🧠

Машинне навчання та Нейронні мережі

Нейронні мережі, алгоритми навчання та кластеризація — вивчайте машинне навчання через живі симуляції.

5 симуляцій Canvas 2D · WebGL Backprop · Perceptron · GA

Симуляції категорії

Interactive learning algorithms — from perceptron to transformer

All modern AI is differentiable function composition. A neural network is a parameterised function f(x; θ). Training minimises a loss L(θ) via gradient descent: θ ← θ − α ∇L. Backpropagation is the chain rule applied efficiently — O(forward pass) instead of O(parameters²).

🔗
★★☆ Середнє
Neural Network Visualiser
Build a fully-connected network layer by layer. Train it on XOR, spiral and circle datasets. Watch weight matrices update, activations flow forward, and gradients backpropagate — all animated per epoch.
Canvas 2D Backpropagation SGD ReLU / Sigmoid
🔀
★★☆ Середнє
Генетичний алгоритм
Evolution as optimisation: a population of candidate solutions evolves toward a fitness target via selection, crossover and mutation. Plot fitness distributions and observe convergence or premature diversity loss.
Canvas 2D Evolutionary Crossover Mutation
🎮
★★★ Складне
Навчання з підкріпленням
Q-агент навчається орієнтуватися в сітковому лабіринті з нагородами та штрафами. Спостерігайте за побудовою Q-таблиці; стрілки на карті показують оптимальну стратегію.
Canvas 2D Q-Learning Bellman Equation
🗺️
★★★ Складне
Карта самоорганізації
576 нейронів Колонена самоорганізуються в топологічно впорядковану колірну карту. Гаусове загасання радіуса сусідства, чотири вхідні розподіли.
Canvas 2D Без учителя Топологія
📊
★★☆ Середнє
Дерево рішень Live
CART розбиває 2D датасет за домішком Джині. Межа рішення формується рівень за рівнем при зростанні максимальної глибини від 0 до 8.
Canvas 2D CART Домішок Джині
🎯
Готово ★★☆ Середнє
Кластеризація K-Means
Покроково виконуй k-means: розміщуй точки або вибирай датасет, обирай k від 1 до 8 і спостерігай за збіжністю центроїдів. Регіони Вороного оновлюються на кожній ітерації, графік WCSS показує збіжність.
Кластеризація Вороной WCSS Без учителя

Key Concepts

The mathematics of learning from data

Backpropagation
Reverse-mode automatic differentiation. Forward pass computes activations and caches them. Backward pass applies chain rule right-to-left: δL/δwᵢⱼ = δL/δaⱼ · aᵢ. Cost O(forward pass) — the reason deep learning is tractable. Vanishing gradients in deep sigmoid nets → ReLU / residual connections.
Gradient Descent
θ ← θ − α ∇_θ L(θ). Batch GD uses full dataset each step — stable, slow. SGD uses one sample — noisy, fast. Mini-batch is the practical compromise. Momentum, RMSProp, Adam add adaptive learning rates. Learning rate schedule: warm-up then cosine decay.
Universal Approximation
A single-hidden-layer network with enough neurons can approximate any continuous function on a compact domain to arbitrary precision. Depth buys exponential representation efficiency — deep networks need fewer parameters than wide ones for most functions. Width without depth limits expressivity.
Q-Learning
Q(s,a) ← Q(s,a) + α[r + γ max_a' Q(s',a') − Q(s,a)]. Bellman update: current Q = reward + discounted future best Q. Off-policy: learn optimal Q while following ε-greedy exploration. Convergence guaranteed for tabular finite MDPs. DQN replaces the table with a neural network.

Learning Resources

Articles and tutorials about machine learning

Tutorial Build a Neural Network from Scratch in JS Matrix multiply, activation functions, backprop and SGD — zero dependencies, full source code. → Article Backpropagation — the Chain Rule Unwrapped Computational graphs, forward and backward passes, Jacobians — with animated gradient flow diagrams. → Reference Algorithms Glossary Gradient descent variants, activation functions, loss functions and regularisation techniques. →
All articles →

Ключові Концепції

Теми та алгоритми, які ви досліджуєте в цій категорії

Зворотне ПоширенняГрадієнтний спуск через шари за правилом ланцюга
Градієнтний СпускІтеративна мінімізація функції втрат
Згорткові МережіВиявлення ознак через навчені просторові фільтри
Навчання з ПідкріпленнямМаксимізація нагороди агента в середовищі
K-Means КластеризаціяІтераційне розбиття на основі центроїдів
Межі РішеньГіперплощини, навчені класифікаторами

Часті Запитання

Поширені запитання про цю категорію симуляцій

Як нейронна мережа навчається в симуляції?
Ваги оновлюються стохастичним градієнтним спуском зі зворотним поширенням. Кожен прямий прохід обчислює передбачення; втрата поширюється назад через мережу за правилом ланцюга для обчислення градієнтів.
Що показує симуляція навчання з підкріпленням?
Агент отримує нагороди за хороші дії та покарання за погані, вивчаючи стратегію через Q-навчання. Можна спостерігати, як агент досліджує середовище і поступово розвиває оптимальну стратегію.
Навіщо нейронним мережам багато шарів?
Глибокі мережі вивчають ієрархічні представлення: ранні шари виявляють краї, середні — форми, глибокі — концепції високого рівня. Кожен шар компонує ознаки попереднього.

Про Симуляції Машинного Навчання

Нейронні мережі, тренування, оптимізація та ШІ — візуально

Симуляції машинного навчання візуалізують внутрішню роботу алгоритмів, що лежать в основі сучасного ШІ. Від перцептрону та зворотного поширення до глибоких нейронних мереж та згорткових архітектур.

Градієнтний спуск візуалізується на поверхнях втрат різної складності. Симуляції k-means та ієрархічної кластеризації показують несупервізоване навчання. Q-learning демонструє навчання з підкріпленням.

Кожна симуляція побудована з акцентом на освітню цінність. Алгоритми ідентичні тим, що використовуються в TensorFlow та PyTorch.

Other Categories