EtusivuKategoriatKoneoppiminen ja neuroverkot

🧠 Koneoppiminen ja neuroverkot

Päätöspuut, vahvistusoppiminen, itseorganisoituvat kartat ja k-means-klusterointi visuaalisesti tutkittuna.

16 simulaatiota60 fps reaaliajassa0 asennusvaiheet
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…
Tietoa kategoriasta

Koneoppiminen ja neuroverkot

Päätöspuut, vahvistusoppiminen, itseorganisoituvat kartat ja k-means-klusterointi visuaalisesti tutkittuna.

Three.js · WebGL 60 FPS CC BY 4.0
Pikatiedot
16interaktiivista simulaatiota tässä kategoriassa
toimii 60 FPS:llä missä tahansa nykyaikaisessa selaimessa
🌐englanti, ukraina, puola, espanja, saksa, japani, italia, brasilianportugali, ranska, arabia, hollanti, kiina, korea, hindi, turkki, vietnam, venäjä, indonesia, persia, bengali, thai, filipino, swahili, urdu, malaiji, tamili, heprea, kreikka, punjabi, amhara, burma, khmer, georgia, nepali, mongoli, armenia, sinhala, lao, tšekki, romania, unkari, bulgaria, ruotsi, tanska, suomi, norja, slovakki, kroatia, serbia, sloveeni, liettua, latvia ja viro
🎓CC BY 4.0 — ilmainen käyttö luokkahuoneissa ja LMS-upotuksissa

Usein kysytyt kysymykset

Täytyykö minun asentaa jotain Koneoppiminen ja neuroverkot-simulaatioiden käyttämiseksi?

Ei. Kaikki toimii täysin selaimessasi — ei latauksia, laajennuksia tai tilejä. Toimii Chromessa, Firefoxissa, Edgessä ja Safarissa; useimmat simulaatiot toimivat myös mobiilissa.

Voinko käyttää näitä simulaatioita opetuksessa?

Kyllä — kaikki sisältö on vapaasti käytettävissä opetustarkoituksiin CC BY 4.0 -lisenssillä. Linkitä suoraan mihin tahansa simulaatioon tai upota se LMS-järjestelmääsi iframe-elementillä; API-avainta ei tarvita.

Ovatko mallit tieteellisesti tarkkoja?

Ne käyttävät samoja matemaattisia formulaatioita kuin ammattikäyttöön tarkoitetut ohjelmistot, integroituina numeerisesti reaaliajassa. Jokainen simulaatio listaa käyttämänsä algoritmit, ja monet linkittävät artikkeliin, joka selittää matematiikan.

Aiheeseen liittyvät kategoriat

Mitä löysit?

Lisää toistovaiheet (valinnainen)