Beranda / Platform Interaktif

Lab visual untuk kelas

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.

PCAReduksi Dimensi

PCA

Pilih 2 atau 3 principal component lalu bandingkan proyeksi PCA 2D dan ruang 3D berdasarkan explained variance.

Z = XW KNNKlasifikasi

KNN

Tambahkan titik, ubah nilai K, dan amati decision boundary dari tetangga terdekat.

d(x,y) = sqrt(sum((x-y)^2)) KMClustering

K-Means

Jalankan iterasi otomatis atau satu per satu untuk mengikuti perpindahan centroid.

min sum ||x - mu_k||^2 GDOptimasi

Gradient Descent

Pilih titik awal, bandingkan learning rate, dan ikuti lintasan menuju local atau global minimum.

theta <- theta - alpha * grad L LRRegresi

Regresi Linear

Masukkan observasi sendiri dan lihat garis terbaik dihitung ulang beserta residualnya.

y = beta_0 + beta_1 x LOGKlasifikasi

Regresi Logistik

Pelajari bagaimana sigmoid mengubah skor linear menjadi probabilitas kelas.

p(y=1) = 1 / (1 + exp(-z)) DTKlasifikasi

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) RFEnsemble

Random Forest

Bandingkan voting banyak pohon dan lihat boundary ensemble menjadi lebih stabil.

y = mode(h_1(x), ..., h_T(x)) SVMKlasifikasi

SVM

Visualisasikan hyperplane, margin, dan support vector yang menentukan batas keputusan.

min 1/2 ||w||^2 + C sum hinge loss NNDeep Learning

Neural Network

Atur hidden layer, latih jaringan XOR, dan baca aktivasi setiap neuron pada arsitektur.

a = sigma(Wx + b) CNNDeep Learning

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 ATTNDeep Learning

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.

CMClassification Metrics

Confusion Matrix

Klik sel matriks multi-kelas secara langsung lalu hitung accuracy, precision, recall, specificity, dan F1 score.

Accuracy = sum(diagonal) / total IoUSegmentation Metrics

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.

RGBColor Channels

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)] HSVColor Transformation

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.

LPFFiltering