KezdőlapKategóriákGépi tanulás és neurális hálózatok

🧠 Gépi tanulás és neurális hálózatok

Döntési fák, megerősítéses tanulás, önszerveződő térképek és k-közép klaszterezés vizuálisan bemutatva.

16 szimuláció60 fps valós időben0 telepítési lépések
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…
A kategóriáról

Gépi tanulás és neurális hálózatok

Döntési fák, megerősítéses tanulás, önszerveződő térképek és k-közép klaszterezés vizuálisan bemutatva.

Three.js · WebGL 60 FPS CC BY 4.0
Gyorstények
16interaktív szimuláció ebben a kategóriában
60 FPS-en fut bármely modern böngészőben
🌐elérhető angol, ukrán, lengyel, spanyol, német, japán, olasz, portugál (BR), francia, arab, holland, kínai, koreai, hindi, török, vietnami, orosz, indonéz, perzsa, bengáli, thai, filippínó, szuahéli, urdu, maláj, tamil, héber, görög, pandzsábi, amhara, burmai, khmer, grúz, nepáli, mongol, örmény, szingaléz, lao, cseh, román, magyar, bolgár és svéd nyelven
🎓CC BY 4.0 — ingyenesen használható tantermekben és LMS-beágyazásokban

Gyakori kérdések

Kell-e bármit telepítenem a Gépi tanulás és neurális hálózatok szimulációk futtatásához?

Nem. Minden a böngésződben fut — nincs letöltés, plugin vagy fiók. Működik Chrome, Firefox, Edge és Safari böngészőben; a legtöbb szimuláció mobilon is elérhető.

Használhatom ezeket a szimulációkat tanításra?

Igen — minden tartalom szabadon felhasználható oktatási célra a CC BY 4.0 licenc alatt. Bármelyik szimulációra közvetlenül hivatkozhatsz, vagy beágyazhatod az LMS-edbe iframe-mel; API-kulcs nem szükséges.

Tudományosan pontosak a modellek?

Ugyanazokat a matematikai formulákat használják, mint a professzionális szoftverek, valós időben, numerikusan integrálva. Minden szimuláció felsorolja a használt algoritmusokat, és sok esetben egy cikkre is mutat, amely elmagyarázza a mögöttes matematikát.

Kapcsolódó kategóriák

Mit talált?

Reprodukciós lépések hozzáadása (opcionális)