Unterrichtsmaterial
Was ein Modell beim Lernen eigentlich tut.
Gradient Descent, Perceptron, k-Nearest-Neighbors und ein kleines Feedforward-Netz. Du stellst die Hyperparameter ein und siehst jeden einzelnen Trainingsschritt, statt nur die fertige Zahl am Ende. Läuft im Browser, nichts zu installieren.
Module
Die vier Module
Jedes rechnet live. Was du im Diagramm siehst, kommt aus den Parametern, die du gerade eingestellt hast – vorberechnet ist daran nichts.
Gradient Descent
Minimiert f(x) = 0,5 x² über den Gradienten. Startwert, Lernrate und Iterationen sind einstellbar. Bei kleiner Lernrate kriecht der Punkt dem Minimum entgegen und kommt in 20 Schritten nicht an; bei großer ist er sofort da.
/gradient-descentPerceptron
Ein Neuron, zwei Eingänge, trainiert auf die AND-Wahrheitstabelle. Die Lernregel korrigiert Gewichte und Bias immer dann, wenn das Neuron danebenliegt. Die Trenngerade wird nach jedem Update neu gezeichnet.
/perceptronk-Nearest-Neighbors
Klassifikation über die k nächsten Nachbarn im euklidischen Abstand. Die Punkte beider Klassen setzt du selbst, ebenso die, die eingeordnet werden sollen. In der Animation tauchen die Nachbarn einzeln auf.
/knn-visualizeFeedforward-Netz (2-2-1)
Ein Netz mit einer verborgenen Schicht lernt AND per Backpropagation. Gewichte lassen sich von Hand setzen, jeder Trainingsstand liegt als Snapshot vor, und Fehlerkurve und Wahrheitstabelle stehen nebeneinander.
/neuronal-netTechnischer Aufbau
Wie es gebaut ist
Die Algorithmen stecken direkt in NumPy, ohne ML-Framework.
Gradientenberechnung, Lernregel und Backpropagation stehen als
lesbarer Code da und nicht hinter einem fit()-Aufruf –
genau das ist ja der Punkt, wenn man sie verstehen will. Die
Diagramme kommen von Altair und Plotly, die Oberfläche von
Streamlit, das Deployment von einer GitLab-Pipeline.
Entstanden ist der ML Visualizer als Material für den Informatikunterricht; weitergeführt wird er unter woofi-developments. Wenn dir ein Fehler auffällt oder ein Modul fehlt: E-Mail genügt, oder ein Issue im Repository.