ПочетнаКатегоријеMašinsko učenje i neuronske mreže

🧠 Mašinsko učenje i neuronske mreže

Stabla odlučivanja, učenje uz pojačanje, samoorganizujuće mape i k-means klasterovanje istraženi vizuelno.

16 симулације60 fps u realnom vremenu0 koraci instalacije
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…
O kategoriji

Mašinsko učenje i neuronske mreže

Stabla odlučivanja, učenje uz pojačanje, samoorganizujuće mape i k-means klasterovanje istraženi vizuelno.

Three.js · WebGL 60 FPS CC BY 4.0
Brze činjenice
16interaktivnih simulacija u ovoj kategoriji
radi na 60 FPS u svakom modernom pregledaču
🌐engleski, ukrajinski, poljski, španski, nemački, japanski, italijanski, portugalski (Brazil), francuski, arapski, holandski, kineski, korejski, hindi, turski, vijetnamski, ruski, indonežanski, persijski, bengalski, tajlandski, filipinski, svahili, urdu, malajski, tamilski, hebrejski, grčki, pandžabi, amharski, burmanski, kmerski, gruzijski, nepalski, mongolski, jermenski, sinhala, laoski, češki, rumunski, mađarski, bugarski, švedski, danski, finski, norveški, slovački, hrvatski, srpski, slovenački, litvanski, letonski i estonski
🎓CC BY 4.0 — besplatno za učionice i ugradnju u LMS

Često postavljana pitanja

Da li treba da instaliram bilo šta da bih pokrenuo/la simulacije Mašinsko učenje i neuronske mreže?

Ne. Sve se pokreće direktno u vašem pregledaču — nema preuzimanja, dodataka niti naloga. Radi u Chrome-u, Firefox-u, Edge-u i Safari-ju; većina simulacija radi i na mobilnim uređajima.

Da li mogu da koristim ove simulacije u nastavi?

Da — sav sadržaj je besplatan za korišćenje u obrazovne svrhe pod CC BY 4.0 licencom. Povežite se direktno na bilo koju simulaciju ili je ugradite u svoj LMS pomoću iframe-a; API ključ nije potreban.

Da li su modeli naučno tačni?

Koriste iste matematičke formulacije kao profesionalni softver, numerički integrisane u realnom vremenu. Svaka simulacija navodi svoje algoritme, a mnoge se povezuju sa člankom koji objašnjava matematiku.

Povezane kategorije

Šta ste pronašli?

Dodaj korake za reprodukciju (opciono)