HemKategorierMaskininlärning & neurala nätverk

🧠 Maskininlärning & neurala nätverk

Beslutsträd, förstärkningsinlärning, självorganiserande kartor och k-medelvärdesklustring utforskade visuellt.

16 simuleringar60 fps realtid0 installationssteg
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…
Om kategorin

Maskininlärning & neurala nätverk

Beslutsträd, förstärkningsinlärning, självorganiserande kartor och k-medelvärdesklustring utforskade visuellt.

Three.js · WebGL 60 FPS CC BY 4.0
Snabbfakta
16interaktiva simuleringar i denna kategori
körs i 60 FPS i alla moderna webbläsare
🌐tillgänglig på engelska, ukrainska, polska, spanska, tyska, japanska, italienska, portugisiska (BR), franska, arabiska, nederländska, kinesiska, koreanska, hindi, turkiska, vietnamesiska, ryska, indonesiska, persiska, bengaliska, thailändska, filippinska, swahili, urdu, malajiska, tamil, hebreiska, grekiska, punjabi, amhariska, burmesiska, khmer, georgiska, nepalesiska, mongoliska, armeniska, singalesiska, laotiska, tjeckiska, rumänska, ungerska, bulgariska och svenska
🎓CC BY 4.0 — fritt att använda i klassrum och LMS-inbäddningar

Vanliga frågor

Behöver jag installera något för att köra Maskininlärning & neurala nätverk-simuleringar?

Nej. Allt körs helt i din webbläsare — inga nedladdningar, tillägg eller konton behövs. Fungerar i Chrome, Firefox, Edge och Safari; de flesta simuleringar fungerar även på mobilen.

Kan jag använda dessa simuleringar i undervisningen?

Ja — allt innehåll är fritt att använda för utbildningsändamål under CC BY 4.0. Länka direkt till valfri simulering eller bädda in den i ditt LMS med en iframe; ingen API-nyckel krävs.

Är modellerna vetenskapligt korrekta?

De använder samma matematiska formuleringar som professionell programvara, integrerade numeriskt i realtid. Varje simulering listar sina algoritmer, och många länkar till en artikel som förklarar matematiken.

Relaterade kategorier

Vad hittade du?

Lägg till reproduktionssteg (valfritt)