HomeCategorieMachine Learning e Reti Neurali

🧠 Machine Learning e Reti Neurali

Alberi decisionali, apprendimento per rinforzo, mappe auto-organizzanti e clustering k-means, esplorati visivamente.

16 simulazioni60 fps in tempo reale0 passaggi di installazione
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…
Informazioni sulla categoria

Machine Learning e Reti Neurali

Alberi decisionali, apprendimento per rinforzo, mappe auto-organizzanti e clustering k-means, esplorati visivamente.

Three.js · WebGL 60 FPS CC BY 4.0
In breve
16simulazioni interattive in questa categoria
funziona a 60 FPS in qualsiasi browser moderno
🌐Disponibile in inglese, ucraino, polacco, spagnolo, tedesco, giapponese, italiano, portoghese (BR), francese, arabo, olandese, cinese, coreano, hindi, turco, vietnamita, russo, indonesiano, persiano, bengalese, thailandese, filippino, swahili, urdu, malese, tamil, ebraico, greco, punjabi, amarico, birmano, khmer, georgiano, nepalese, mongolo, armeno, singalese, laotiano, ceco, rumeno, ungherese, bulgaro e svedese
🎓CC BY 4.0 — gratuito per scuole ed embed LMS

Domande frequenti

Devo installare qualcosa per eseguire le simulazioni di "Machine Learning e Reti Neurali"?

No. Tutto funziona direttamente nel browser, senza download, plugin o account. Compatibile con Chrome, Firefox, Edge e Safari; la maggior parte delle simulazioni gira anche su smartphone.

Posso usare queste simulazioni per insegnare?

Sì — tutti i contenuti sono gratuiti per scopi didattici con licenza CC BY 4.0. Collega direttamente ogni simulazione o incorporala nel tuo LMS tramite iframe; non serve alcuna chiave API.

I modelli sono scientificamente corretti?

Usano le stesse formulazioni matematiche del software professionale e vengono integrati numericamente in tempo reale. Ogni simulazione elenca i propri algoritmi, e molte rimandano a un articolo che ne spiega la matematica.

Categorie correlate

Cosa hai trovato?

Aggiungi passaggi per riprodurre il problema (facoltativo)