BerandaKategoriPembelajaran Mesin & Jaringan Saraf Tiruan

🧠 Pembelajaran Mesin & Jaringan Saraf Tiruan

Pohon keputusan, pembelajaran penguatan, peta swaorganisasi, dan pengklasteran k-means dieksplorasi secara visual.

16 simulasi60 fps real-time0 langkah instalasi
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…
Tentang kategori ini

Pembelajaran Mesin & Jaringan Saraf Tiruan

Pohon keputusan, pembelajaran penguatan, peta swaorganisasi, dan pengklasteran k-means dieksplorasi secara visual.

Three.js · WebGL 60 FPS CC BY 4.0
Fakta singkat
16simulasi interaktif dalam kategori ini
berjalan pada 60 FPS di browser modern mana pun
🌐Tersedia dalam bahasa Inggris, Ukraina, Polandia, Spanyol, Jerman, Jepang, Italia, Portugis (BR), Prancis, Arab, Belanda, Mandarin, Korea, Hindi, Turki, Vietnam, Rusia, Indonesia, Persia, Bengali, Thai, Filipino, Swahili, Urdu, Melayu, Tamil, Ibrani, Yunani, Punjabi, Amharik, Myanmar, Khmer, Georgia, Nepal, Mongolia, Armenia, Sinhala, Laos, Ceko, Rumania, Hungaria, Bulgaria, dan Swedia
🎓CC BY 4.0 — gratis untuk kelas dan penyematan LMS

Pertanyaan yang sering diajukan

Apakah saya perlu menginstal sesuatu untuk menjalankan simulasi Pembelajaran Mesin & Jaringan Saraf Tiruan?

Tidak. Semuanya berjalan sepenuhnya di browser Anda — tanpa unduhan, plugin, atau akun. Berfungsi di Chrome, Firefox, Edge, dan Safari; sebagian besar simulasi juga berfungsi di perangkat seluler.

Bisakah saya menggunakan simulasi ini untuk mengajar?

Ya — semua konten gratis untuk penggunaan pendidikan berdasarkan lisensi CC BY 4.0. Tautkan langsung ke simulasi mana pun atau sematkan di LMS Anda melalui iframe; tidak perlu kunci API.

Apakah model-modelnya akurat secara ilmiah?

Model ini menggunakan formulasi matematis yang sama dengan perangkat lunak profesional, yang diintegrasikan secara numerik secara real time. Setiap simulasi mencantumkan algoritmenya, dan banyak di antaranya tertaut ke artikel yang menjelaskan matematika yang mendasarinya.

Kategori terkait

Apa yang Anda temukan?

Tambahkan langkah reproduksi (opsional)