Ana SayfaKategorilerMakine Öğrenmesi ve Yapay Sinir Ağları

🧠 Makine Öğrenmesi ve Yapay Sinir Ağları

Karar ağaçları, pekiştirmeli öğrenme, öz-düzenleyici haritalar ve k-ortalamalar kümeleme görsel olarak keşfediliyor.

16 simülasyon60 fps gerçek zamanlı0 kurulum adımı
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…
Kategori hakkında

Makine Öğrenmesi ve Yapay Sinir Ağları

Karar ağaçları, pekiştirmeli öğrenme, öz-düzenleyici haritalar ve k-ortalamalar kümeleme görsel olarak keşfediliyor.

Three.js · WebGL 60 FPS CC BY 4.0
Hızlı bilgiler
16bu kategoride etkileşimli simülasyon
her modern tarayıcıda 60 FPS ile çalışır
🌐İngilizce, Ukraynaca, Lehçe, İspanyolca, Almanca, Japonca, İtalyanca, Portekizce (Brezilya), Fransızca, Arapça, Felemenkçe, Çince, Korece, Hintçe, Türkçe, Vietnamca, Rusça, Endonezce, Farsça, Bengalce, Tayca, Filipince, Svahilice, Urduca, Malayca, Tamilce, İbranice, Yunanca, Pencapça, Amharca, Birmanca, Khmerce, Gürcüce, Nepalce, Moğolca, Ermenice, Sinhalaca, Lao, Çekçe, Rumence, Macarca, Bulgarca ve İsveççe dillerinde mevcuttur
🎓CC BY 4.0 — sınıflarda ve LMS gömmelerinde ücretsiz kullanım

Sıkça sorulan sorular

Makine Öğrenmesi ve Yapay Sinir Ağları simülasyonlarını çalıştırmak için bir şey yüklemem gerekiyor mu?

Hayır. Her şey tamamen tarayıcınızda çalışır — indirme, eklenti veya hesap gerekmez. Chrome, Firefox, Edge ve Safari'de çalışır; simülasyonların çoğu mobil cihazlarda da kullanılabilir.

Bu simülasyonları öğretim amacıyla kullanabilir miyim?

Evet — tüm içerik CC BY 4.0 lisansı altında eğitim amaçlı kullanım için ücretsizdir. Herhangi bir simülasyona doğrudan bağlantı verebilir veya iframe aracılığıyla LMS'inize yerleştirebilirsiniz; API anahtarı gerekmez.

Modeller bilimsel olarak doğru mu?

Profesyonel yazılımlarla aynı matematiksel formülasyonları kullanırlar ve gerçek zamanlı olarak sayısal biçimde çözülürler. Her simülasyon kullandığı algoritmaları listeler ve birçoğu, arka plandaki matematiği açıklayan bir makaleye bağlantı verir.

İlgili kategoriler

Ne buldunuz?

Yeniden oluşturma adımları ekle (isteğe bağlı)