VisuApps
Kernalgorithmen des maschinellen Lernens interaktiv begreifen
Apps
Entscheidungsstümpfe nacheinander auf gewichteten Daten: Fehler wachsen, der nächste Stumpf zielt auf sie, Stimmgewicht α je Runde, exakte Treppen-Grenze des Ensembles, Trainings- und Testfehler über bis zu 60 Runden.
Machine LearningAusprobieren
Die fünf Bausteine eines guten Prompts (Rolle, Aufgabe, Kontext, Format, Beispiele) als stapelbare 3D-Blöcke — ein-/ausschalten und sehen, wie der zusammengesetzte Beispiel-Prompt vollständiger wird. Token-frei.
Machine LearningAusprobieren
Was darf in den Prompt? Eine 3D-Ampel bewertet typische Verwaltungs-Informationen als grün (unbedenklich), gelb (nur anonymisiert / nur im freigegebenen Tool) oder rot (niemals in öffentliche KI) — mit Begründung, Handlungsempfehlung und Selbsttest. DSGVO, Sozial-/Steuergeheimnis. Token-frei.
Machine LearningAusprobieren
Achsenparallele Splits nach Informationsgewinn: ΔI für jede Kandidaten-Schwelle, Baumdiagramm mit der Ebene verknüpft, Tiefe, Mindestblattgröße und Pruning, Trainings- gegen Testgenauigkeit über die Tiefe.
Machine LearningAusprobieren
Viele flache Entscheidungsbäume zu einem starken Modell vereint: Einzelbaum (kantige Treppe), Bagging (Varianz mitteln → glatte Grenze) und Boosting (sequenziell auf schwere Fälle). Verschränkte „two moons", Genauigkeit über die Baumzahl — Random Forest greifbar.
Machine LearningAusprobieren
Lloyd-Algorithmus als Zustandskette ohne Labels: Zuordnen und Zentren verschieben, Voronoi-Zellen, Inertia je Halbschritt, Zufall gegen k-means++, lokale Minima, Ellbogen mit Silhouette und typische Fehlschläge.
Machine LearningAusprobieren
Abfragepunkt, seine k Nachbarn mit Distanzform und Mehrheitsvotum: Entscheidungsregionen von k = 1 (zackig) bis k = 40 (glatt), Trainings- und Testgenauigkeit über k, Metrik und Merkmalsskalierung verändern die Nachbarschaft.
Machine LearningAusprobieren
Wie ein neuronales Netz Ziffern erkennt und lernt — als Erklärtheater in vier Akten, die bestehende 3D-Apps als Bühnen kombinieren (Neuron-Playground → Handschrifterkennung → 3D-Training → Backpropagation). Der KI-Tutor inszeniert je nach Frage einen Weg durch die Akte (FlexPlot).
Machine LearningAusprobieren
70 Jahre KI-Geschichte als begehbare 3D-Zeitleiste — von Turing über die KI-Winter bis ChatGPT. Meilensteine anwählen, Epochen farblich unterscheiden, Ereignis-Details lesen.
Machine LearningAusprobieren
Acht Klassifikatoren lernen auf denselben Daten: kNN, logistische Regression, lineare und RBF-SVM, Naive Bayes, Entscheidungsbaum, Random Forest und neuronales Netz — ihre Entscheidungsgrenzen zeigen die Modellfamilie, Trainings- und Testgenauigkeit nebeneinander entlarven Überanpassung.
Machine LearningAusprobieren
Die drei großen Lernarten zum Ausprobieren: überwachtes Lernen (Klassen trennen), unüberwachtes Lernen (Cluster finden) und bestärkendes Lernen (Agent sammelt Belohnung) — live animiert in einer 3D-Szene.
Machine LearningAusprobieren
Linearer Klassifikator im Raum: zwei Punktklassen, eine Trennebene mit Normalenvektor w. Ebene per Slider drehen/verschieben oder per Perzeptron auto-trennen — trennbare, überlappende und XOR-Daten zeigen Stärke und Grenze des linearen Modells.
Machine LearningAusprobieren
Schwelle eines Klassifikators verschieben und sehen, wie Fälle zwischen TP, FP, FN und TN wandern — und warum 99 % Accuracy bei seltenen Positiven nichts bedeuten muss.
Machine LearningAusprobieren
Die großen KI-Modellfamilien als 3D-Blasendiagramm — nach Leistung, Reasoning-Tiefe und Offenheit angeordnet, Blasengröße = Kontextfenster. Qualitative Momentaufnahme, ohne Versionsnummern.
Machine LearningAusprobieren
Aufteilen, Validierungskurve, k-fache Kreuzvalidierung und einmaliger Test an einer Polynom-Regression — dazu Datenleck und Tuning auf dem Testsatz als Gegenbeispiele.
Machine LearningAusprobieren
Prior mal Likelihoods je Merkmal: Posterior-Feld mit Randdichten, achsenparallele Ellipsen und quadratische Grenze; korrelierte Daten zeigen, was die Unabhängigkeitsannahme übersieht; dazu ein Spam-Modus mit Log-Odds.
Machine LearningAusprobieren
Eigenen Linkgraphen bauen, Transitionsmatrix live ansehen und Random Surfer Schritt für Schritt (auch rückwärts oder zehnfach) durch den Graphen wandern lassen — die PageRank-Werte konvergieren sichtbar mit Interpretation.
Machine LearningAusprobieren
Hauptachsen einer 3D-Punktwolke als Eigenvektoren der Kovarianz: Projektion auf k Komponenten mit Loten, Rekonstruktionsfehler = Summe der verworfenen λ, Scree-Plot, Standardisieren und der Unterschied zur Regressionsebene.
Machine LearningAusprobieren
Viele zufällige Entscheidungsbäume stimmen ab: Die Mehrheit glättet die zackigen Grenzen einzelner Bäume und senkt den Testfehler — Bootstrap, Feature-Zufall, Out-of-Bag-Fehler und Testfehler über die Zahl der Bäume.
Machine LearningAusprobieren
Zwei Score-Verteilungen, die Schwelle wandert: Der Sweep zeichnet die ROC-Kurve, AUC als Anteil richtig sortierter Paare, ROC bleibt bei jeder Prävalenz gleich, Vergleich zweier Modelle mit kreuzenden Kurven.
Machine LearningAusprobieren
Maximaler Rand und Stützvektoren, exakt per SMO: Punkte ohne Ring verschieben die Grenze nicht, Soft-Margin C, Schlupf ξ, Kernel linear, Lift (Paraboloid in 3D) und RBF.
Machine LearningAusprobierenDu möchtest diese Apps in deinen Kursen nutzen? Lass uns gemeinsam schauen, was zu dir passt.
Ein Formular, drei Anliegen. Wir antworten persönlich.
Wir zeigen heyprof an deinem eigenen Stoff. Sag uns, was du unterrichtest, dann bereiten wir das Gespräch darauf vor.