InicioCategoríasAprendizaje Automático y Redes Neuronales

🧠 Aprendizaje Automático y Redes Neuronales

Árboles de decisión, aprendizaje por refuerzo, mapas autoorganizados y agrupamiento k-means explorados visualmente.

16 simulaciones60 fps en tiempo real0 pasos de instalación
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…
Acerca de la categoría

Aprendizaje Automático y Redes Neuronales

Árboles de decisión, aprendizaje por refuerzo, mapas autoorganizados y agrupamiento k-means explorados visualmente.

Three.js · WebGL 60 FPS CC BY 4.0
Datos rápidos
16simulaciones interactivas en esta categoría
funciona a 60 FPS en cualquier navegador moderno
🌐Disponible en inglés, ucraniano, polaco, español, alemán, japonés, italiano, portugués (BR), francés, árabe, neerlandés, chino, coreano, hindi, turco, vietnamita, ruso, indonesio, persa, bengalí, tailandés, filipino, suajili, urdu, malayo, tamil, hebreo, griego, panyabí, amárico, birmano, jemer, georgiano, nepalí, mongol, armenio, cingalés, laosiano, checo, rumano, húngaro, búlgaro y sueco
🎓CC BY 4.0 — gratis para aulas y plataformas LMS

Preguntas frecuentes

¿Necesito instalar algo para ejecutar las simulaciones de «Aprendizaje Automático y Redes Neuronales»?

No. Todo funciona directamente en el navegador — sin descargas, complementos ni registro. Funciona en Chrome, Firefox, Edge y Safari; la mayoría de las simulaciones también funcionan en el móvil.

¿Puedo usar estas simulaciones para enseñar?

Sí — todo el contenido es gratuito para uso educativo bajo la licencia CC BY 4.0. Enlaza directamente a cualquier simulación o insértala en tu LMS con un iframe; no se necesita clave de API.

¿Los modelos son científicamente precisos?

Usan las mismas formulaciones matemáticas que el software profesional, integradas numéricamente en tiempo real. Cada simulación indica sus algoritmos, y muchas enlazan a un artículo que explica las matemáticas.

Categorías relacionadas

¿Qué encontraste?

Agregar pasos para reproducirlo (opcional)