Okey. Okey. Baik. Silakan. Okey. So, assalamualaikum adik-adik semua. Okey, selamat datang kepada ke Imaging Cup Junior. Okey, dan bagi sesi saya, saya akan memperkenalkan dua. Okey, saya a akan memperkenalkan dua jenis a peralatan yang digunakan untuk mengenal pasti muka atau dan juga a ada lagi satu er aplikasi yang digunakan untuk mengenal pasti alatan. Okey. Okey. Er jadi er er aktiviti ini boleh dijalankan semasa awal kelas ataupun semasa pembelajaran berlangsung. Adik-adik boleh belajar menggunakan a aplikasi ni sebagai a sebagai carian imej. Okey. Tadi a seperti yang di yang diterangkan oleh a presenterp presenter yang terdahulu tentang alatan AI. kali ni pun sama tapi ah dia lebih bersifat untuk er search membuat search er imej. Okey. Okey. Yang pertama, aktiviti yang pertama a semuanya di wajah anda. Okey. A apa yang diperlukan oleh adik-adik adalah a sebuah komputer, telefon bimbit pun boleh, komputer riba dan kemudian perlukan gambar. Okey, gambar yang digunakan sama ada wajah sendiri ataupun wajah rakan. And then okey kemudian boleh pergi ke link ini, Star by Face. Okey. Jadi saya akan tunjukkan bagaimana bagaimana star by face ni akan berjalanlah ya. Okey. Okey. A boleh nampak ni ke? Hmm. Okey. A okey. So star by face ni ini adalah interface. Okey. Dan dia adalah percuma. Okey. Kemudian dia akan ada satu kotak seperti ini. Okey. Di mana di bahagian ini kalau boleh nampak upload a picture. So di sini adik-adik tak perlu buat apa-apa. Cuma kalau setiap gambar yang kita ada contohnya seperti sini kan ada gambar Presiden Donald Trump and then ada beberapa selebriti Hollywood yang lain. Okey. So apa yang kita perlu buat adalah upload a page. Okey. A picture. So kita cuma kita cuma masukkan gambar seperti ini. Okey. Contoh. Okey. Jadi hasil dapatan hasil carian daripada imej tadi. Okey mereka akan kenal pasti beberapa selebriti lain yang mempunyai wajah yang hampir sama. Okey kalau kita tengok di sini kan dia ada persentage. Okey a percentage a yang lebih similar 54 lebih aa yang paling aa paling seiras paling iras. Kemudian 51%, 46% 38%. Kemudian yang sehingga yang paling rendah sebanyak 35%. Okey, ini contoh ataupun kalau kita nak buat carian semula, kita boleh tekan button again. Okey. Okey, kalau nak senang, another cara kalau selain daripada tekan di sini adalah adik apa yang adik-adik boleh buat? Kita a kita boleh drag sahaja daripada folder contohnya. Okey, saya drag gambar. Saya drag gambar. Okey. Tadi kita buat carian kan kita kita guna button upload tapi sekarang ni kita cuma drag daripada folder dan terus dimasukkan ke sini. Okey. Kemudian seperti biasa dia akan keluarkan result. Okey. Yang mana yang paling seiras sehingga yang paling tidak seiras. Okey, di atas ni dalam kotak warna merah ni adalah persentage okey kesamaan bagi pelakon tadi Sfiq Kil dengan pelakon-pelakon yang lain. Okey. Okey. So, m Okey. Kemudian kita balik kepada aa slaide tadi. Okey. Wait. Hmm. Okey. Yang ni contoh eh. Okey, another contoh apa yang boleh adik-adik buat adalah satu lagi contoh. Okey. Okey. Er Afz sekarang tengah ni apa kejap macam mana dia ni eh? Kejap saya terpaksa stop skrin sekejap ya. Hmm. Okey. Okey. Boleh nampak ke? Okey. Contohnya kita akan pergi kepada contoh gambar yang lain seperti yang ni. Okey. So dia kata error kat sini. Please try to upload another photo. Okey. So maybe sebab dia agak keliru. Okey. Wait. Tak boleh. Ada ada setengah-setengah gambar yang tidak dapat di aa di-share. Okey, contoh. Okey, gambar ni baik. Tadi gambar tadi mungkin formatnya tak sama. Jadi, aa kena tengok juga. Okey, contoh yang ni adalah gambar yang ketiga. Okey, ni adalah similarities between gambar yang kita masukkan dan juga gambar-gambar hasil carian daripada starbyface.com. Alright. Okey. So Okey. Okey. Aza boleh a sedang sekarang ni tengah share apa? Okey nampak tak slides? Okey. Alright. tadi kita dah buat ya aktiviti yang kedua di mana kita dah buat naik gambar sendiri dan lihat aktiviti lelaki dan wanita yang paling menyerupai wajah a pelakon tadi. Okey. Okey. Okey. Kemudian a apa yang saya Okey. Kemudian aa setelah kita guna gambar-gambar tadi, okey aa mari kita bincangkan aa tentang ketepatan alat alat-alat ini tadi. Okey yang kita gunakan. Okey. So bagaimana dengan ketepatan alat ini? Okey. Bincangkan ketepatan yang alat-alat tersebut. contoh tadi yang kita gunakan right. Adakah anda merasakan alat-alat ini sangat aa berkesan? Auza. Cikgu Aza. Ya doktor. Okey sebab ni adalah aktiviti bersama pelajar. Okey jadi kita minta pelajar untuk er apa memberi feedback adakah ketepatan alat-alat ini er mengikut pandangan mereka. Ah okey kita tengok adakah yang pelajar-pelajar dekat atas dekat dalam YouTube kita ni dah cuba ah sebab kita dah hantar link dekat dalam live chat a tu www.starbyface starbyface.com. Sajar-sajar, adik-adik semua boleh tekan link tersebut and then cuba test. Manalah tahu muka kita ada yang sama macam muka artis-artis dekat luar sana. Ha nampaknya saya pun kena cuba juga ni. Okey. Okey. Alright. So yang tu adalah aktiviti yang kedua. pertama. Kedua. Okey. Okey. Ah selepas carian tersebut, ada