ΑρχικήΚατηγορίεςΜηχανική Μάθηση & Νευρωνικά Δίκτυα

🧠 Μηχανική Μάθηση & Νευρωνικά Δίκτυα

Δέντρα αποφάσεων, ενισχυτική μάθηση, αυτο-οργανούμενοι χάρτες και ομαδοποίηση k-means σε οπτική εξερεύνηση.

16 προσομοιώσεις60 fps σε πραγματικό χρόνο0 βήματα εγκατάστασης
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…
Σχετικά με την κατηγορία

Μηχανική Μάθηση & Νευρωνικά Δίκτυα

Δέντρα αποφάσεων, ενισχυτική μάθηση, αυτο-οργανούμενοι χάρτες και ομαδοποίηση k-means σε οπτική εξερεύνηση.

Three.js · WebGL 60 FPS CC BY 4.0
Γρήγορα στοιχεία
16διαδραστικές προσομοιώσεις σε αυτή την κατηγορία
τρέχει στα 60 FPS σε κάθε σύγχρονο πρόγραμμα περιήγησης
🌐Διαθέσιμο στα Αγγλικά, Ουκρανικά, Πολωνικά, Ισπανικά, Γερμανικά, Ιαπωνικά, Ιταλικά, Πορτογαλικά (Βραζιλίας), Γαλλικά, Αραβικά, Ολλανδικά, Κινεζικά, Κορεατικά, Χίντι, Τουρκικά, Βιετναμεζικά, Ρωσικά, Ινδονησιακά, Περσικά, Μπενγκάλι, Ταϊλανδέζικα, Φιλιπινέζικα, Σουαχίλι, Ουρντού, Μαλαισιανά, Ταμιλικά, Εβραϊκά, Ελληνικά, Παντζάμπι, Αμχαρικά, Βιρμανικά, Χμερ, Γεωργιανά, Νεπαλέζικα, Μογγολικά, Αρμενικά, Σινχαλεζικά, Λαοτινά, Τσεχικά, Ρουμανικά, Ουγγρικά, Βουλγαρικά και Σουηδικά
🎓CC BY 4.0 — δωρεάν για τάξεις και ενσωμάτωση σε LMS

Συχνές ερωτήσεις

Χρειάζεται να εγκαταστήσω κάτι για να τρέξω τις προσομοιώσεις Μηχανική Μάθηση & Νευρωνικά Δίκτυα;

Όχι, καμία εγκατάσταση δεν απαιτείται. Όλες οι προσομοιώσεις τρέχουν απευθείας στον περιηγητή σας, χρησιμοποιώντας τεχνολογίες όπως HTML5 και JavaScript, οπότε μπορείτε να ξεκινήσετε αμέσως σε υπολογιστή, tablet ή κινητό.

Είναι δωρεάν η χρήση των διαδραστικών προσομοιώσεων;

Ναι, όλες οι προσομοιώσεις στο mysimulator.uk είναι εντελώς δωρεάν για μαθητές, εκπαιδευτικούς και περίεργα μυαλά κάθε ηλικίας. Μπορείτε να τις εξερευνήσετε όσες φορές θέλετε, χωρίς εγγραφή.

Μπορώ να χρησιμοποιήσω αυτές τις προσομοιώσεις στην τάξη ή για αυτοδιδασκαλία;

Απολύτως. Οι προσομοιώσεις είναι σχεδιασμένες ώστε να υποστηρίζουν τόσο τη διδασκαλία στην τάξη όσο και την ατομική μελέτη, βοηθώντας σας να κατανοήσετε επιστημονικές έννοιες μέσα από πρακτική, οπτική αλληλεπίδραση αντί για απλή ανάγνωση θεωρίας.

Σχετικές κατηγορίες

Τι βρήκατε;

Προσθήκη βημάτων αναπαραγωγής (προαιρετικό)