在學習不同的AI方法的同時，作者想看看這些方法的工作原理、本質，而不是他們的公式或論文描述內在的數學。所以，搜索了一些有趣的例子並加上了書籤，現在想分享一些引人注目的例子給大家。
Tensorflow遊樂場
這是一個具有許多不同參數的交互式神經網絡。您可以選擇問題類型，嘗試不同的體系結構並立即查看訓練結果。這是初學者的簡單神經網絡的一個完美例子。
鏈接到TF遊樂場的快速通道（https://playground.tensorflow.org/）
逐步構建決策樹的可視化示例
直觀、互動地介紹決策樹。只要繼續滾動，一切都會顯示出來。提供英文、法文、俄文和10多種語言。
鏈接到開始（http://www.r2d3.us/visual-intro-to-machine-learning-part-1/）
如果您對更高級的決策樹示例感興趣，請選中此項，可以領略決策樹的可視化集成（包括數學），你也可以使用梯度增強訓練。
遺傳算法
進化不僅僅是一些生物學上的理論，而且對於如何進行試驗也是一個很大的啟發，看看我們身邊不斷髮展的汽車。
不斷髮展的神經網絡
構建神經網絡可能非常耗時，但GA可以自動執行此過程。
本頁面將向您展示正在發展的神經網絡。
卷積
卷積是許多現代神經網絡的重要組成部分。在這裡你可以找到動畫，顯示這個操作是如何工作的。如果你想看到它的實際操作，去keras-js。
只需繪製任何內容，瀏覽器中的神經網絡將嘗試識別數字，並顯示下面的所有中間計算。你還應該看看卷積VAE演示，這個網絡可以產生大量不同的手寫數字，只有2個輸入！使用類似的方法，你甚至可以生成面孔。
強化學習
讓我們從高度抽象的環境中的簡單的代理開始。
目標儘可能接近綠點，並避免與紅點接觸。通過調整參數，你可以改變他的行為和學習動態。同時，你也可以在上方菜單中找到更多樣本。
還有一個網站有很多RL技術和簡單的可視化：
你可以嘗試不同的設置以查看這些算法如何解決相同的任務。另外，你可以在每一個細節中找到對於數學的詳細描述。
這些點和網格非常好，但我們需要更真實的東西。在瀏覽時如何訓練自駕車？您可以先嚐試一個名為DeepTraffic的簡化版本。如果您想要真正的挑戰，請轉至DeepTesla。
當然，這些例子可能需要一些編碼技巧來調整。
數學
現代人工智能具有相當多的數學背景，並且對於設計這些系統的原理非常有用。Setosa.io對一些基本概念（如條件概率、迴歸、PCA和馬爾可夫鏈）有很好的可視化。在這裡你可以找到馬爾可夫鏈蒙特卡羅方法的交互式例子。
閱讀更多 AI中國 的文章