tak mereka ada bagiahu er imej-imej yang menyerupai wajah mereka? Ada tak antara mereka yang jumpa? Ah setakat ni mereka masih senyap lagilah doktor di dalam live chat ni. Mungkin mereka ya a mereka tak buat lagi ke macam mana tah. Okey tak apa. Okey mari kita bincangkan tentang gambar-gambar ini ya. Okey kita tengok eh kita cuba lagi supaya kita boleh bincangkan hasil ketepatan daripada two ini. Okey start by face kalau kita tengok. Okey daripada gambar ni tadi. Okey gambar yang pertama. Okey dan juga gambar yang kelima. Okey satu 54% dan juga yang gambar yang kelima sebanyak 38%. Maksudnya ketepatan ini yang pegaman pertama Park Mong ni. Okey. Er dan juga berbanding dengan Claudia Kim. Jadi er apabila semakin er resultnya okey hasil dapatan daripada a star by face tadi okey nampaknya ketepatannya semakin berkurang. Betul tak? Kalau kita tengok. Okey. Hmm. Jadi yang pertama lebih seiras dengan gambar yang asal. Kemudian gambar yang kelima ataupun gambar yang keenam paling tidak seiras dengan gambar yang asal. Asal. Okey. So apa yang adik-adik boleh buat adalah a boleh gunakan gambar yang berbeza-beza. Okey. Betul. Tapi mungkin bahaya kut kalau guna gambar sendiri ya doktor. Ha ah betul. Okey. Kemudian ya ya cikgu Hamzah tak ada tak ada. Okey. Jadi hmm okey jadi apa yang saya lihat er a laman web ni sangat senang untuk digunakan. Okey. Dia boleh guna untuk gambar-gambar lain juga. Okey. Jadi ini adalah aktiviti yang kedua. Okey, boleh kita teruskan dengan aktiviti yang lain. Silakan doktor. Okey. Alright. A nampak tak dia punya slaide tu? Belum keluar lagi. Okey, sekarang dah keluar. H. Alright. Okey untuk aktiviti yang kedua, terima kasih Profesor Madia Dr. Mohammad Ali. Okey untuk aktiviti yang ketiga, kita akan gunakan Bing.com www.bing.com visual search. Okey. So Bom dia lebih general. Kita tak menggunakan imej wajah sahaja tetapi kita boleh menggunakan pelbagai jenis gambar okey yang yang kita inginkan. contoh. Okey saya akan er gunakan ya. Okey saya akan buka www.bing.com. Okey so harap semua boleh aa tengok juga. Okey.com. Alright. So aa boleh nampak skrin kan gambar ni gambar pasu bunga yang warna hijau and tulisan see it search it the world the world is visual now search is to okey so sebenarnya hmm gambar ni okey sebenarnya a Google a sebenarnya carian untuk imej a telah ada di dalam er tek di dalam pasaran dah lama tetapi kali Kali ini Microsoft mengeluarkan visual visual search mereka sendiri yang bernama Bing.com. Okey, contoh di sini boleh nampakkan ada gambar kat sini drage. You can take a picture using your phone or using your camera, using your laptop or using your tablet or you can paste or give an UR URL over there. Okey, letak kat sini. Kalau tekan kita just copy and paste. Masukkan URL kat sini. Contoh macam yang ni kan. Jadi dia akan keluar tadi sebab saya masukkan star by face tu. Atau seperti biasa kita boleh buat kita boleh cari gambar. Okey cari yang gambar kat sini. Okey contohnya dolphin. Okey jadi a gambar yang saya masukkan tadi adalah yang gambar yang besar ni. Jadi mereka akan cari okey er Visual Search akan mengeluarkan hasil-hasil carian yang similar. Okey ada dua ekor dolfin yang akan berenang-renang di sini. Okey nampak kan? Okey ini adalah contoh yang pertama ataupun kalau kita nak guna okey fungsi button find imej pun boleh juga. Maksudnya kita akan search gambar. Okey, contoh bunga rose. Okey, and then keluar akan keluar beberapa gambar bunga rose. Okey, nampak kan? Okey, ataupun contoh yang kedua, a kita kita membuat carian teleskop. Okey, what is teleskop? Okey, so mereka akan keluarkan hasil-hasil carian teleskop. Okey, gambar-gambar yang ada di internet ataupun kalau adik-adik boleh nampak ada beberapa gambar kat sini. Find chairs like this. Search for Navy Hills. Okey, Navy Hills adalah kasut tinggi yang berwarna biru ataupun bunga carnations. Carnation or daisy this one. Okey, or this one aa the landmarks in Egypt. Okey, let's say we want to search landmarks in Egypt. Okey. Okey. So, mereka akan keluarkan okey gambar-gambar yang berkaitan dengan piramid Gizza. Okey, in Egypt. So okey ni contoh. Jadi ada beberapa fungsi yang adik-adik boleh explore. Okey sama ada kita nak guna button-button di sini ataupun menggunakan gambar-gambar yang sedia ada di sini. Okey, contoh kita ambil lagi satu contoh. Okey, find chest like this. Okey, chest yang berwarna kuning. Okey, jadi walaupun kerusi-kerusi tersebut tidak menggambarkan kerusi yang sama tetapi ia haruslah berwarna kuning dan berkaki empat ataupun kalau dia bukan warna kuning macam kat sini dia berwarna hijau tetapi dia masih lagi berkaki empat dan berbentuk square. Okey, nampak kan? Okey, so ini adalah antara carian-carian yang boleh digunakan oleh adik-adik semua. Okey, mari kita cuba lagi sekali. Okey, a gambar a contohnya. Okey, mencari gambar tapak Sulaiman. Okey. Jadi ah nampakkan hasil-hasil carian mereka akan berikan gambar-gambar tapak Sulaiman yang er yang berkaitan tetapi mungkin dengan warna yang berbeza. Okey. Bentuk yang sedikit berbeza. Okey. Spesies yang mungkin sedikit berbeza. Ada yang