Auf dieser Seite

Sammlung

KI und Maschinelles Lernen Interaktiv erleben.

Von Neuronen und Gradienten bis zu Transformern, RLHF und Agenten: maschinelles Lernen zum Anfassen.

39 VisuApps

Zu den Apps

Zum App-Katalog

Apps

Alle Apps. Kostenlos im Browser.

Neuronales Netz

Ein neuronales Netz als Funktion: jedes Neuron sichtbar, ReLU-Knicke als Bausteine der Ausgabe, Gewichte je Neuron editierbar, Parameterzahl; Modi Kurve, Ebene und Ziffern.

Neuronale NetzeAusprobieren

Die Temperatur-Schraube

Logits werden per softmax(z/T) zur Verteilung: Temperatur, Greedy, Sampling, Top-k und Top-p mit sichtbarer Abschnittslinie, Entropie, Entscheidungsbaum der Generierung und Schleifen bei T = 0.

Neuronale NetzeAusprobieren

Tokenizer-Spielplatz

Text zerfällt in Tokens: Byte-Level-BPE wird live trainiert, der Merge-Regler zeigt, wie häufige Wörter zu einem Token verschmelzen, dazu Token-Details, Sprachvergleich und Anteil am Kontextfenster.

Linguistik & PhonetikAusprobieren

n-Gramm-Textgenerator

Text aus Zählungen der letzten n − 1 Tokens: Zähltabelle P(w|h), Weg von Kauderwelsch über plausiblen Text zur wörtlichen Kopie, Explosion der möglichen Kontexte, Glättung und Backoff; Korpora DE und EN.

Linguistik & PhonetikAusprobieren

Curve-Fitting-Playground

Ein Modell ist eine Form mit Stellschrauben: Polynome vom Grad 0 bis 12 per Kleinste Quadrate, Residuen als Quadrate (Fläche = Verlust), Hold-out-Fehler über den Grad und Parameter, die beim Überanpassen explodieren.

Wahrscheinlichkeit & StochastikAusprobieren

Neuron-Playground

Ein künstliches Neuron: gewichtete Summe, Aktivierung, Entscheidungsgerade in der Eingabeebene mit w-Pfeil und Bias-Abstand; Perzeptron-Regel und Gradientenschritt lösen AND und OR, XOR bleibt bei 75 %.

Neuronale NetzeAusprobieren

Handschrifterkennung (3D)

Eine gezeichnete Ziffer fließt durch ein echtes, auf MNIST trainiertes Netz (784 → 64 → 32 → 10): Gewichtsbilder je Neuron, Vorwärtswelle, Softmax-Balken und Testziffern, bei denen es sich sicher irrt.

Neuronale NetzeAusprobieren

Neuronales Netz — 3D-Labor

Trainingslabor für neuronale Netze in 3D: Neuronen als Kacheln mit ihrer Ausgabe, Kanten nach Gewicht, Spirale, XOR, Monde, Schichten, Aktivierungen und Regularisierung live; dazu ein Ziffern-Modus.

Neuronale NetzeAusprobieren

Gradient Descent (3D)

Verlustfläche einer echten Geradenanpassung in 3D: θ ← θ − η∇L mit Stabilitätsgrenze 2/λmax, zwei Täler und ein Sattel, GD, Momentum und Adam im Rennen, SGD-Rauschen und die Gerade im Modell-Panel.

Neuronale NetzeAusprobieren

Backpropagation — Schuld rückwärts

Backpropagation an einem 2-2-2-Netz mit echten Zahlen in sechs Schritten: Vorwärtsrechnung, Verlust, δ am Ausgang und im Hidden Layer, Gradient je Gewicht, erst das Update senkt den Verlust — numerisch gegengeprüft.

Neuronale NetzeAusprobieren

Training Sandbox

Trainingsdynamik an den Lernkurven ablesen: Lernrate, Batchgröße, Epochen, Train- und Validierungsverlust, Early Stopping am Val-Minimum, L2, Dropout, Augmentation und mehr Daten gegen Überanpassung.

Neuronale NetzeAusprobieren

Bedeutungstrajektorie

Echte Wortvektoren — deutsch fastText (cc.de.300), englisch GloVe: Beziehungen als parallele Pfeile, König − Mann + Frau ≈ Königin mit Treffern, knappen Fehlern und gelerntem Bias, Kosinus gegen Abstand und Sätze als Weg mit Folgewort-Kandidaten aus GerPT2 bzw. GPT-2.

Linguistik & PhonetikAusprobieren

Embedding Space Explorer (3D)

Wörter als Vektoren in einem Bedeutungsraum: Ähnlichkeit als Kosinus im vollen Raum, Analogie-Pfeile, Nachbarn und drei 3D-Schatten (Karte, PCA, Achsen) mit der Angabe, wie viel Nachbarschaft jeder erhält.

Neuronale NetzeAusprobieren

Kontext verschiebt Bedeutung

Statischer gegen kontextuellen Wortvektor in 3D: Ein mehrdeutiges Wort startet zwischen zwei Bedeutungsinseln und wird Schicht für Schicht von den Kontextwörtern gezogen, stark nach Attention-Gewicht.

Linguistik & PhonetikAusprobieren

Attention Visualizer

Self-Attention sichtbar: Query, Keys, softmax(QKᵀ/√d)·V, fünf spezialisierte Köpfe, Matrix-Heatmap mit kausaler Maske, zweite Schicht und eine Rechnung von Hand mit drei Tokens.

