Créer jeu
Télécharger
Obtenir Plan Académique
Partager le jeu
Intégrez-le à votre plateforme

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.
Télécharger
Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Google Classroom avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Google Classroom, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Microsoft Teams avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Microsoft Teams, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Le téléchargement du jeu est une fonctionnalité exclusive pour les utilisateurs avec un Plan Académique ou un Plan Commercial.

Obtenez votre Plan Académique ou Plan Commercial dès maintenant et commencez à intégrer vos jeux dans votre LMS, votre site Web ou votre blog.

Si vous le souhaitez, vous pouvez télécharger une jeu de test ici et tester son intégration:

Основы нейронных сетей

Présentation

Parties jouées 0

À propos de cette activité

Коротко о нейронах и их обучении

Créé par

Kazakhstan

Téléchargez la version pour jouer sur papier

Créez votre propre jeu gratuite à partir de notre créateur de jeu
Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Top Jeux

%
Anonyme
Anonyme
%
%
%
Vous avez dépassé le nombre maximum de jeux que vous pouvez imprimer avec votre Plan actuel.

Pour imprimer autant de jeux que vous le souhaitez, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Imprimez votre jeu
Основы нейронных сетей
 

Основы нейронных сетейVersion en ligne

Коротко о нейронах и их обучении

par Ерболған Бекзат
1

1. Введение в нейронные сети

Нейронная сеть — это модель, имитирующая работу человеческого мозга: узлы (нейроны) и связи между ними. Задача — распознавание и принятие решений.

2

2. Искусственный нейрон

Искусственный нейрон получает входы, умножает их на веса, суммирует и передаёт через функцию активации, чтобы дать выход.

3

3. Веса и порог

На вход поступают значения x1, x2, ...; веса w1, w2, ...; порог (bias) b задаёт чувствительность. Выход y = f(∑w·x + b).

4

4. Функции активации

Функции активации определяют выход нейрона: пороговые, ReLU, сигмоида. Они влияют на нелинейность и обучаемость.

5

5. Архитектура сети

Сеть состоит из слоёв: входной, скрытые слои и выходной. Многошайная архитектура позволяет решать сложные задачи.

6

6. Обучение нейронной сети

Обучение — настройка весов с целью минимизации ошибки. Основной метод — обратное распространение ошибки (backpropagation).

7

7. Виды обучения

Порождающее обучение учит распознавать данные; суперvision — корректировка по целевым меткам; обучение с подкреплением — по наградам.

8

8. Преимущества нейросетей

Гибкость, способность распознавать сложные закономерности, обучаемость на больших данных и масштабируемость до мощных задач.

9

9. Ограничения и риски

Необходимы большие данные и вычислительные ресурсы; риск переобучения; непрозрачность решений; возможны этические проблемы.

10

10. Применение и будущее

Здравоохранение, транспорт, медиа и финансы. Будущее — более эффективные архитектуры, энергоэффективные модели и объяснимые решения.

Voulez-vous vraiment quitter la page ?

En quittant la page, vous perdrez la progression du jeu.