kurus, ada yang besar. Tapi mereka masih lagi dalam kategori tapak Sulaiman. Okey, boleh ya. Okey, sebenarnya, adakah ia menggunakan konsep yang sama macam star by face tadi doktor? Dia akan cari er ketepatan yang hampir serupa. M hm. Betul. Tapi mm hm ya betul. Menggunakan AI juga mereka akan cari gambar-gambar yang seakan-akan. Contohnya kita ambil bunga tadi. Bunga tadi berwarna pink pail. Pilpink kan? Jadi hasil dapatan juga akan kita akan dapat pil pink er flowers. Okey nampak tak? Semua dapatan adalah similar. Pil pink flowers with satu dahan yang warna hijau. Okey. Supervise ke un supervised doktor? Apa ya? Tak dengar ini. kira super adakah ini seperti supervised machine learning ke unsupervised machine learning? Saya rasa lebih macamv lebih accurate berbanding dengan aa hasil aa AI yang lain sebab hasil dapatannya sangat similar. Contoh kita tengok yang gambar anjing tadi kan gambar anjing ni. Okey. Jadi semua anjing-anjing yang keluar hampir sama a gambar mereka. Walaupun kita tahu kan macam-macam jenis anjing the brids right the dog brids tu banyak tetapi hasil carian tersebut akan menunjukkan yang hampir serupa. Maksud hmm okey mari kita cuba lagi satu gambar. Okey kalau paste and imej paste imej. Okey saya cuba untuk drag an image ya kejap. Okey wait ah saya cuba untuk drag and imej kat situ. Okey. Okey. Gambar pantai. Ha okey. Okey. Kalau kita tengok gambar pantai ini, dia menunjukkan a ada warna hijau, pokok-pokok kan. And then gambar pantai yang warna biru lembut. Kemudian pantai yang putih dan bersih. Jadi gambar-gambar yang dia hasil dapatan daripada carian daripada bing.com visual search also mesti akan ada gambar yang seakan-akan pokok-pokok a pantai yang berwarna biru lembut dan kemudian tanah a pasir-pasir pantai berwarna putih walaupun di tempat-tempat yang berbeza-beza. Hmm. Kita boleh tengok kan ni hasil dapatan mesti akan ada pokok-pokok yang a hampir sama. Hmm. Okey. A okey. Hmm. Okey. Okey. Kemudian okey. A saya nak share yang slide tu balik. Kita semula ke slide. Okey. Wait. Nampak tak? Alright. So okey kemudian m okey tadi kita dah cuba Microsoft Bing Vinzo shirt search di mana kita dah cuba pilih satu imej kemudian kita tumpukan kepada imej-imej yang daripada hasil dapatan tersebut. Betul tekan. Okey. Kemudian kita akan a lihat balik a visual search tadi. Okey. Kita akan klik pada certain area in that picture. Okey. Mungkin mereka akan lebih apa? Accurate. Okey. Contoh kita cuba ya. Eh jaap saya nak search saya nak share balik yang tadi skrin. Okey okey kita ambil gambar basu bunga. Nampak kan a cikgu Hafzah? Ya betul nampak. Okey, contoh di gambar tadi tu dia kata kita boleh tekankan di setiap dotdot ini. Jadi dia akan narrow down imej yang kita hendak lihat saja. Contohnya gambar yang asal dia terdapat bunga pasu bunga, bunga, daun dan juga pasu. Tapi sekiranya kita tekan kepada er tanda biru yang bawah ini, dia akan fokus kepada pasu sahaja. Jadi hasil carian akan menunjukkan hanipu yang berwarna coklat dan bulat dan berbentuk bulat. Okey. Okey. Contohnya lagi sekali kalau saya tekan kepada bulat yang pertama yang tadi tu dia akan memberikan hasil carian pasu. Okey. Bunga, daun dan juga pasu. Tapi sekiranya saya tekan kepada yang ini sahaja maka hanya pasu yang akan keluar. Okey, mari kita cuba dengan gambar lain. Okey, contoh. Okey, ini adalah satu kawasan kemping atau dengan lebih dikenali dengan perkataan glamping. Okey, kemudian hasil akan menunjukkan beberapa tempat yang a mempunyai konsep yang sama, mempunyai konsep glamping. Okey, seperti gambar-gambar yang tertera. Okey, cuba kita lihat kalau kita tekan kepada bulatan berwarna biru ni, dia fokus hanya kepada jambatan. Jadi gambar-gambar hasil carian akan keluar hanya jambatan. Okey, boleh tengokkan. Okey. Hmm. Rasanya insya-Allah kita punya pelajar-pelajar dekat dalam er streaming YouTube ah dah makin jelas ni doktor. Oh ya boleh. Insya-Allah mereka dah faham. Ya. Untuk gambar yang terakhir kita akan cuba untuk guna baju a Cinderella dress. Okey. Gaun berwarna biru. Okey. Contoh kalau kita tekan yang warna biru ini, dia akan fokus kepada gaun biru sahaja. Okey. Jadi pelbagai gaun biru akan keluar. Okey. Okey. Gambar yang ada yang gambar yang berbeza-beza. Ada yang berwarna macam sedikit biru purple. Okey. Macam yang gambar ini ada L sikit. Tapi dia masih lagi dalam kategori biru dan bergaun kembang. Okey doktor nampaknya masa pun dah tamat eh. kita dah jumpa banyak cara untuk cari gambarlah melalui er Microsoft visual dan juga tadi yang sangat menarik bagi sayalah yang start by face. Terima kasih banyak-banyak kita ucapkan Dr. Mas sebab dah bagi demonstrasi untuk AI visual. Seterusnya kita akan minta penerangan yang lebih lanjut daripada Encik Hanif. Terima kasih banyak ya doktor. Okey. Alright. Terima kasih. Sama-sama. Okey, kita teruskan dengan a Encik Hanil yang bakal memberi penerangan yang lebih lanjut lagi mengenai a visual. A penerangan tentang AI komputer visual ya. Teruskan Encik Hanil. Okey. A terima kasih aa Encik Hafzah ya. Okey. Alright. A jadi saya akan share dulu saya punya slide. M. Alright. Okey, boleh