AI Visual Lab

Почему я его сделал

Изучая машинное обучение, я заметил, что выучить определение алгоритма гораздо проще, чем представить, как он на самом деле работает. Формулу градиентного спуска или идею обратного распространения ошибки можно запомнить, но без эксперимента трудно почувствовать, что произойдёт, если увеличить шаг обучения или добавить слой.

Поэтому я решил собрать курс, в котором объяснение и эксперимент находятся на одной странице: прочитал, как работает алгоритм, и сразу проверил это на графике.

Как устроен курс

63 урока разделены на семь модулей: введение в ИИ, классическое машинное обучение, обучение моделей, нейросети, архитектуры, генеративные модели и практика — когда модель действительно нужна, а когда хватает простого правила.

Урок состоит из объяснения с формулами и разобранными примерами, интерактивной визуализации и вопросов для самопроверки. В визуализации можно добавлять и перетаскивать точки данных, менять параметры и смотреть, как меняются предсказания, границы классов, кластеры или ход обучения. Например, повысить степень полинома и увидеть переобучение, сравнить границы решений логистической регрессии и kNN на одной выборке или проследить, как нейросеть меняет веса во время обучения.

К тексту добавлены эксперименты: короткие задания о том, что изменить на графике и на что обратить внимание. Прогресс сохраняется между посещениями, а пройденные уроки отмечаются на карте курса.

Что было интересно реализовать

Все вычисления выполняются в браузере, без сервера и готовых ML-библиотек. Для курса написаны учебные реализации линейной и полиномиальной регрессии с регуляризацией, деревьев решений и ансамблей, логистической регрессии, kNN и SVM, кластеризации, методов оптимизации и небольших нейросетей, которые обучаются прямо на странице. Они намеренно простые: их задача — показать устройство алгоритма, а не заменить промышленные библиотеки.

Не каждая визуализация обучает модель. Для архитектур и генеративных моделей показаны отдельные механизмы: свёртка изображения фильтром, работа ячеек LSTM и GRU, веса внимания в Transformer, выбор следующего токена с температурой и top-k, поиск подходящих фрагментов текста по TF-IDF и косинусной близости.

Названия элементов управления в заданиях сверяются с интерфейсом автоматическими тестами, а математику алгоритмов проверяют юнит-тесты: например, что ошибка бустинга на обучающих данных не растёт с числом деревьев.

Графики построены на SVG и D3, поля решений классификаторов — на Canvas, трёхмерные виды поверхности потерь и нейросети — на Three.js, формулы — на KaTeX.

Результат и статус

Публичная версия открыта без регистрации, все уроки доступны. Курс продолжаю улучшать: материалы, интерфейс и взаимодействие с алгоритмами.