Neuronale NetzeAusprobieren

Transformer 3D

Die GPT-2-Architektur begehbar: Residual-Strom durch 12 Blöcke, maskierte Attention als Brücken, MLP d → 4d → d, Unembedding und Softmax, ein Token nach dem anderen; Parameter je Bauteil und GPT-3 im Vergleich.

Neuronale NetzeAusprobieren

RLHF-Trainer — Du bist der Mensch

Du vergleichst Antworten: Daraus lernt ein Belohnungsmodell (σ(r_A − r_B)), die Policy verschiebt sich unter einer KL-Leine; bei lockerer Leine gewinnt die schmeichelnde Antwort (Reward Hacking); dazu der DPO-Weg.

Neuronale NetzeAusprobieren

RAG — Suche nach Bedeutung

Retrieval-Augmented Generation Schritt für Schritt: Chunks, Embeddings, Suche nach Kosinus, BM25 oder hybrid, Top-k-Schnitt, Prompt mit Token-Budget und Antwort mit Quellen; Fehltreffer führen zu Halluzination.

Neuronale NetzeAusprobieren

Rule-30-Automat

Elementare Zellularautomaten mit allen 256 Regeln: Rule 90 springt per Formel zu jeder Generation, Rule 30 muss jeden Schritt rechnen (Irreduzibilität); dazu ein Vorhersage-Spiel und das Rechenbudget je Token eines LLM.

InformatikAusprobieren

Regression & R²

Kleinste-Quadrate-Gerade an Vorlesungsdaten: Fehler als Quadrate, SST = SSR + SSE als rechtwinkliges Dreieck, SSE als Schüssel über Steigung und Lage; Anscombe, Parabel und Störgröße zeigen, was R² nicht verrät.

Wahrscheinlichkeit & StochastikAusprobieren

Bias-Varianz / Overfitting

Viele Trainingssätze aus derselben Welt als Modellschar: mittleres Modell gegen die Wahrheit (Bias), Streuung der Modelle (Varianz) und die exakte Zerlegung Testfehler = Bias² + Varianz + Rauschen über Polynomgrad oder Ridge-λ.

StatistikAusprobieren

k-Nächste-Nachbarn (kNN)

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

Logistische Regression

Zwei Merkmale, linearer Score, Sigmoid-Fläche in 3D: Die Schwellenebene schneidet sie in einer Geraden, Log-Loss je Punkt, Gradientenabstieg Schritt für Schritt, XOR als Grenze des Modells.

StatistikAusprobieren

Naïve-Bayes-Klassifikator

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

Support Vector Machine (SVM)

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 LearningAusprobieren

Decision Tree (Entscheidungsbaum)

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

Klassifikator-Arena

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

Modellvalidierung: Training, Validierung, Test

Aufteilen, Validierungskurve, k-fache Kreuzvalidierung und einmaliger Test an einer Polynom-Regression — dazu Datenleck und Tuning auf dem Testsatz als Gegenbeispiele.

Machine LearningAusprobieren

Metrics Lab: Konfusionsmatrix & Kennzahlen

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

ROC-Kurve & AUC

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

Random Forest

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

AdaBoost

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

k-Means

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

PCA — Hauptkomponentenanalyse

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

LLM-Trainingsstufen

Derselbe Prompt durch Vortraining, SFT, RLHF/DPO und LoRA: Das Wissen entsteht im Vortraining, die späteren Stufen verschieben vor allem, welche Antwort wahrscheinlich ist.

Neuronale NetzeAusprobieren

Agenten-Schleife

Ein LLM-Agent ist eine Schleife: Das Modell schreibt Werkzeugaufrufe als Text, ein Programm führt sie aus, und jede Beobachtung wächst in den Kontext — mit und ohne Werkzeuge im Vergleich, inklusive Fehlerfall und Prompt-Injection.

Neuronale NetzeAusprobieren

Bias im Bewerber-Screening

Ein Modell, trainiert auf früheren Einstellungsentscheidungen, sortiert 200 Bewerbungen. Wer die Gruppe aus den Daten löscht, sieht die Quote kaum besser werden, weil ein Stellvertreter-Merkmal die Verzerrung weiterträgt.

KI-KompetenzAusprobieren

Pseudozufall — wie der Computer würfelt

Ein Zufallsgenerator ist eine feste Rechenvorschrift: gleicher Startwert, gleiche Folge, und irgendwann schließt sich der Kreis. Mittquadrat, linearer Kongruenzgenerator mit frei wählbaren Parametern, RANDU, Schieberegister und Xorshift im Vergleich — gute und ausdrücklich schlechte. Vier Ansichten zeigen, was eine Zahlenliste verbirgt: Rechenvorschrift mit eingesetzten Werten, Zyklus als ρ-Figur, Punktbild aufeinanderfolgender Paare und drehbare Tripel-Wolke (RANDU klappt zu 15 Ebenen zusammen), Histogramm.

KryptographieAusprobieren

Halluzinationen erkennen

Eine KI-Antwort klingt sicher und nennt Quellen. Zerlege sie in Behauptungen und prüfe jede gegen das Originaldokument: belegt, widerlegt oder erfunden.

KI-KompetenzAusprobieren

Sammlungen

Weitere Sammlungen. Von uns zusammengestellt.

Die Ebene ist nicht fünffärbbar (Hadwiger–Nelson)

Gaußscher Graben — kein Weg ins Unendliche

Offene Probleme, gelöst von KI

Jahrzehntelang offene Fragen der Mathematik, zu denen ein KI-Modell 2026 Lösungen vorgelegt hat, als interaktive Apps: Problem verstehen, Ergebnis erleben.

24 AppsSammlung öffnen