Platform interaktif.
Pilih eksperimen, tampilkan dalam fullscreen, masukkan data sendiri, atau gunakan animasi otomatis untuk menjelaskan konsep langkah demi langkah.
Metode ML
Algoritma inti dari reduksi dimensi sampai deep learning.
PCA
Pilih 2 atau 3 principal component lalu bandingkan proyeksi PCA 2D dan ruang 3D berdasarkan explained variance.
Z = XW
KlasifikasiBundle
KNN
Tambahkan titik, ubah nilai K, dan amati decision boundary dari tetangga terdekat.
d(x,y) = sqrt(sum((x-y)^2))
ClusteringBundle
K-Means
Jalankan iterasi otomatis atau satu per satu untuk mengikuti perpindahan centroid.
min sum ||x - mu_k||^2
OptimasiBundle
Gradient Descent
Pilih titik awal, bandingkan learning rate, dan ikuti lintasan menuju local atau global minimum.
theta <- theta - alpha * grad L
RegresiBundle
Regresi Linear
Masukkan observasi sendiri dan lihat garis terbaik dihitung ulang beserta residualnya.
y = beta_0 + beta_1 x
RegresiProject
Interpolasi
Atur titik data, pilih derajat polinom, lalu bandingkan prediksi di dalam rentang data dengan prediksi di luar rentang data.
y_hat = f(x); x in range = interpolation, x outside range = extrapolation
KlasifikasiBundle
Regresi Logistik
Pelajari bagaimana sigmoid mengubah skor linear menjadi probabilitas kelas.
p(y=1) = 1 / (1 + exp(-z))
KlasifikasiBundle
Decision Tree
Siapkan dataset, jalankan training, lalu bandingkan boundary data dengan arsitektur aturan pohon dan perhitungan Gini aktual.
Gain = Gini(parent) - sum w_i Gini(child_i)
EnsembleBundle
Random Forest
Bandingkan voting banyak pohon dan lihat boundary ensemble menjadi lebih stabil.
y = mode(h_1(x), ..., h_T(x))
KlasifikasiBundle
SVM
Visualisasikan hyperplane, margin, dan support vector yang menentukan batas keputusan.
min 1/2 ||w||^2 + C sum hinge loss
Deep LearningGratis setelah login
Neural Network
Atur hidden layer, latih jaringan XOR, dan baca aktivasi setiap neuron pada arsitektur.
a = sigma(Wx + b)
Deep LearningGratis setelah login
CNN Convolution
Edit pixel input, pilih kernel, dan lihat feature map dihitung melalui operasi konvolusi.
Y[i,j] = sum_m sum_n X[i+m,j+n] K[m,n] + b
Deep LearningProject
Transformer
Masukkan kalimat sendiri lalu baca Q, K, V, scaled dot-product, softmax, dan attention matrix.
Attention(Q,K,V) = softmax(QK^T / sqrt(d))V
Evaluasi Model
Baca kualitas prediksi lebih dalam daripada akurasi.
Confusion Matrix
Klik sel matriks multi-kelas secara langsung lalu hitung accuracy, precision, recall, specificity, dan F1 score.
Accuracy = sum(diagonal) / total
Segmentation MetricsProject
IoU + Dice
Geser mask kotak aktual dan prediksi pada grid piksel lalu bandingkan IoU, Jaccard, Dice, dan DSC secara real-time.
IoU = intersection / union; Dice = 2 intersection / (A + B)
Image Processing
Ekstrak informasi warna dan fitur citra sebelum masuk ke model.
RGB Channels
Klik piksel citra lalu lihat channel Red, Green, dan Blue asli secara terpisah beserta nilai aktual setiap channel.
I(x,y) = [R(x,y), G(x,y), B(x,y)]
Color TransformationProject
RGB ke HSV
Klik piksel citra lalu ikuti perhitungan realtime dari RGB ternormalisasi menjadi Hue, Saturation, dan Value.
H = f(R,G,B); S = delta / max; V = max
Signal Processing
Lihat sinyal pada domain waktu, frekuensi, dan komponennya.
Filter Sinyal
Masukkan sinyal sendiri atau pilih contoh, atur cutoff Hz, lalu bandingkan input dengan hasil low-pass atau high-pass filter.
y[n] = alpha x[n] + (1-alpha)y[n-1]
Frequency DomainGratis setelah login
FFT Spectrum
Masukkan sinyal sendiri atau pilih contoh, lalu petakan waveform menjadi spektrum FFT hingga batas Nyquist.
X[k] = sum x[n] exp(-j 2 pi kn / N)
DecompositionBundle
Dekomposisi Sinyal
Masukkan sinyal observasi sendiri atau pilih contoh, lalu hitung trend, seasonality, dan residual pada sumbu waktu yang sama.
observed = trend + seasonal + residual