nampak eh? Ya. Okey. Er, pertama sekali selamat datang kepada semua pelajar-pelajar ya. Okey. Alright. So, hari ini cikgu akan terangkan mengenai a komputer vision. Okey. So, untuk ah pertama sekali a saya rasa semua pelajar-pelajar telah pun faham ya sekarang ni adalah APIAPI yang boleh digunakan oleh pelajar-pelajar dalam projek ICJ nanti ya. Okey. Jadi aa kalau yang masih belum faham apa itu API. Okey. API ni sebenarnya adalah application programming interface. Okey. Aa dia adalah satu istilah yang canggih untuk alat yang sudah dibina siap bagi membantu pembangunan seperti kita menambah ciri pintar ke dalam aplikasi tanpa perlu kita nak bina benda tu daripada kosong. Okey. So mari kita fokus kepada bahagian yang pertama sekali iaitu bahagian vision tu. Okey. So di bawah bahagian vision tu kita ada computer vision, kita ada face, form recognizer dan juga video indexer. Okey. A so hari ni kita nak fokus kepada komputer vision dulu. Okey. Kita nak lihat apa sebenarnya computer vision ni. Okey. A so pertama sekali kalau kita lihat pada gambar ni eh. Ha okey. Kalau kita lihat kita cuba nak fahamkan apa itu komputer vision. Ia bermaksud mengajar komputer untuk mengesan wajah manusia dalam gambar ataupun video dan memahami ekspresi apa yang ditunjukkan oleh seseorang itu. So adakah kita nak tengok gambar tu orang tu gembira, dia sedih atau dia terkejut? So anda boleh lihat dalam imej ni bagaimana sistem telah kesan bentuk wajah. So ini menunjukkan bahawa komputer telah mengenal pasti mereka dahulu. Kemudian nanti lepas ni baru kita tengok macam mana dia kesan apakah ekspresi dia. Okey. Tapi a teknologi ni sebenarnya dia tidak terhenti di sini saja ya. A ia digunakan dalam pelbagai cara macam mungkin pelajar-pelajar dah dah sekarang ni dah ada telefon yang canggih-canggih. Okey. So telefon sekarang ni kita boleh unlock pakaikan Face ID. So itu pun menggunakan computer vision. Okey dan kemudian ada banyak filter-filter di media sosial ah yang bila kita gerakkan kita punya wajah dia mengikut pergerakan wajah kita. Ha itu pun salah satu contoh. A dan ada banyak lagilah sebenarnya aplikasi-aplikasi di luar tu yang menggunakan aa komputer vision. Okey. Alright. Aa seterusnya kita nak lihat a tentang apa itu facial face recognition ya. Okey. Er mungkin pelajar-pelajar tertanya-tanya, "Okey, bagaimana sebenarnya komputer ni boleh mengenal pasti perkara seperti emosi ataupun umur a seseorang itu daripada foto." Okey, so komputer sebenarnya dia menggunakan sesuatu yang dipanggil facial landmarks. Okey. So ini adalah sebenarnya titik-titik kecil ataupun koordinat pada wajah yang dikesan oleh komputer. Dan a titik-titik ni dia ada banyaklah tapi basic aa titik dia ada dalam 27 a titik yang dia akan lukis. Dan daripada falandmark ini dia akan membantu AI untuk mengenal pasti perkara-perkara seperti umur. Adakah sama ada orang itu tersenyum, adakah dia mempunyai misai, adakah dia berjanggut ataupun arah kepala mereka sedang berpaling ataupun tidak. A dan a perkara-perkara lain. Okey. Alright. A seterusnya, face identification. Okey. So slaide ni dia menunjukkan kepada kita sesuatu yang dipanggil face identification. Dia berbeza sedikit daripada emotion recognition. Ia hanya memahami ekspresi sahaja. So face identification ni sebenarnya dia mengenal pasti siapa individu tersebut. So bagaimanakah AI melakukan benda ni? A okey. So komputer ni sebenarnya dia mempunyai satu perpustakaan wajah yang sangat besar. Okey. So kadangkala sehingga sejuta orang ia akan membandingkan wajah yang anda tunjukkan dengan wajah-wajah dalam perpustakaan ni. So setelah dia buat comparation ni dengan menggunakan titik-titik penting pada wajah seperti jarak di antara hidung dengan mata, a bentuk rahang, a ia akan cuba padankan wajah itu dengan seseorang yang sudah dikenali dalam a perpustakaan tadilah ataupun database tadi. Okey. So inilah juga cara sebenarnya bagaimana aa telefon kita tu boleh unlock a dengan menggunakan wajah kita dan juga macam contohnya di lapangan terbang eh aa bagaimana penumpang kapal terbang menaiki a pesawat dengan hanya menggunakan imbasan wajah. Okey seterusnya kita nak lihat kepada satu lagi a features yang terdapat iaitu similar face search. Okey. So bayangkan kalau adik-adik er mencari seseorang itu dengan tepat. Okey. Ah so adik nak tengok ah orang ni muka siapa yang dia muka serupa dengan saya. Ha macam tadi yang ada Dr. Mastura aa cuba buat tadi kan aktiviti tu. Okey. So fungsi similar face search ni adalah dia akan membantu kita untuk mengelompokkan gambar ah mengikut individu dan kalau contohnya kita nak mencari seseorang individu itu dalam satu video. Okey. Malah sebenarnya dia juga boleh membina aplikasi yang menyeronokkan ah seperti mencari selebriti yang seiras dengan anda. Ah okey. Itu salah satu contoh kegunaan features a similar face search. Okey. Ah seterusnya kita nak lihat kepada face grouping ya. Okey. So setakat ni kita sudah pun bincang tentang aa mencari wajah tertentu atau wajah yang serupa. Tapi bagaimana jika anda ada banyak gambar dengan ramai orang dan anda mahu komputer bantu untuk susun