Home

English Español 한국어 中文 Português 日本語 Français Deutsch العربية Bahasa Indonesia Tiếng Việt Türkçe Русский Italiano हिन्दी Українська

AI Simulator

Візуальна лабораторія для вивчення ШІ

AI Simulator перетворює абстрактну математику на інтерактивні експерименти. Розвивайте інтуїцію, тренуючи моделі в реальному часі, спостерігаючи за кривими loss і бачачи, як змінюються рішення під час налаштування параметрів.

Інтерактивні лабораторії Живе навчання Пояснювальні візуалізації Керовані експерименти
Почати навчання Спробувати CNN MNIST

Як користуватися платформою

Короткий шлях від цікавості до впевненої інтуїції.

1

Крок

Оберіть лабораторію Оберіть лабораторію і прочитайте опис концепції зверху. Він пояснює, чого модель намагається навчитися.

2

Крок

Створіть дані Створюйте дані кліками, завантаженням демо або використанням зразкових зображень. Форма даних визначає все.

3

Крок

Тренуйте та спостерігайте Тренуйте за допомогою step або auto-run і спостерігайте за кривою loss та еволюцією поведінки моделі.

4

Крок

Порівнюйте та аналізуйте Змінюйте гіперпараметри або тип моделі, щоб побачити bias, variance та overfitting.

Основні треки навчання

Machine Learning

Почніть тут, щоб зрозуміти, як моделі навчаються з даних. Ви побачите, як проста крива підлаштовується під точки, як класифікатори проводять межі та чому потужність моделі має значення. Цей трек формує інтуїцію щодо loss, градієнтів і геометрії даних.

Відповісти: Чому модель underfit або overfit? Як розподіл даних змінює decision boundary?

Linear Regression Logistic Regression Decision Tree K-Means K-NN SVM

Deep Learning

Цей трек масштабує інтуїцію від кривих до мереж. Спостерігайте, як нейрони перетворюють входи на представлення, і як згорткові фільтри витягують візуальні ознаки. Фокус на тому, як depth і нелінійність змінюють виразність моделі.

Відповісти: Як CNN вчиться межам? Чому нейронна модель overfit, навіть коли loss продовжує знижуватися?

NN Regression CNN Binary CNN MNIST XOR Lab Tiny Web LLM

Reinforcement Learning

Тут модель — агент, що вчиться з винагород, а не з розмічених прикладів. Ви дослідите exploration vs exploitation, sparse rewards і роль динаміки середовища.

Відповісти: Коли краще досліджувати? Як структура винагород формує поведінку?

N-Slot Bandit Grid World

Швидкий старт

Новачок у ML? Почніть з Linear Regression та Logistic Regression, потім порівняйте з Decision Tree.

Цікавлять криві? Спробуйте NN Regression, щоб побачити як depth і width змінюють fit.

Хочете візуальну інтуїцію? Перейдіть до CNN MNIST і намалюйте цифри для тесту inference.

Почати з Linear Regression Дослідити NN Regression