ГлавнаяКатегорииМашинное обучение и нейронные сети

🧠 Машинное обучение и нейронные сети

Деревья решений, обучение с подкреплением, самоорганизующиеся карты и кластеризация k-means в наглядном виде.

16 симуляций60 кадров/с в реальном времени0 шагов установки
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…
О категории

Машинное обучение и нейронные сети

Деревья решений, обучение с подкреплением, самоорганизующиеся карты и кластеризация k-means в наглядном виде.

Three.js · WebGL 60 FPS CC BY 4.0
Быстрые факты
16интерактивных симуляций в этой категории
работает с частотой 60 кадров/с в любом современном браузере
🌐Доступно на английском, украинском, польском, испанском, немецком, японском, итальянском, португальском (бразильском), французском, арабском, нидерландском, китайском, корейском, хинди, турецком, вьетнамском, русском, индонезийском, персидском, бенгальском, тайском, филиппинском, суахили, урду, малайском, тамильском, иврите, греческом, панджаби, амхарском, бирманском, кхмерском, грузинском, непальском, монгольском, армянском, сингальском, лаосском, чешском, румынском, венгерском, болгарском и шведском
🎓CC BY 4.0 — бесплатно для классов и встраивания в LMS

Часто задаваемые вопросы

Нужно ли что-то устанавливать для запуска симуляций Машинное обучение и нейронные сети?

Нет. Всё работает полностью в браузере — без загрузок, плагинов и регистрации. Работает в Chrome, Firefox, Edge и Safari; большинство симуляций также работают на мобильных устройствах.

Можно ли использовать эти симуляции для преподавания?

Да — весь контент бесплатен для использования в образовательных целях по лицензии CC BY 4.0. Вы можете напрямую ссылаться на любую симуляцию или встроить её в свою систему обучения (LMS) через iframe; API-ключ не требуется.

Насколько научно точны эти модели?

Они используют те же математические формулировки, что и профессиональное программное обеспечение, с численным интегрированием в реальном времени. Для каждой симуляции указаны используемые алгоритмы, а многие содержат ссылку на статью с объяснением лежащей в основе математики.

Похожие категории

Что вы обнаружили?

Добавить шаги воспроизведения (необязательно)