SākumsKategorijasMašīnmācīšanās un neironu tīkli

🧠 Mašīnmācīšanās un neironu tīkli

Lēmumu koki, pastiprinātā mācīšanās, pašorganizējošās kartes un k-vidējo klasterēšana, izpētīta vizuāli.

16 simulācijas60 kadri sekundē reālajā laikā0 instalēšanas soļi
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…
Par kategoriju

Mašīnmācīšanās un neironu tīkli

Lēmumu koki, pastiprinātā mācīšanās, pašorganizējošās kartes un k-vidējo klasterēšana, izpētīta vizuāli.

Three.js · WebGL 60 FPS CC BY 4.0
Fakti īsumā
16interaktīvas simulācijas šajā kategorijā
darbojas ar 60 kadriem sekundē jebkurā mūsdienu pārlūkprogrammā
🌐angļu, ukraiņu, poļu, spāņu, vācu, japāņu, itāļu, portugāļu (Brazīlijas), franču, arābu, holandiešu, ķīniešu, korejiešu, hindi, turku, vjetnamiešu, krievu, indonēziešu, persiešu, bengāļu, taju, filipiniešu, svahili, urdu, malajiešu, tamilu, ivrita, grieķu, pandžabu, amharu, birmiešu, khmeru, gruzīnu, nepāliešu, mongoļu, armēņu, sinhāliešu, laosiešu, čehu, rumāņu, ungāru, bulgāru, zviedru, dāņu, somu, norvēģu, slovāku, horvātu, serbu, slovēņu, lietuviešu, latviešu un igauņu
🎓CC BY 4.0 — bez maksas izmantošanai klasēs un LMS iegultnēs

Biežāk uzdotie jautājumi

Vai man kaut kas jāinstalē, lai palaistu Mašīnmācīšanās un neironu tīkli simulācijas?

Nē. Viss darbojas tieši jūsu pārlūkprogrammā — nav lejupielāžu, spraudņu vai kontu. Darbojas Chrome, Firefox, Edge un Safari pārlūkos; lielākā daļa simulāciju darbojas arī mobilajās ierīcēs.

Vai šīs simulācijas var izmantot mācību procesā?

Jā — viss saturs ir bezmaksas izmantošanai izglītības nolūkos saskaņā ar CC BY 4.0 licenci. Varat tieši saitēt uz jebkuru simulāciju vai iegult to savā LMS, izmantojot iframe; API atslēga nav nepieciešama.

Vai modeļi ir zinātniski precīzi?

Tie izmanto tādas pašas matemātiskās formulas kā profesionāla programmatūra, skaitliski integrētas reālajā laikā. Katrā simulācijā ir norādīti tās algoritmi, un daudzas no tām satur saiti uz rakstu, kas izskaidro matemātiku.

Saistītas kategorijas

Ko jūs atradāt?

Pievienot atkārtošanas soļus (nav obligāti)