Interactive learning playgroundPlayground belajar interaktif
Learn by doing. Each playground runs entirely in your browser — tweak the parameters, edit the data, draw your own inputs, and watch the idea come to life. From search and machine learning to differential equations and Fourier analysis, with more topics added over time. No installation needed.
Belajar sambil mencoba. Setiap playground berjalan sepenuhnya di browser-mu — ubah parameternya, sunting datanya, gambar sendiri input-nya, lalu lihat idenya jadi hidup. Dari search dan machine learning sampai persamaan diferensial dan analisis Fourier, dan akan terus bertambah. Tanpa instalasi apa pun.
Search without knowing the answer: populations that breed, particles that swarm, solutions that cool, and ants that lay trails.
Mencari tanpa tahu jawabannya: populasi yang berkembang biak, partikel yang bergerombol, solusi yang mendingin, dan semut yang meninggalkan jejak.
Why the learning rate matters, and how momentum, RMSProp, and Adam behave on ravines, valleys, and saddle points — race them side by side, then inspect any single step's arithmetic (g, m, v̂, the update) in a table.
Kenapa learning rate begitu menentukan, dan bagaimana momentum, RMSProp, serta Adam berperilaku di jurang, lembah, dan saddle point — adu mereka berdampingan, lalu bedah aritmetika satu langkah mana pun (g, m, v̂, update-nya) dalam tabel.
Learning from labelled examples: fitting curves, letting neighbors vote, finding the widest margin, splitting the plane, and counting words.
Belajar dari contoh berlabel: mencocokkan kurva, membiarkan tetangga ikut memilih, mencari margin terlebar, membelah bidang, dan menghitung kata.
A multilayer perceptron in ~60 lines of NumPy: train once, then scrub through the epochs to watch the boundary form, see each hidden neuron's view of the plane, and watch gradients vanish layer by layer with sigmoid.
Multilayer perceptron dalam ~60 baris NumPy: latih sekali, lalu geser epoch-nya untuk melihat batas keputusan terbentuk, lihat cara tiap hidden neuron memandang bidang, dan saksikan gradient menghilang lapis demi lapis dengan sigmoid.
Seeing with filters: build 3×3 filters by hand and watch feature maps, see convolution become one multiply per frequency, then let a tiny network discover its own edge detectors — trained live.
Melihat dengan filter: bangun filter 3×3 dengan tangan dan lihat feature map, saksikan konvolusi jadi satu perkalian per frekuensi, lalu biarkan jaringan kecil menemukan detektor tepinya sendiri — dilatih langsung.
The foundation for scientific ML, from scratch: slope fields and Euler, why solvers invent or lose energy, the Lorenz butterfly, and the wave and heat PDEs you can pluck and paint. Every simulation runs live; equations set in real LaTeX. Only basic calculus assumed.
Fondasi scientific ML, dari nol: slope field dan Euler, kenapa solver bisa menciptakan atau malah kehilangan energi, kupu-kupu Lorenz, serta PDE gelombang dan panas yang bisa kamu petik dan lukis sendiri. Semua simulasi berjalan langsung; persamaan ditulis dengan LaTeX asli. Cukup berbekal kalkulus dasar.
The bridge from Part 1 to Part 2, made visual: stack sine waves into any shape, read a signal's spectrum, and watch smoothing, differentiating, and integrating become one multiply per frequency. It explains the standing waves and diffusion of Part 1 — and it is the machinery the FNO runs on in Part 2.
Jembatan dari Bagian 1 ke Bagian 2, dibuat visual: tumpuk gelombang sinus jadi bentuk apa pun, baca spektrum sebuah sinyal, dan lihat smoothing, turunan, serta integral berubah jadi satu perkalian per frekuensi. Ia menjelaskan gelombang berdiri dan difusi di Bagian 1 — dan sekaligus mesin yang dijalankan FNO di Bagian 2.
Five ways to mix known equations with measured data, each trained live in the page: PINNs that obey a law, SINDy that discovers one, Neural ODEs, and the DeepONet and FNO operators that replace the solver. Builds directly on part 1.
Lima cara memadukan persamaan yang sudah diketahui dengan data hasil pengukuran, semuanya dilatih langsung di halaman: PINN yang menaati hukum, SINDy yang justru menemukan hukumnya, Neural ODE, serta operator DeepONet dan FNO yang menggantikan solver. Lanjutan langsung dari bagian 1.