HjemKategorierMaskinlæring og nevrale nettverk

🧠 Maskinlæring og nevrale nettverk

Beslutningstrær, forsterkende læring, selvorganiserende kart og k-means-klynging utforsket visuelt.

16 simuleringer60 fps i sanntid0 installasjonstrinn
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…
Om kategorien

Maskinlæring og nevrale nettverk

Beslutningstrær, forsterkende læring, selvorganiserende kart og k-means-klynging utforsket visuelt.

Three.js · WebGL 60 FPS CC BY 4.0
Kjappe fakta
16interaktive simuleringer i denne kategorien
kjører med 60 FPS i alle moderne nettlesere
🌐engelsk, ukrainsk, polsk, spansk, tysk, japansk, italiensk, brasiliansk portugisisk, fransk, arabisk, nederlandsk, kinesisk, koreansk, hindi, tyrkisk, vietnamesisk, russisk, indonesisk, persisk, bengali, thai, filipinsk, swahili, urdu, malayisk, tamilsk, hebraisk, gresk, punjabi, amharisk, burmesisk, khmer, georgisk, nepalsk, mongolsk, armensk, singalesisk, laotisk, tsjekkisk, rumensk, ungarsk, bulgarsk, svensk, dansk, finsk, norsk, slovakisk, kroatisk, serbisk, slovensk, litauisk, latvisk og estisk
🎓CC BY 4.0 — gratis for klasserom og LMS-innbygging

Ofte stilte spørsmål

Må jeg installere noe for å kjøre Maskinlæring og nevrale nettverk-simuleringer?

Nei. Alt kjører helt i nettleseren din — ingen nedlastinger, tillegg eller kontoer kreves. Fungerer i Chrome, Firefox, Edge og Safari; de fleste simuleringer fungerer også på mobil.

Kan jeg bruke disse simuleringene i undervisningen?

Ja — alt innhold er fritt til bruk i undervisningsøyemed under CC BY 4.0. Lenk direkte til en hvilken som helst simulering, eller bygg den inn i LMS-et ditt med en iframe; ingen API-nøkkel kreves.

Er modellene vitenskapelig korrekte?

De bruker de samme matematiske formuleringene som profesjonell programvare, integrert numerisk i sanntid. Hver simulering lister opp sine algoritmer, og mange lenker til en artikkel som forklarer matematikken.

Relaterte kategorier

Hva fant du?

Legg til fremgangsmåte (valgfritt)