实例分享：为你展示更详尽的算法原理分析！

在学习不同的AI方法的同时，作者想看看这些方法的工作原理、本质，而不是他们的公式或论文描述内在的数学。所以，搜索了一些有趣的例子并加上了书签，现在想分享一些引人注目的例子给大家。

Tensorflow游乐场

这是一个具有许多不同参数的交互式神经网络。您可以选择问题类型，尝试不同的体系结构并立即查看训练结果。这是初学者的简单神经网络的一个完美例子。

链接到TF游乐场的快速通道（https://playground.tensorflow.org/）

逐步构建决策树的可视化示例

直观、互动地介绍决策树。只要继续滚动，一切都会显示出来。提供英文、法文、俄文和10多种语言。

链接到开始（http://www.r2d3.us/visual-intro-to-machine-learning-part-1/）

如果您对更高级的决策树示例感兴趣，请选中此项，可以领略决策树的可视化集成（包括数学），你也可以使用梯度增强训练。

遗传算法

进化不仅仅是一些生物学上的理论，而且对于如何进行试验也是一个很大的启发，看看我们身边不断发展的汽车。

不断发展的神经网络

构建神经网络可能非常耗时，但GA可以自动执行此过程。

本页面将向您展示正在发展的神经网络。

卷积

卷积是许多现代神经网络的重要组成部分。在这里你可以找到动画，显示这个操作是如何工作的。如果你想看到它的实际操作，去keras-js。

只需绘制任何内容，浏览器中的神经网络将尝试识别数字，并显示下面的所有中间计算。你还应该看看卷积VAE演示，这个网络可以产生大量不同的手写数字，只有2个输入！使用类似的方法，你甚至可以生成面孔。

强化学习

让我们从高度抽象的环境中的简单的代理开始。

目标尽可能接近绿点，并避免与红点接触。通过调整参数，你可以改变他的行为和学习动态。同时，你也可以在上方菜单中找到更多样本。

还有一个网站有很多RL技术和简单的可视化：

你可以尝试不同的设置以查看这些算法如何解决相同的任务。另外，你可以在每一个细节中找到对于数学的详细描述。

这些点和网格非常好，但我们需要更真实的东西。在浏览时如何训练自驾车？您可以先尝试一个名为DeepTraffic的简化版本。如果您想要真正的挑战，请转至DeepTesla。

当然，这些例子可能需要一些编码技巧来调整。

数学

现代人工智能具有相当多的数学背景，并且对于设计这些系统的原理非常有用。Setosa.io对一些基本概念（如条件概率、回归、PCA和马尔可夫链）有很好的可视化。在这里你可以找到马尔可夫链蒙特卡罗方法的交互式例子。