AcasăCategoriiÎnvățare Automată și Rețele Neuronale

🧠 Învățare Automată și Rețele Neuronale

Arbori de decizie, învățare prin întărire, hărți auto-organizate și clusterizare k-means explorate vizual.

16 simulări60 fps în timp real0 pași de instalare
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…
Despre categorie

Învățare Automată și Rețele Neuronale

Arbori de decizie, învățare prin întărire, hărți auto-organizate și clusterizare k-means explorate vizual.

Three.js · WebGL 60 FPS CC BY 4.0
Fapte rapide
16simulări interactive în această categorie
rulează la 60 FPS în orice browser modern
🌐disponibil în engleză, ucraineană, poloneză, spaniolă, germană, japoneză, italiană, portugheză (BR), franceză, arabă, olandeză, chineză, coreeană, hindi, turcă, vietnameză, rusă, indoneziană, persană, bengaleză, thailandeză, filipineză, swahili, urdu, malaeză, tamilă, ebraică, greacă, punjabi, amharică, birmaneză, khmeră, georgiană, nepaleză, mongolă, armeană, singhaleză, laoțiană, cehă, română, maghiară, bulgară și suedeză
🎓CC BY 4.0 — gratuit pentru clase și integrări LMS

Întrebări frecvente

Trebuie să instalez ceva pentru a rula simulările Învățare Automată și Rețele Neuronale?

Nu. Totul rulează integral în browser — fără descărcări, plugin-uri sau conturi. Funcționează în Chrome, Firefox, Edge și Safari; majoritatea simulărilor merg și pe mobil.

Pot folosi aceste simulări pentru predare?

Da — tot conținutul este gratuit pentru uz educațional, sub licența CC BY 4.0. Poți face trimitere directă către orice simulare sau o poți încorpora în platforma ta de e-learning (LMS) printr-un iframe; nu este nevoie de cheie API.

Modelele sunt corecte din punct de vedere științific?

Ele folosesc aceleași formulări matematice ca și software-ul profesional, integrate numeric în timp real. Fiecare simulare își listează algoritmii, iar multe fac trimitere către un articol care explică matematica din spate.

Categorii asociate

Ce ai găsit?

Adaugă pași de reproducere (opțional)