HjemKategorierMaskinlæring & Neurale Netværk

🧠 Maskinlæring & Neurale Netværk

Beslutningstræer, forstærkningslæring, selvorganiserende kort og k-means-klyngedannelse udforsket visuelt.

16 simulationer60 fps i realtid0 installationstrin
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…
Om kategorien

Maskinlæring & Neurale Netværk

Beslutningstræer, forstærkningslæring, selvorganiserende kort og k-means-klyngedannelse udforsket visuelt.

Three.js · WebGL 60 FPS CC BY 4.0
Hurtige fakta
16interaktive simulationer i denne kategori
kører med 60 FPS i enhver moderne browser
🌐engelsk, ukrainsk, polsk, spansk, tysk, japansk, italiensk, portugisisk (brasiliansk), fransk, arabisk, nederlandsk, kinesisk, koreansk, hindi, tyrkisk, vietnamesisk, russisk, indonesisk, persisk, bengalsk, thai, filipinsk, swahili, urdu, malajisk, tamilsk, hebraisk, græsk, punjabi, amharisk, burmesisk, khmer, georgisk, nepalesisk, mongolsk, armensk, singalesisk, lao, tjekkisk, rumænsk, ungarsk, bulgarsk, svensk, dansk, finsk, norsk, slovakisk, kroatisk, serbisk, slovensk, litauisk, lettisk og estisk
🎓CC BY 4.0 — gratis til klasseværelser og LMS-indlejringer

Ofte stillede spørgsmål

Skal jeg installere noget for at køre Maskinlæring & Neurale Netværk-simuleringer?

Nej. Alt kører udelukkende i din browser — ingen downloads, plugins eller konti er nødvendige. Fungerer i Chrome, Firefox, Edge og Safari; de fleste simuleringer fungerer også på mobil.

Kan jeg bruge disse simuleringer i undervisningen?

Ja — alt indhold er frit til brug i undervisningsøjemed under CC BY 4.0. Link direkte til en hvilken som helst simulering, eller indlejr den i dit LMS med en iframe; der kræves ingen API-nøgle.

Er modellerne videnskabeligt korrekte?

De bruger de samme matematiske formuleringer som professionel software, integreret numerisk i realtid. Hver simulering angiver sine algoritmer, og mange linker til en artikel, der forklarer matematikken.

Relaterede kategorier

Hvad fandt du?

Tilføj trin til reproduktion (valgfrit)