semuanya. So inilah kegunaan face grouping. So ia sebenarnya secara automatik mengimbas semua wajah dalam gambar anda dan mengumpulkan wajah-wajah yang kelihatan sama. Sebagai contoh a dalam gambar ni a lelaki di sebelah kiri dan kanan adalah orang yang sama dan perisian ini telah mengumpulkan kedua-dua gambar itu bersama. Okey. So fungsi ini sama seperti apa yang anda jumpa dalam aplikasi galeri atau er sosial media. Ia membantu anda susun gambar mengikut orang dan perisian ini telah pun buat benda tu dengan berjaya eh. Okey. Alright. Kita lihat seterusnya a yang terakhir iaitu emotion recognition. Okey. So, komputer sekarang boleh tahu sama ada anda gembira, sedih, terkejut dengan menganalisis wajah anda. Dan seperti anda tengok dalam slaide ni, anda boleh lihat ada tujuh emosi asas yang telah dilatih dalam AI ni untuk dikenali. Okey. Iaitu antaranya adalah anger, disgust, fear, joy, feeling neutral, sadness ataupun surprise. So emosi-emosi ni adalah lebih kurang sama bagi orang di seluruh dunia yang mengekspresikannya dengan cara yang serupa. Aa so Computer Vision telah dilatih dengan ribuan contoh untuk mengesan perubahan kecil pada wajah anda. So di mana gunanya a features ini? Okey. Contohnya macam aa dalam khidmat pelanggan, kita nak tahu sama ada pelanggan kita tu gembira ataupun marah. Kalau macam kita buat a kelas online, kita boleh tahu sama ada pelajar kita ni keliru ataupun dia bosan. A dan mungkin dalam healthcare, penjagaan kesihatan, dia digunakan untuk a mengenal pasti sama ada kalau pesakit itu mengalami tekanan emosi ataupun tidak. Okey. Alright. Seterusnya kita nak pergi kepada bahagian yang lebih teknikal sikit. Okey kita cuba nak lihat aa bagaimana sebenarnya komputer ini melihat wajah-wajah yang kita beri kepada dia. Okey. So mungkin a adik pun tertanya-tanya sebelum ni macam mana eh dia orang boleh recognize semua imej-imej. Okey. So dia ada tiga proses. Okey. Kalau kita tengok proses yang pertama ialah imej akan ditukar kepada nombor. Okey. Yang adik-adik tengok yang ada berbentuk nombor satu eh. A okey. So imej akan ditukar kepada nombor dan setiap gambar terdiri daripada satu piksel. Okey. Dan setiap piksel mempunyai nilai tertentu. So bayangkan ia seperti satu hamparan nombor. Okey. Kemudian proses yang kedua ialah neural network akan membaca nombor ini dan sistem ini berfungsi seperti otak manusia. Dia akan mengenal pasti corak dalam nombor-nombor tersebut. Dan proses yang terakhir ialah komputer ini akan cuba memahami imej tersebut. So dengan menggunakan operasi matematik dan pengecapan corak, komputer akan boleh melihat dan mengenali wajah ataupun objek tersebut. Okey. Alright. Seterusnya a kita nak lihat sedikit aa mengenai facial recognition eh. Okey. So untuk facial recognition ni dia ada dua bahagian utama. Aa apa dalam proses dia mengenal pasti muka tu. Okey. So, pertama sekali kita kena buat training lah. Okey. So, komputer akan belajar dengan mengenali wajah, dengan melihat banyak gambar dan menukarkannya kepada kod yang unik. Dan seterusnya dia akan melalui proses deployment di mana komputer akan membandingkan kod wajah seseorang dengan pengkalan data untuk lebih mengenalinya. Ah so secara ringkasnya komputer sebenarnya dia akan belajar kemudian menukar wajah kepada kod dan akhir sekali mencari padanan dalam senarai dia. Okey. Ha so mudah kan? Saya harap a adik-adik sekarang ni dah mendapat sedikit gambaran sebenarnya bagaimana sebenarnya komputer ini melihat. Okey, seterusnya saya nak kongsi sedikit real life application okey ataupun proses-proses a sorry bukan proses saya nak share dengan adik-adik a projek-projek yang telah dibuat oleh peserta-peserta ICJ yang sebelum ini yang telah pun aa gunakan komputer vision dalam projek mereka. Okey. So saya nak tunjukkan dahulu yang pertama ni a projek ni nama dia vehicle counting and classification. Okey. Di mana projek ni aa pelajar menggunakan komputer vision untuk mengira berapa banyak kenderaan yang melalui satu-satu jalan itu dan kemudian mengklasifikasikan sama ada kenderaan itu kenderaan berat ataupun kenderaan lingan. Dan ini sebenarnya satu contoh hebat bagaimana AI boleh membantu dalam pengurusan trafik ah perancangan bandar dan juga macam mana memantau alam sekitarlah. Okey contohnya. Okey kita lihat projek yang seterusnya. Okey a projek ini nama dia adalah traffic sign recognition. Okey so sistem ini direka untuk mengenal pasti pelbagai papan tanda daripada gambar ataupun video secara langsung. So ia memberi panduan kepada pemandu seperti yang dilakukan oleh kalau adik-adik pernah dengar self driving car eh kereta yang dipandu sendiri. So komputer vision di sini membantu mereka mengenal pasti had laju a papan tanda berhenti dan apa-apa saja papan amaran yang ada. Dan dengan hanya menggunakan kamera biasa dan model AI terlatih, mereka berjaya membina sesuatu yang boleh menjadikan jalan raya lebih selamat dan pintar. Okey kita lihat satu lagi projek. Okey projek ini namanya adalah plant disease detection. Okey di mana pelajar-pelajar membina sistem yang boleh menganalisis gambar daun tumbuhan. So dengan mengesan