DomůKategorieStrojové učení a neuronové sítě

🧠 Strojové učení a neuronové sítě

Rozhodovací stromy, posilované učení, samoorganizující se mapy a shlukování metodou k-means prozkoumané vizuálně.

16 simulace60 fps v reálném čase0 kroky instalace
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…
O kategorii

Strojové učení a neuronové sítě

Rozhodovací stromy, posilované učení, samoorganizující se mapy a shlukování metodou k-means prozkoumané vizuálně.

Three.js · WebGL 60 FPS CC BY 4.0
Rychlá fakta
16interaktivních simulací v této kategorii
běží při 60 FPS v jakémkoli moderním prohlížeči
🌐k dispozici v angličtině, ukrajinštině, polštině, španělštině, němčině, japonštině, italštině, portugalštině (BR), francouzštině, arabštině, nizozemštině, čínštině, korejštině, hindštině, turečtině, vietnamštině, ruštině, indonéštině, perštině, bengálštině, thajštině, filipínštině, svahilštině, urdštině, malajštině, tamilštině, hebrejštině, řečtině, pandžábštině, amharštině, barmštině, khmerštině, gruzínštině, nepálštině, mongolštině, arménštině, sinhálštině, laoštině, češtině, rumunštině, maďarštině, bulharštině a švédštině
🎓CC BY 4.0 — zdarma pro školy a vkládání do LMS

Často kladené otázky

Musím si něco instalovat, abych mohl spouštět simulace Strojové učení a neuronové sítě?

Ne. Vše běží přímo ve vašem prohlížeči — žádné stahování, pluginy ani účty. Funguje v Chrome, Firefoxu, Edge i Safari; většina simulací funguje i na mobilu.

Mohu tyto simulace použít při výuce?

Ano — veškerý obsah je zdarma pro vzdělávací účely pod licencí CC BY 4.0. Na kteroukoli simulaci můžete přímo odkazovat nebo ji vložit do svého LMS pomocí iframe; API klíč není potřeba.

Jsou modely vědecky přesné?

Používají stejné matematické formulace jako profesionální software, numericky integrované v reálném čase. Každá simulace uvádí použité algoritmy a mnohé odkazují na článek vysvětlující danou matematiku.

Související kategorie

Co jste našli?

Přidat kroky k reprodukci (volitelné)