# machine learning
Tag „machine learning” gromadzi symulacje, które pokazują działanie algorytmów krok po kroku, zamiast ukrywać proces w czarnej skrzynce. Wizualizacja spadku gradientu pozwala obserwować, jak punkt zjeżdża w dół ku minimum — zasada leżąca u podstaw uczenia większości modeli, a Regresja liniowa — metoda najmniejszych kwadratów (OLS) dopasowuje prostą do rozproszonych danych w czasie rzeczywistym. Dwie osobne symulacje grupowania K-średnich — Grupowanie K-średnich — wizualizator uczenia maszynowego oraz Klasteryzacja K-średnich — interaktywne uczenie maszynowe — pokazują, jak nieoznaczone punkty same rozdzielają się na grupy, Perceptron buduje najprostszą możliwą sieć neuronową z jedną granicą decyzyjną, Klasyfikator lasu losowego pokazuje, jak wiele drzew decyzyjnych „głosuje” razem, a Wizualizacja t-SNE demonstruje, jak wielowymiarowe dane dają się skompresować do 2D-mapy, którą można naprawdę oglądać.
Znaleziono: 7 symulacji · 0 artykułów
🧪 Symulacje (7)
Symulacje w tym temacie: Wizualizacja spadku gradientu, Grupowanie K-średnich — wizualizator uczenia maszynowego, Klasteryzacja K-średnich — interaktywne uczenie maszynowe, Regresja liniowa — metoda najmniejszych kwadratów (OLS), Perceptron oraz Klasyfikator lasu losowego.
🤖 Fakty o tej kolekcji
- 7 symulacji oznaczono tagiem machine-learning — łączą one klasyczne metody statystyczne z podstawami sieci neuronowych.
- Dwie osobne symulacje — Grupowanie K-średnich — wizualizator uczenia maszynowego oraz Klasteryzacja K-średnich — interaktywne uczenie maszynowe — pokazują ten sam algorytm uczenia bez nadzoru w dwóch różnych realizacjach.
- Perceptron to jedyna symulacja modelująca prawdziwą (jednowarstwową) sieć neuronową, która uczy się granicy decyzyjnej.
- Klasyfikator lasu losowego oraz Regresja liniowa — metoda najmniejszych kwadratów (OLS) reprezentują odpowiednio zespołowe i regresyjne podejście do uczenia nadzorowanego.
Szukasz więcej? Zanurz się w pełnej bibliotece 1000+ interaktywnych symulacji w przeglądarce lub przeglądaj wszystkie tematy.