ПочетнаКатегорииМашинско учење и невронски мрежи

🧠 Машинско учење и невронски мрежи

Дрва на одлучување, поттикнувано учење, самоорганизирачки мапи и k-means кластерирање истражени визуелно.

16 симулации60 fps во реално време0 чекори за инсталација
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…
За категоријата

Машинско учење и невронски мрежи

Дрва на одлучување, поттикнувано учење, самоорганизирачки мапи и k-means кластерирање истражени визуелно.

Three.js · WebGL 60 FPS CC BY 4.0
Брзи факти
16интерактивни симулации во оваа категорија
работи со 60 FPS во секој модерен прелистувач
🌐англиски, украински, полски, шпански, германски, јапонски, италијански, португалски (бразилски), француски, арапски, холандски, кинески, корејски, хинди, турски, виетнамски, руски, индонезиски, персиски, бенгалски, тајландски, филипински, свахили, урду, малајски, тамилски, хебрејски, грчки, панџапски, амхарски, бурмански, кхмерски, грузиски, непалски, монголски, ерменски, синхалски, лаоски, чешки, романски, унгарски, бугарски, шведски, дански, фински, норвешки, словачки, хрватски, српски, словенечки, литвански, латвиски, естонски, исландски, албански, македонски, босански и малтешки
🎓CC BY 4.0 — бесплатно за училници и вклопување во LMS

Најчесто поставувани прашања

Дали треба да инсталирам нешто за да ги извршувам симулациите на Машинско учење и невронски мрежи?

Не. Сè работи директно во вашиот прелистувач — без преземања, приклучоци или сметки. Работи во Chrome, Firefox, Edge и Safari; повеќето симулации работат и на мобилни уреди.

Дали можам да ги користам овие симулации за настава?

Да — целата содржина е бесплатна за образовна употреба под лиценцата CC BY 4.0. Поврзете се директно со која било симулација или вградете ја во вашиот LMS преку iframe; не е потребен API клуч.

Дали моделите се научно точни?

Тие користат исти математички формулации како професионалниот софтвер, нумерички интегрирани во реално време. Секоја симулација ги наведува своите алгоритми, а многу од нив водат до статија што ја објаснува математиката.

Слични категории

Што пронајдовте?

Додај чекори за репродукција (опционално)