НачалоКатегорииМашинно обучение и невронни мрежи

🧠 Машинно обучение и невронни мрежи

Дървета на решенията, обучение с подкрепление, самоорганизиращи се карти и клъстеризация чрез k-means, разгледани визуално.

16 симулации60 кадъра/сек в реално време0 стъпки за инсталиране
Decision Tree LiveCART decision tree with Gini impurity splitting; axis-aligned splits emerge level by level… Reinforcement LearningQ-learning agent navigates an 8×8 grid maze. Heatmap shows max Q-values; white arrows show… Self-Organising Map24×24 Kohonen SOM (576 neurons, 3D RGB input). Gaussian neighbourhood update as α and σ… K-Means Clustering — Interactive Machine LearningStep through K-means clustering: watch centroids converge, Voronoi regions update, and… PCA & SVD Visualiser — Principal Component Analysis InteractiveGenerate a 2D dataset, diagonalise covariance matrix into principal components, and watch… PerceptronNewRosenblatt's 1958 algorithm: each misclassified point tilts the weight vector w ← w + η·y·x.… k-Nearest NeighboursNewClassify a point by majority vote among its k closest neighbours. Decision regions update… BackpropagationNewδ pulses flow backward through a small MLP: gradients highlight edges, weights update, and… Random Forest ClassifierNewBagging and random feature selection turn weak decision trees into a robust forest. Compare… t-SNE VisualiserNewt-SNE projects high-dimensional clusters to 2D via gradient descent on KL divergence. Tune… Self-Organising Map (SOM)NewA Kohonen grid folds high-dimensional data into 2D: neuron weights self-organise as σ… Radial Basis Function NetworkNewRadial basis network: N Gaussian bumps of width σ sum into a smooth decision boundary —… K-Means Clustering — Lloyd's AlgorithmNewCluster 2D points with k-means: assign to nearest centroid, move to the mean, repeat. Watch… DBSCAN — Density-Based ClusteringNewDBSCAN grows clusters from dense core points via ε-neighbourhoods and minPts, labelling… Naive Bayes Classifier — Probabilistic DecisionNewClassify 2D points with Gaussian naive Bayes: estimate per-class means and variances, apply… Gradient Descent — 3D Loss Surface & OptimisersNewNavigate a 3D loss landscape (Rosenbrock, Rastrigin, Himmelblau) with SGD, Momentum, RMSprop…
За категорията

Машинно обучение и невронни мрежи

Дървета на решенията, обучение с подкрепление, самоорганизиращи се карти и клъстеризация чрез k-means, разгледани визуално.

Three.js · WebGL 60 FPS CC BY 4.0
Бързи факти
16интерактивни симулации в тази категория
работи с 60 кадъра в секунда във всеки съвременен браузър
🌐налично на английски, украински, полски, испански, немски, японски, италиански, португалски (Бразилия), френски, арабски, нидерландски, китайски, корейски, хинди, турски, виетнамски, руски, индонезийски, персийски, бенгалски, тайландски, филипински, суахили, урду, малайски, тамилски, иврит, гръцки, пенджаби, амхарски, бирмански, кхмерски, грузински, непалски, монголски, арменски, синхалски, лаоски, чешки, румънски, унгарски, български и шведски
🎓CC BY 4.0 — безплатно за класни стаи и вграждания в LMS

Често задавани въпроси

Трябва ли да инсталирам нещо, за да пусна симулациите на Машинно обучение и невронни мрежи?

Не. Всичко работи изцяло в браузъра ви — без изтегляния, приставки или регистрация. Работи в Chrome, Firefox, Edge и Safari; повечето симулации работят и на мобилни устройства.

Мога ли да използвам тези симулации за преподаване?

Да — цялото съдържание е безплатно за образователна употреба под лиценз CC BY 4.0. Свържете се директно към всяка симулация или я вградете в своята LMS с iframe; не се изисква API ключ.

Научно точни ли са моделите?

Те използват същите математически формулировки като професионалния софтуер, интегрирани числено в реално време. Всяка симулация посочва използваните алгоритми, а много от тях препращат към статия, обясняваща математиката зад тях.

Свързани категории

Какво открихте?

Добавете стъпки за възпроизвеждане (по избор)