tompokkan perubahan warna ataupun tanda-tanda penyakit mereka berjaya mengklasifikasikan jenis penyakit yang mungkin a dijangkiti oleh tumpuhan tumbuhan tersebut. So ini sebenarnya sangat membantu para petani terutamanya yang berada di kawasan luar bandar kerana ia membolehkan mereka mengesan masalah dengan lebih awal dan melindungi tanaman mereka. Okey dan satu lagi projek yang terakhir yang cikgu nak kongsikan hari ini ialah sain language detection di mana pelajar-pelajar telah buat satu projek untuk mengenal pasti isyarat tangan eh ha di mana padanan dengan huruf ataupun perkataan dalam bahasa isyarat dan ia berpotensi untuk membantu menterjemah komunikasi untuk orang pekak ataupun kurang pendengaran. So ianya berfungsi dengan menganalisis bentuk dan kedudukan tangan menggunakan video ataupun gambar dan memadankannya dengan isyarat yang dikenali. So dengan kita train AI model ni dengan lebih banyak, ia mungkin boleh menjadi sebahagian daripada alat penterjemah a pada masa akan datang. Okey. So saya harap dengan melihat contoh-contoh projek sebelum ni, pelajar-pelajar mendapat sedikit idea eh bagaimana a nak menggunakan a komputer vision di dalam projek-projek adik-adik nanti. Okey. So jadi a dengan itu dah kita dah lihat macam-macam ah daripada papan tanda jalan, telefon pintar hingga ke pertanian dan a macam-macam lagi. Saya harap pelajar-pelajar pun akan dapat menghasilkan satu projek yang luar biasa. Okey. So, itu saja daripada saya. Terima kasih. Terima kasih banyak-banyak Cikgu Hanil. A banyak maklumat yang kita dapat daripada Cikgu Hanil tadi especially dari sudut penerangan mengenai a visual. kita even dapat kesempatan untuk tengok contoh-contoh daripada pertandingan ICJ yang lepas apa yang mereka telah gunakan especially dalam penggunaan AI visual ni. It's a very interesting konsep. Ah jadi sekarang terima kasih-banyak ya Encik Cikgu Hanil ah semoga semua pelajar-pelajar dan viewers kita di YouTube dapat meaplikasikan apa yang dah dipelajari hari ini di dalam projek masing-masing. Okey, seterusnya. Okey, seterusnya kita akan menjalankan a satu aktiviti tetapi a untuk pengetahuan semua sekarang kita sudah pun mencap sampai pada pukul 4:36 petang. Jadi a sepatutnya bengkel kita tamat pada pukul 4:30. Namun begitu kita tetap akan meneruskan aktiviti kahut kita. Bagi pelajar-pelajar yang masih mahu berada di dalam streaming dan join, participate in our kah apa salahnya kita tunggu a dan join kahud kita. Maka a dan selain itu a pelajar-pelajar lain ataupun mungkin cikgu-cikgu a rasa macam perlu beredar ke a masalah. Jadi sekarang kita akan pasangkan kahut di dalam paparan. Untuk kahut ni hanya pelajar-pelajar sahaja yang dijemput untuk menjadi peserta. Ah cikgu-cikgu janganlah menjadi peserta pula ya. Alright. M Kahut akan dipasang dipaparkan dan aa link kepada Kahut ada di dalam aa apa live chat YouTube ya. ah tekan link tersebut ah dan isikan game pin yang diberi iaitu 7575858. Untuk pengetahuan adik-adik sekalian yang a menjawab soalan-soalan Kahut ni dan mendapat tempat satu, dua dan tiga akan mendapat saru hati daripada pihak penganjur. Jadi ah apa kata kita rebutkan peluang ni, apa kata kita ambil peluang-peluang yang ada. Especially selepas kita dah mendengar semua penerangan tadi kan. Lama lama juga penerangan tu tapi suguhnyaalah input-input yang penting. Kita ada minta tulis nota sikit kan. So apabila kita dah tulis nota tu apa salahnya? Apalah salahnya menanglah hari in bolehlah ini kalilah kita menang kan. Baik sekarang kita ada 11 orang peserta dalam kahut kita. Kita tunggu lebih lama sikitlah. masa tak mengizinkan. Haah. Ya. 50 orang. Okey. Adakah kita akan teruskan saja? Dr Ali tunggu sampai 50. Boleh dengar tak? A kurang dengar sikit ah. Ada tenggelam sikit. Oh kurang dengar. Ha ya sekarang jelas. Ah sekarang lagi jelas. Ya. Mungkin kita tunggu seminit ke doktor ah sebab seminit a ramai pula. Ha ah betul ramai dah nak balik rumah ni. Kena cepat-cepat kan cikgu Hamzah betul nanti nanti kita tunggu lagi 30 saat ya. 30 saat apa semua orang dah kat rumah agaknya kut. Mungkin juga. Okey mungkin kalau kita boleh sampai 30 boleh mulalah kut. lapan kira sampai 20 second. Ha ah 20 19 macam ni. Jangan lupa ya yang akan menang nanti jangan larikan diri. Jangan larikan diri dulu nanti tak dapat hadiah. Ah pastikan anda berada lagi dekat dalam live chat tu untuk dapatkan link supaya pemenang-pemenang dapat tuliskan maklumat masing-masing ya. Ini untuk pemenang sahaja. Alright. Okey. Dah sampai 30 dah doktor. 