Home | AI Simulator

AI Simulator

AI를 배우기 위한 시각적 실습실

AI Simulator는 추상적인 수학을 상호작용형 실험으로 바꿉니다. 실시간으로 모델을 학습하고, 손실 곡선의 변화를 보며, 파라미터를 조정할 때 결정이 어떻게 달라지는지 확인하며 직관을 쌓아보세요.

상호작용형 실습 실시간 학습 설명 가능한 시각화 가이드 실험

학습 시작 CNN MNIST 체험

호기심에서 확신 있는 직관으로 가는 짧은 경로.

단계

실험 선택 실험을 선택하고 상단의 개념 요약을 읽어보세요. 모델이 무엇을 배우려는지 알려줍니다.

단계

데이터 생성 클릭, 데모 로드, 샘플 이미지를 이용해 데이터를 만드세요. 데이터 형태가 모든 것을 좌우합니다.

단계

학습 및 관찰 단계 또는 자동 실행으로 학습한 뒤 손실 곡선과 모델 행동이 어떻게 변하는지 관찰하세요.

단계

비교 및 성찰 하이퍼파라미터나 모델 종류를 바꿔 편향, 분산, 과적합을 확인합니다.

모델이 데이터에서 어떻게 학습하는지 이해하려면 여기서 시작하세요. 단순한 곡선이 점에 맞춰 휘는 과정, 분류기가 경계를 그리는 방식, 모델 용량의 중요성을 확인할 수 있습니다. 손실 함수, 그라디언트, 데이터 기하에 대한 직관을 만드는 경로입니다.

답을 얻기 위해 사용하세요: 왜 모델은 과소적합 또는 과적합이 되는가? 데이터 분포는 결정 경계를 어떻게 바꾸는가?

선형 회귀 로지스틱 회귀 결정 트리 K-Means K-NN SVM

이 경로는 곡선에서 네트워크로 직관을 확장합니다. 뉴런이 입력을 표현으로 변환하는 과정과, 합성곱 필터가 시각적 특징을 추출하는 과정을 관찰합니다. 깊이와 비선형성이 모델 표현력을 어떻게 바꾸는지가 핵심입니다.

답을 얻기 위해 사용하세요: CNN은 어떻게 에지를 학습하는가? 손실이 계속 개선되는데도 과적합이 되는 이유는 무엇인가?

NN 회귀 CNN Binary CNN MNIST XOR 실험실 Tiny Web LLM

여기서 모델은 라벨된 예시가 아니라 보상으로부터 학습하는 에이전트입니다. 탐험 vs 활용, 희소 보상, 환경 동역학의 역할을 살펴봅니다.

답을 얻기 위해 사용하세요: 언제 탐험이 더 나은가? 보상 구조는 행동을 어떻게 형성하는가?

N-슬롯 밴딧 그리드 월드

ML이 처음인가요? 선형 회귀와 로지스틱 회귀로 시작한 뒤 결정 트리와 비교하세요.

곡선이 궁금한가요? NN 회귀로 깊이와 너비가 적합을 어떻게 바꾸는지 확인하세요.

시각적 직관이 필요하나요? CNN MNIST로 이동해 숫자를 그려 추론을 테스트하세요.