# machine learning
Тег «machine learning» збирає симуляції, що показують роботу алгоритмів крок за кроком, а не ховають процес за чорною скринькою. Візуалізатор Градієнтного Спуску дозволяє спостерігати, як точка скочується донизу до мінімуму — принцип, що лежить в основі навчання більшості моделей, а Лінійна Регресія — МНК підганяє пряму до розсіяних даних у реальному часі. Дві окремі симуляції Кластеризації K-Means показують, як непозначені точки самі розподіляються по групах, Перцептрон будує найпростішу можливу нейронну мережу з однієї межі рішення, Класифікатор Random Forest показує, як багато дерев рішень «голосують» разом, а Візуалізатор t-SNE демонструє, як багатовимірні дані стискаються в 2D-карту, яку можна реально розглядати.
Знайдено: 7 симуляції · 0 статті
🧪 Симуляції (7)
Симуляції цієї теми: Візуалізатор Градієнтного Спуску, Кластеризація K-Means — візуалізатор машинного навчання, Кластеризація K-Means — Машинне навчання, Лінійна Регресія — МНК, Перцептрон та Класифікатор Random Forest.
🤖 Факти про цю добірку
- 7 симуляцій позначені тегом machine-learning — тут поєднані класичні статистичні методи та основи нейронних мереж.
- Дві окремі симуляції — Кластеризація K-Means — візуалізатор машинного навчання та Кластеризація K-Means — Машинне навчання — розкривають один і той самий алгоритм навчання без учителя у двох різних реалізаціях.
- Перцептрон — єдина симуляція, що моделює справжню (одношарову) нейронну мережу, яка навчається межі рішення.
- Класифікатор Random Forest та Лінійна Регресія — МНК представляють відповідно ансамблевий та регресійний підходи навчання з учителем.
Хочете більше? Перегляньте повну бібліотеку з 1000+ інтерактивних симуляцій у браузері або всі теми.