30 dah. Kuiz ni dia berkaitan dengan topik-topik pembentang pada hari ini. Jadi memang kena pay attention lah dengan pembentang tadi. Esok pun sama. Okey. So siapa yang attention mesti dapat jawab mesti menang. Betul. Hari ni ada, esok pun ada. Kalau tak dapat hari ni esok ada peluang lagi. Haah. Syarat-syarat dia ada. Sorry. Syarat-syarat dia adalah pelajar sekolah menengah saja. Pelajar sekolah renang nak join tak bolehlah kut. Boleh. Susah susah sikit kut. Ah kita dah sampai 32 orang peserta dah doktor. Ya. Okey. Okah kita kira sekali lagi sampai 10 second. Okey. 10 semilan lapan tujuh enam lima, empat tiga, dua, satu. Okey, kita akan mulakan. Okey. Okey, semua. Introduction to machine learning. Pengenalan untuk pembelajaran mesin. Soalan pertama ni bukan soalan dia macam surveil. Ini ialah refleksi. Okey refleksi ni tak ada markah ni. Adakah anda semua very familiar? Semua teror. Familiar. Rasa rasa lebih mengenali tak pembelajaran mesin ni apa? Kalau langsung tak kenal ah pilihlah merah. Kalau adalah faham sikit biru. Kalau agak faham kuning sangat-sangat faham. Ha ni perfect ni hijau. Okey satu kita tengok. Oh okey ada yang lima kata not at all. Oh mkin you tak dengar kut. Okey true or false? Machine learning is only about data sains. Betul atau salah? Pembelajaran mesin hanyalah mengenai sains data. Hmm. Adakah jawapan dia betul ataupun salah? Okey. Tiga, dua, satu. Wah, separuh. Wow. Okey, kita ada Akilah di hadapan. Okey. What combines with data science in machine learning? Apakah menggabungkan data sains dalam pembelajaran mesin? Artificial intelligence, data analisis, statistics ataupun software engineering. Ha kita tengok ya. Jugat tak apa ya. Apa yang apa yang menggabungkan? Okey jawapan dia ialah software engineering. Software AI tu adalah kombinasi data sains dengan software engineering. Ya betul. Okey siapa nombor one? Aisah. Nombor one kita Aisah dari SMKTP Tanjung Puteri ke tu? What is the goal of machine learning? Apakah tujuan pembelajaran mesin? Soalan ni senang. Tolong jawab cepat-cepat please. Analyze past data only. Past data yang sebelum sahaja bukan yang sekarang. Integrate models into games. Create random models ataupun use data for prediction. Okey jawapannya adalah betul. Okey alamak menggunakan data untuk ramalan. Okey ais SMKTP masih lagi di atas. Okey kita teruskan soalan yang kelima. Who explores and prepares data? Siapa yang mengexplore dan menyediakan data tu? Meneroka dan menyediakan data. Adakah machine learning engineers, statistician data senti ataupun software developers? Oh, hari ni ramai orang soalan dia susah-susah ya Hafzah. Ya. Saya pun susah juga nak jawab sebab dia kena pay attention dekat bengkel. Betul eh? Baguslah Ais ni masih lagi di atas. Okey. Am dan Anas. Alright. Soalan nombor enam. What does inferencing do? Okey, inference tu apa maksudnya? Mencari sebab kan integrate software, predicts new values, collect data ataupun trains model. Hmm. Saya rasa hm oh ramai predict new values. New values Aisyah sekali lagi. Amy pun kekal di nombor dua. Ha ah ya. Okey betul. Okey nombor tujuh. What is regression in machine learning? Apa itu regression dalam pembelajaran mesin? Ah ini saya tahu jawapan dia. Yeay. Tapi semua tak bagi tahu. Oh tak boleh bagi tahu ni. Saya tahu dia dah ada dia dah ada for shadow dah tu dekat gambar tu. Oh dia orang predicting categories sebab dia regression dia dia mats kategori is classification. Confuse sikit. Okey masih Aisyah dan Amy. Okey low nak cuba ah. Okey soalan nombor lapan. What does binary classification predict? Binary. Binary. Tadi baru saya terang. Ha nampak tak apa gambar tu? Gambar tu ada berapa? Ha bagi hint kira kira kira berapa. Ha ada berapa kat situ? Ha ada hint sebab tu dapat. Pandai tiba-tiba semua pandai. Ha ha. Ris potong. Oh, Ris tahu dia ni pandai jawab soalan. Okey, nombor sembilan. What is the common use of unsupervised learning? Slow aje. Dia orang bagi respon. Nak cuba ingat balik ni sebab yang ni ialah pembentangan Dr. Ali. Ha cepat cepat ha cepat cepat lagi. Tiga dua satu. Oh terror ter bagus bagus okey okey tahniah tahniah naik alamakisah tak hilang hilang terus daripada papan scor hilang terus nama Ais okey how does the computer see images bagaimanakah daripada Anil Mr Hil haah ni baru lagi ni boleh semua baru tiga orang empat ah lambat sikit jawab ni ada terangkan. Ah apa 3 du sat jawapannya ialah ya jawap salah converting to numbers dia memang akan convert 10 imej tak semestinya wajah adik-adik sekalian pragalah apa tu berubah-rubah ya sangat mencabar kuiz ni sebab sentiasa berubah-rubah what is the first step Facial recognition. Langkah pertama dalam pengecaman wajah. Berapakah langkah pertama dalam pengecaman wajah? Tadi baru a baru a diberi tadi. 4 t du satu. Jawapannya adalah training the model. Ramai kata instruc the fixes. Oh. Oh. Afz cuba tengok berubah-rubah kedudukan dia orang kan? Betul. Amy masih lagi ais dah masuk balik dah. Ais dan Amy dah masuk dalam skorboard semula. Okey. H. What does the AI do in rock paper seaors? Ini daripada Dr. Go. AI buat apa dalam rock paper and seasors? Macam susah juga jawapan dia. Confuse. Ha ah. A hm. Tapi laju ah dia orang bagi jawapan. Oh ramai betul. Hai piq a random. Hai pula naik. Hai dah naik. Aitif bertukar-tukar. Turun ke nombor tiga. Okey soalan nombor 13. What is a real world application of machine learning? Okey aplikasi junior kan? Aplikasi senang a gambar ni tak bagi hintar jawapan dia. Betul tu. Bila doktor cakap terus ramai jawab. Satu. Okey. Tengok jawapan dia. Semua betul. Betul. Gambar a. Ha betul betul. Oh Afif kekal. Siapakah Aif? Kekal. Aisyah dah hilang balik. A dah hilang dah. Azik tetap nombor dua. Soalan nombor 14. What