خانهدسته‌بندی‌هایادگیری ماشین و شبکه‌های عصبی

🧠 یادگیری ماشین و شبکه‌های عصبی

درخت‌های تصمیم، یادگیری تقویتی، نقشه‌های خودسازمان‌ده و خوشه‌بندی k-means به‌صورت بصری بررسی شده.

16 شبیه‌سازی‌ها60 فریم بر ثانیه، بلادرنگ0 مراحل نصب
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…
درباره این دسته‌بندی

یادگیری ماشین و شبکه‌های عصبی

درخت‌های تصمیم، یادگیری تقویتی، نقشه‌های خودسازمان‌ده و خوشه‌بندی k-means به‌صورت بصری بررسی شده.

Three.js · WebGL 60 FPS CC BY 4.0
نکات سریع
16شبیه‌سازی تعاملی در این دسته‌بندی
با ۶۰ فریم بر ثانیه در هر مرورگر مدرن اجرا می‌شود
🌐در دسترس به زبان‌های انگلیسی، اوکراینی، لهستانی، اسپانیایی، آلمانی، ژاپنی، ایتالیایی، پرتغالی (برزیل)، فرانسوی، عربی، هلندی، چینی، کره‌ای، هندی، ترکی، ویتنامی، روسی، اندونزیایی، فارسی، بنگالی، تایلندی، فیلیپینی، سواحیلی، اردو، مالایی، تامیلی، عبری، یونانی، پنجابی، امهری، برمه‌ای، خمری، گرجی، نپالی، مغولی، ارمنی، سینهالی، لائوسی، چکی، رومانیایی، مجارستانی، بلغاری و سوئدی
🎓CC BY 4.0 — رایگان برای کلاس‌های درس و جاسازی در سامانه‌های مدیریت یادگیری (LMS)

پرسش‌های متداول

برای اجرای شبیه‌سازی‌های یادگیری ماشین و شبکه‌های عصبی نیاز به نصب چیزی دارم؟

نه. همه‌چیز کاملاً در مرورگر شما اجرا می‌شود — بدون نیاز به دانلود، افزونه یا حساب کاربری. در کروم، فایرفاکس، اج و سافاری کار می‌کند؛ بیشتر شبیه‌سازی‌ها روی موبایل هم اجرا می‌شوند.

آیا می‌توانم از این شبیه‌سازی‌ها برای تدریس استفاده کنم؟

بله — تمام محتوا برای استفاده‌های آموزشی تحت مجوز CC BY 4.0 رایگان است. می‌توانید مستقیماً به هر شبیه‌سازی لینک دهید یا آن را از طریق iframe در سیستم مدیریت یادگیری (LMS) خود جای‌گذاری کنید؛ نیازی به کلید API نیست.

آیا مدل‌ها از نظر علمی دقیق هستند؟

این مدل‌ها از همان فرمول‌بندی‌های ریاضی نرم‌افزارهای حرفه‌ای استفاده می‌کنند که به‌صورت عددی و در زمان واقعی انتگرال‌گیری می‌شوند. هر شبیه‌سازی الگوریتم‌های خود را فهرست می‌کند و بسیاری از آن‌ها به مقاله‌ای برای توضیح ریاضیات پشت آن لینک می‌دهند.

دسته‌بندی‌های مرتبط

چه چیزی پیدا کردید؟

افزودن مراحل بازتولید مشکل (اختیاری)