Die Epoche läuft auf lernenden Maschinen, doch das Lernen selbst bleibt hinter einer API verborgen. Hier liegt es offen, jeder Schritt auf dem Bildschirm und vollständig in Ihrem Browser laufend: ein neuronales Netz, das in Echtzeit eine Entscheidungsgrenze herausarbeitet, ein Agent, der zufällig auf eine Belohnung stößt, Attention, die entscheidet, welches Wort sie betrachtet, Rauschen, das sich unter einem Diffusionsmodell zu Struktur klärt. Keine Cloud, keine Schlüssel — nur Gradienten, Strategien und Wahrscheinlichkeit, gezeichnet in dem Moment, in dem sie geschehen.
Watch real t-SNE run live: a random fog of high-dimensional points pulls itself apart frame by frame, gradient-descending the KL divergence until clean, separated clusters bloom — Gaussian blobs, interlocking rings, baked digits, concentric shells.
Watch real Principal Component Analysis fold a high-dimensional cloud — a tilted 3D Gaussian, the classic Iris flowers, a Swiss-roll, clustered digits — onto its principal axes, points sliding into place while the explained-variance bars fill.
Train a real multinomial Naive Bayes spam filter in your browser, then type a message and watch each word tug the verdict toward spam or ham — with the log-odds math drawn live, word by word.
Watch a population of genomes evolve over generations — selection, crossover and mutation — as a recognizable image rises from noise, rockets thread an obstacle, a phrase assembles itself, or a swarm climbs a rugged fitness landscape.
Watch a real optimizer descend a 3D loss surface — switch between SGD, Momentum, RMSProp and Adam, then crank the learning rate until it visibly diverges.
Drop labelled points on a plane and watch four real classifiers — k-NN, logistic regression, a live-trained neural net, and an RBF kernel — carve the space into coloured decision regions before your eyes.
Slide a 3×3 convolution kernel across a procedurally drawn image and watch the feature map light up — switch between blur, sharpen, Sobel edges, emboss and a Laplacian, or hand-craft your own kernel and chain a second layer.
Hunt the maximum of an expensive, hidden function in as few samples as possible — a Gaussian-process surrogate fits the points so far, draws its mean and a ±2σ uncertainty band, and an acquisition function picks the next, smartest place to look.
Train a real neural autoencoder live: tiny glyphs are squeezed through a 2-D bottleneck and rebuilt by a decoder, the reconstructions sharpening epoch by epoch while a latent map blooms into class clusters — then click anywhere in that latent plane to watch the decoder dream a new glyph into being.
Ein Kohonen-Gitter, das sich knittert, dehnt und über jede beliebige Datenverteilung legt — Topologieentdeckung, sichtbar gemacht.
Beobachten Sie, wie ein tabellarischer RL-Agent von Grund auf eine Navigationsstrategie aufbaut — durch Fallen stolpernd, Belohnung entdeckend und optimale Pfeile in jede Zelle des Gitters einätzend.
Beobachten Sie, wie das Rosenblatt-Neuron von 1958 eine Entscheidungslinie durch Ihre Daten zieht, eine Korrektur nach der anderen.
Beobachten Sie, wie ein selbstgebautes neuronales Netz seine Entscheidungsgrenze in Echtzeit biegt, während es per Backpropagation lernt, 2D-Punktwolken zu trennen.
Der Urahn von GPT — sagen Sie das nächste Token aus den letzten wenigen voraus und beobachten Sie, wie Kohärenz entsteht, je höher die Ordnung wird.
Beobachten Sie, wie Lloyds Algorithmus ein Streudiagramm in lebendige Voronoi-Gebiete zerschneidet, während die Zentroide in Echtzeit ihre Cluster aufspüren.
Beobachten Sie, wie ein verrauschtes oder halb gelöschtes Muster zu einer gespeicherten Erinnerung zurückschnappt, während ein Netz aus Neuronen bergab in einen Attraktor rollt.
Fünf gradientenbasierte Optimierer rasen gleichzeitig dieselbe Verlustlandschaft hinab und zeigen, warum Adam das schlichte SGD in Geschwindigkeit, Stabilität und der Flucht aus Sattelpunkten überflügelt.
Durchstreifen Sie einen handgefertigten semantischen Raum, in dem König − Mann + Frau exakt auf Königin einrastet und Bedeutungscluster in Neonfarben aufblühen.
Beobachten Sie, wie ein CART-Klassifikator Ihre 2-D-Daten in achsenparallele Regionen zerlegt — einen informationsmaximierenden Split nach dem anderen.
Sehen Sie zu, wie ε-greedy, UCB1 und Thompson Sampling um den besten Arm des Spielautomaten wetteifern — der kumulierte Regret live geplottet, während die Algorithmen erkunden und ausnutzen.
Beobachten Sie, wie ein Transformer entscheidet, worauf er blickt — softmax(QKᵀ/√d), greifbar gemacht durch Live-Heatmaps und bipartite Attention-Flüsse.