InícioCategoriasAprendizado de Máquina e Redes Neurais

🧠 Aprendizado de Máquina e Redes Neurais

Árvores de decisão, aprendizado por reforço, mapas autoorganizáveis e agrupamento k-means explorados visualmente.

16 simulações60 fps em tempo real0 passos de instalação
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…
Sobre a categoria

Aprendizado de Máquina e Redes Neurais

Árvores de decisão, aprendizado por reforço, mapas autoorganizáveis e agrupamento k-means explorados visualmente.

Three.js · WebGL 60 FPS CC BY 4.0
Resumo rápido
16simulações interativas nesta categoria
roda a 60 FPS em qualquer navegador moderno
🌐Disponível em inglês, ucraniano, polonês, espanhol, alemão, japonês, italiano, português (BR), francês, árabe, holandês, chinês, coreano, hindi, turco, vietnamita, russo, indonésio, persa, bengali, tailandês, filipino, suaíli, urdu, malaio, tâmil, hebraico, grego, panjabi, amárico, birmanês, khmer, georgiano, nepalês, mongol, armênio, cingalês, laosiano, tcheco, romeno, húngaro, búlgaro e sueco
🎓CC BY 4.0 — gratuito para escolas e incorporação em LMS

Perguntas frequentes

Preciso instalar algo para executar as simulações de "Aprendizado de Máquina e Redes Neurais"?

Não. Tudo funciona diretamente no navegador, sem downloads, plugins ou contas. Compatível com Chrome, Firefox, Edge e Safari; a maioria das simulações também roda em smartphones.

Posso usar essas simulações para ensinar?

Sim — todo o conteúdo é gratuito para fins didáticos sob a licença CC BY 4.0. Vincule diretamente cada simulação ou incorpore-a no seu LMS via iframe; não é necessária nenhuma chave de API.

Os modelos são cientificamente corretos?

Usam as mesmas formulações matemáticas de softwares profissionais e são integrados numericamente em tempo real. Cada simulação lista seus próprios algoritmos, e muitas remetem a um artigo que explica a matemática por trás.

Categorias relacionadas

O que você encontrou?

Adicionar passos para reproduzir (opcional)