does clustering do in unsupervised learning? Okey, clustering tu membuat apa? Apakah fungsi clustering di dalam unsupervised learning ni? Okey. Oh, lambat sikit jawapan kali ni. Ah, 20 22 23. Okey. Oh, terornya ramai betulah. Maksudnya dia orang tahu. Oh, Afif kekal. Ah nampaknya Afif banyak kali kekal eh. Mungkin dia memang minat dengan AI. Hmm. What is the main idea of machine learning? Apakah idea utama aa pembelajaran mesin? Semua orang tengah berfikir kan? Gambat respon sebenarnya doktor. Saya pun berfikir juga ni tapi fikiran saya tak tepat. banyak kali. Okey. Okey. Recognizing patterns. Ya. Tahniah. Betul. Alamak. Hafiz jatuh nombor turun. Okey. Azib tadi nombor dua dari tadi dia dah naik. Okey. What does a machine learning model calculate? Ah dia kira apa? Apa yang dia kira? Semua berfikir. Nama sikit fikir. Nanti last tutup tutup. Lastlast sebab dah dah masa dah nak tamat. Haah. Betul. Oh. Ah ni ramai jawab cepat ni. Oh 32 16 orang. Okey. Okey. Output from input. Okey. Azri kekal low wed ni yang dapat jawab betul ni. Makah naik. What is the role of features in training? Semua fikir. Fikir untuk dapat jawapan betul. Kalau betul cepat dia lagi senang naik kan? Betulah. Ya betul. Sebab markah dia akan lagi tinggi kalau dia jawab cepat dan betul. Define observation. Define observations. Hmm. Siapa? Azriq masih di atas. Race race pula nombor dua. What is the unique aspect of supervised learning? Apakah aspek yang unik tentang supervised learning? Ah jawapan senang. Dia senang sangat. Ni tu dah tunjuk dah dekat dalam gambar tu. Ah dia bagi gambarnya maksudnya jangan salah gambar sudah. Ha betul. Okey ramai betul. Ah pandai pun. Okey. Wau. Azriq jauh ah. 7,000. Okey soalan ke-19. Kita ada lagi dua soalan. What does the AI use to recognize hand gestures? Dia guna apa? Apa yang AI guna untuk mengenali pergerakan tangan? Dia guna apa? Saya ada dua jawapan ni tapi tak tahu macam Okey. Okey. Ya. Jawapan ialah kamera dan logik. Rasanya Dr. sebut tadi. Ha ah. H susah juga. Okey next last. Okey last ni eh tak ada. Eh bukan second last. Sorry sorry. What is the confidence level in facial recognition? Ha ni kuliah daripada Mr. Hanil. Ha ah. Apa maksud confidence level? Berapa accuracy ketepatan pada pengecaman wajah? Bagaimana dia mengenal pasti? Jelas. Oh terorah tu bang. Maksudnya jelas yang cikgu Hanil bagi tadi. Betul. Azriq masih di atas. Okey soalan terakhir eh semua get ready. What is the challenge for AI in real life? Susah. Apakah cabaran AI dalam kehidupan nyata? Cabaran dia adalah untuk saya tahu jawapannya. Okey. 3 du satu understanding complex pattern. Habis dah. Habis dah. Okey, tempat ketiga ialah Afif Imran markah 7941. Tempat kedua apa dah berubah orang? Pralas Haris 7,957 dan Azq Raikal. Raikal tah 7963. Beza sikit aje dengan nombor dua. Anda betul. cikgu nasihatkan esok datang lagi bengkel dan cikgu dengar betul-betul apa yang a telah diberikanlah. Okey. Ah apa yang pertama berikan dan itu akan membantu adik-adik untuk mendapat maklumat jawapan. Okey. Ada pemenang sila scan dan isi borang. Okey untuk kami berikan hadiah tiga pemenang terbaik iaitu ya siapa tadi Azri Richael Afifran dan juga Pragar Harif. Okey a kalau link untuk maklumat pemenang ada di dalam YouTube live chat a tiga orang pemenang silalah tekan link tersebut. Kalau tak sempat tekan link tersebut ada QR kod yang akan dipaparkan di dalam skrin. Ah boleh scan. dan isikan maklumat anda di dalam er borang tersebut. Nampaknya kita sudah pun sampai pukul 4:55 ya doktor. Ya. Dan mereka masih bertahan menonton dan apa? Menyertai kita punya kahut. M betul. Jangan lupa datang esok pada waktu bukan pukul 2:30 kan 3:00 sebab esok ada solat Jumaat tak silap saya. Betul tak? A H Afzar esok jam 3:00 kan? 3:00 kan? Betul tak? M. Okey. So itu sahaja. Okey. Mungkin Hafzah nak berikan penutup. Saya dah ha habis dah. Okey. Er terima kasih kepada semua pembentang-pembentang jemputan yang telah memberikan pembentangan yang sangat sangat sangat sebenarnya a berat tapi dipermudahkan supaya adik-adik kita dapat memahami a at least sekurang-kurangnya sedikit tentang machine learning. It is a very complex topic. Memang satu topik yang sangat sukar. Tapi dengan input-input tadi beri hari ini, kami berharap adik-adik dan juga guru pembimbing yang ada dapat menghadam maklumat tu dengan lebih baik. Jangan putus asa dan cuba semua Ai tool yang telah diunjukkan didemonstrasikan oleh a cikgu Go aa Dr. Go, Dr. Mastura dan juga Dr. Hanil a Cikgu Hanil tadi ya. Ah itu semua benda-benda yang interesting yang boleh membantu anda lebih faham AI tool tu berfungsi seperti mana. Jadi sekian saja daripada saya. Semoga kita dapat jumpa lagi esok. Mohon mohon untuk kembali bersama dalam bengkel kita yang kedua pada esok hari pada pukul 3:00 insya-Allah. Er pastikan anda kalau ada apa-apa soalan, pastikan anda dapat kumpulkan soalan tu malam ni. Sementara berfikir tu. Apa-apa soalan sila nyatakan di dalam live chat YouTube untuk bingk kita pada esok hari. Sekian daripada saya. Wabillah taufik. Wassalamualaikum warahmatullahi taala wabarakatuh. Bye semua. Assalamualaikum.