StartseiteKategorienMaschinelles Lernen und neuronale Netze

🧠 Maschinelles Lernen und neuronale Netze

Entscheidungsbäume, bestärkendes Lernen, selbstorganisierende Karten und k-Means-Clustering visuell erkundet.

16 Simulationen60 fps in Echtzeit0 Installationsschritte
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…
Über diese Kategorie

Maschinelles Lernen und neuronale Netze

Entscheidungsbäume, bestärkendes Lernen, selbstorganisierende Karten und k-Means-Clustering visuell erkundet.

Three.js · WebGL 60 FPS CC BY 4.0
Kurz gefasst
16interaktive Simulationen in dieser Kategorie
läuft mit 60 FPS in jedem modernen Browser
🌐Verfügbar auf Englisch, Ukrainisch, Polnisch, Spanisch, Deutsch, Japanisch, Italienisch, Portugiesisch (BR), Französisch, Arabisch, Niederländisch, Chinesisch, Koreanisch, Hindi, Türkisch, Vietnamesisch, Russisch, Indonesisch, Persisch, Bengalisch, Thailändisch, Filipino, Suaheli, Urdu, Malaiisch, Tamil, Hebräisch, Griechisch, Punjabi, Amharisch, Birmanisch, Khmer, Georgisch, Nepalesisch, Mongolisch, Armenisch, Singhalesisch, Laotisch, Tschechisch, Rumänisch, Ungarisch, Bulgarisch und Schwedisch
🎓CC BY 4.0 — kostenlos für Klassenzimmer und LMS-Einbettungen

Häufig gestellte Fragen

Muss ich etwas installieren, um die „Maschinelles Lernen und neuronale Netze“-Simulationen auszuführen?

Nein. Alles läuft direkt im Browser — ohne Downloads, Plugins oder Konten. Funktioniert in Chrome, Firefox, Edge und Safari; die meisten Simulationen laufen auch auf dem Smartphone.

Kann ich diese Simulationen zum Unterrichten verwenden?

Ja — alle Inhalte sind für Bildungszwecke unter CC BY 4.0 kostenlos. Verlinke direkt auf jede Simulation oder binde sie per iframe in dein LMS ein; kein API-Schlüssel nötig.

Sind die Modelle wissenschaftlich korrekt?

Sie verwenden dieselben mathematischen Formulierungen wie professionelle Software und werden in Echtzeit numerisch integriert. Jede Simulation listet ihre Algorithmen auf, viele verlinken zu einem Artikel, der die Mathematik erklärt.

Verwandte Kategorien

Was hast du gefunden?

Schritte zur Reproduktion hinzufügen (optional)