📘 Dokumentacja

🧠 Wprowadzenie

JavaScript Neural Network Playground to przeglądarkowe narzędzie edukacyjne stworzone do eksploracji działania sieci neuronowych poprzez wizualizację procesu klasyfikacji. Umożliwia generowanie danych, budowanie modeli, trening oraz analizę wyników w czasie rzeczywistym – wszystko bez potrzeby pisania kodu.

Aplikacja została oparta na bibliotece TensorFlow.js i umożliwia pełną interakcję z modelem poprzez prosty interfejs graficzny.

🛠️ Instrukcja obsługi

Aplikacja podzielona jest na dwie główne kolumny: panel sterowania po lewej oraz obszar wizualizacji i wyników po prawej.

📊 Generowanie danych treningowych

• Liczba klastrów: liczba klas (grup), na które podzielone są dane.
• Punkty na klaster: im więcej, tym dokładniejszy zbiór, ale wolniejszy trening.
• Współczynnik nakładania: stopień trudności klasyfikacji — większe wartości powodują większe mieszanie klas.
• Validation Split (%): proporcja danych odłożona do walidacji (np. 20%).

Po ustawieniu parametrów kliknij „📊 Generuj dane", aby zobaczyć wygenerowany zbiór. Możesz go zresetować przyciskiem „🗑️ Resetuj dane".

⚙️ Ustawienia klasyfikatora

• Przykładowe konfiguracje: szybki start dzięki przyciskom „Simple", „Standard", „Complex", „Research".
• Struktura sieci: np. 16,8 oznacza dwie warstwy z odpowiednią liczbą neuronów.
• Funkcja aktywacji: np. ReLU, Tanh, Sigmoid – decyduje o nieliniowości modelu.
• Optymalizator: np. Adam, SGD – algorytm do aktualizacji wag.
• Learning Rate: tempo nauki – zbyt duże może powodować niestabilność, zbyt małe – spowolnienie treningu.
• Dropout: losowe wyłączanie neuronów – zapobiega przeuczeniu.
• L2 Regularization: karze duże wagi – wygładza granice decyzyjne.
• Epoki: liczba przebiegów przez cały zbiór treningowy.
• Rozmiar batcha: liczba próbek analizowana w jednej iteracji.
• Early Stopping Patience: zatrzymuje trening, gdy nie ma poprawy po X epokach.

Po ustawieniu parametrów kliknij „🚀 Trenuj model", aby rozpocząć proces uczenia.

📈 Wizualizacje i wyniki

• Dane treningowe i walidacyjne: pokazane na wykresie jako punkty różnych kolorów.
• Granica decyzyjna: kolorowa mapa pokazująca, jak model oddziela klasy.
• Predykcje modelu: oznaczenia poprawnych i błędnych klasyfikacji (❌).
• Krzywa uczenia: wykresy strat (loss) i dokładności (accuracy) dla treningu i walidacji.
• Macierz błędów: tabela rzeczywistych vs przewidzianych klas.
• Wskaźniki jakości: precyzja, czułość, F1-score – dla każdej klasy osobno.

🧩 Wskazówki

• Zacznij od prostych ustawień (np. 2 klas, niskie nakładanie).
• Zmieniaj jeden parametr na raz, by zrozumieć jego wpływ.
• Obserwuj granicę decyzyjną – pokazuje, jak „myśli" sieć.
• Unikaj przeuczenia – monitoruj stratę walidacyjną.
• Używaj podpowiedzi (tooltipów) – każda etykieta ma pomoc kontekstową.

🔬 Założenia, uproszczenia i odniesienie do rzeczywistości

JavaScript Neural Network Playground celowo operuje na uproszczonych, dwuwymiarowych danych (punkty na płaszczyźnie), aby umożliwić wizualne zrozumienie kluczowych mechanizmów działania sieci neuronowej.

Rozdzielanie danych

Model uczy się wyznaczać granice decyzyjne między klasami. W przypadku danych 2D te granice są widoczne i zrozumiałe. To podstawowa lekcja klasyfikacji.

Architektura sieci

Dzięki zmianie liczby warstw i neuronów, użytkownik może obserwować wpływ głębokości i złożoności modelu na jakość klasyfikacji – szczególnie w zadaniach trudniejszych, z większym nakładaniem klas.

Wielowymiarowość danych

W rzeczywistych zastosowaniach dane nie mają tylko dwóch cech. W problemach takich jak analiza obrazów, rozpoznawanie mowy, klasyfikacja tekstu – liczba wymiarów (cech) może sięgać tysięcy.

Choć aplikacja działa w przestrzeni 2D, jej zasady są tożsame z tymi obowiązującymi w wyższych wymiarach. Sieci uczą się dzielić przestrzeń cech na klasy przy pomocy złożonych, nieliniowych granic.

Wielowarstwowość (Deep Learning)

W aplikacji użytkownik może ręcznie zwiększać liczbę warstw, co umożliwia rozwiązywanie bardziej złożonych problemów. W praktyce nowoczesne sieci głębokie zawierają dziesiątki lub setki warstw przetwarzających dane na różnych poziomach abstrakcji.

Złożoność problemów rzeczywistych

Zadania takie jak rozpoznawanie twarzy, analiza sentymentu, diagnostyka medyczna czy tłumaczenie języka naturalnego wymagają pracy z wielowymiarowymi i wielowarstwowymi danymi. Aplikacja Playground jest uproszczonym modelem tych procesów, który pozwala zrozumieć podstawowy mechanizm – znajdowanie granicy decyzyjnej.

🧪 Dalszy rozwój aplikacji

Aplikacja JavaScript Neural Network Playground jest stale rozwijana w celu poszerzenia możliwości edukacyjnych i eksploracyjnych. W planach znajduje się:

• Więcej typów klastrów: oprócz klasycznych punktowych skupisk planowane są:
  • pierścienie (rings) – dane koncentryczne, często używane do testowania nieliniowości sieci,
  • spirale (spirals) – klasyczny, trudny problem klasyfikacyjny wymagający wielu warstw i wysokiej nieliniowości,
  • układy mieszane – np. jedna klasa jako pierścień, druga jako punkt wewnątrz,
• Więcej opcji wizualizacji: np. dynamiczna animacja treningu krok po kroku.
• Tryb regresji: poza klasyfikacją, dodanie wsparcia dla zadań regresyjnych (ciągłe wartości).
• Tryb wieloklasowy z etykietami nieregularnymi: np. klasy częściowo zachodzące na siebie lub rozdzielone przestrzennie.

Dzięki tym rozbudowaniom użytkownik będzie mógł analizować jeszcze bardziej złożone i realistyczne scenariusze uczenia maszynowego, a aplikacja zachowa przy tym swoją prostotę i przejrzystość.