Як працює зворотне поширення?

Зворотне поширення обчислює градієнт втрат відносно кожної ваги, застосовуючи правило ланцюга шар за шаром, від виходу до входу. Потім кожна вага коригується пропорційно своєму градієнту, зменшуючи помилку мережі на тренувальних прикладах. Візуалізатор показує як межа рішення зміщується з кожною епохою.

Що таке Q-learning?

Q-learning — це безмодельний алгоритм навчання з підкріпленням. Агент досліджує сітковий світ, отримуючи винагороди та штрафи. Він підтримує Q-таблицю, що оцінює очікувану майбутню винагороду для кожної пари стан-дія, оновлюючи її через рівняння Белмана після кожного кроку. З часом Q-значення збігаються до оптимальної стратегії.

Як генетичні алгоритми знаходять розв'язки?

Популяція випадкових кандидатних розв'язків оцінюється функцією пристосованості. Найпристосованіші особини відбираються для розмноження, рекомбінуються через кросовер та випадково мутують. З поколіннями популяція збігається до розв'язків з високою пристосованістю — імітуючи біологічну еволюцію.

ШІ та Машинне навчання

Нейронні мережі, еволюційні алгоритми, навчання з підкріпленням та класифікація — досліджуйте ключові ідеї штучного інтелекту, візуалізовані.

8 симуляцій Canvas 2D · WebGL Використовує Зворотне поширення, Q-Learning, CART

Про симуляції ШІ та Машинного навчання

Навчатися, еволюціонувати, вирішувати — алгоритми, що рухають інтелектуальні системи

Симуляції ШІ та машинного навчання роблять внутрішню роботу інтелектуальних алгоритмів видимою та інтерактивною. Замість того, щоб ставитися до нейронних мереж, дерев рішень та агентів навчання з підкріпленням як до чорних скриньок, ці візуалізації показують, як саме кожен алгоритм обробляє дані, оновлює свої параметри та покращує свою ефективність крок за кроком.

Генетичний алгоритм демонструє еволюцію in silico — популяції кандидатних розв'язків проходять відбір, кросовер та мутацію для розв'язання задач оптимізації. Самоорганізаційні карти показують, як мережа без учителя навчається топології високовимірних даних, проектуючи їх на 2D сітку, а навчання з підкріпленням показує агента, що відкриває оптимальні стратегії через спроби та помилки у сітковому світі.

Це ті самі ключові техніки, що живлять сучасний ШІ: зворотне поширення навчає моделі глибокого навчання, Q-learning лежить в основі ігрових агентів, а дерева рішень залишаються основним інструментом для інтерпретованої класифікації. Запуск їх у браузері дозволяє експериментувати з гіперпараметрами, датасетами та архітектурами для побудови справжнього розуміння того, що кожен алгоритм може — і не може — навчити.

Ключові концепції

Теми та алгоритми, які ви дослідите у цій категорії

Зворотне поширенняОбчислення градієнтів через нейронну мережу за правилом ланцюга

Q-LearningБезмодельне навчання з підкріпленням через оновлення тимчасової різниці

Генетичний алгоритмВідбір, кросовер та мутація для еволюційної оптимізації

Дерево рішеньРекурсивне розділення ознак для інтерпретованої класифікації

Самоорганізаційна картаЗменшення розмірності зі збереженням топології без учителя

Природний відбірРозмноження пропорційне пристосованості з успадкованою варіативністю

🤖 Перевір свої знання з ШІ та ML

П'ять швидких запитань для перевірки розуміння штучного інтелекту та машинного навчання

Вікторина з ШІ та ML

Часті запитання

Поширені запитання про цю категорію симуляцій

Як працює зворотне поширення?: Зворотне поширення обчислює градієнт втрат відносно кожної ваги, застосовуючи правило ланцюга шар за шаром, від виходу до входу. Потім кожна вага коригується пропорційно своєму градієнту, зменшуючи помилку мережі на тренувальних прикладах. Візуалізатор показує як межа рішення зміщується з кожною епохою.
Що таке Q-learning?: Q-learning — це безмодельний алгоритм навчання з підкріпленням. Агент досліджує сітковий світ, отримуючи винагороди та штрафи. Він підтримує Q-таблицю, що оцінює очікувану майбутню винагороду для кожної пари стан-дія, оновлюючи її через рівняння Белмана після кожного кроку. З часом Q-значення збігаються до оптимальної стратегії.
Як генетичні алгоритми знаходять розв'язки?: Популяція випадкових кандидатних розв'язків оцінюється функцією пристосованості. Найпристосованіші особини відбираються для розмноження, рекомбінуються через кросовер та випадково мутують. З поколіннями популяція збігається до розв'язків з високою пристосованістю — імітуючи біологічну еволюцію.