KI-Lernzentrum

Verstehe, wie KI funktioniert, indem du sie selbst baust

Lerne, wie KI funktioniert, indem du sie selbst baust: 47 Challenges zu neuronalen Netzen, Machine Learning, Transformern und Reinforcement Learning, ohne KI-Bibliotheken. Jede Challenge läuft im Browser, mit sofortigen Tests und einem KI-Review.

  • Python · C++ · C#
  • Automatisierte Tests
  • KI-Code-Review

So funktioniert's

  1. 1

    Aufwärmen mit Python und NumPy

    Arrays und Matrizen sind die Sprache der KI. Überspringe diesen Schritt, wenn du sie schon kennst.

    Python für KI →
  2. 2

    Die Konzept-Lektion lesen

    Jedes Modul beginnt mit einer kurzen Lektion mit ausführbarem Code, die die Idee in einfachen Worten erklärt.

    Alle KI-Lektionen →
  3. 3

    Die Challenges lösen

    Setze die Idee selbst in Python, C++ oder C# um - mit sofortigen Tests und KI-Review.

Wähle einen Lernpfad

Neuronale Netze von Grund auf

4 Module · 15 Challenges

Neuronen, Backpropagation und Optimierer

  1. Neuronen und Aktivierungsfunktionen in Python Grundbausteine 3 Challenges
  2. Vorwärtsdurchlauf und Verlustfunktionen in Python Vorwärtsdurchlauf 3 Challenges
  3. Gradientenabstieg und Backpropagation in Python Training 5 Challenges
  4. Optimierer für neuronale Netze: SGD, Momentum und Adam in Python Besseres Training 4 Challenges

Maschinelles Lernen von Grund auf

4 Module · 15 Challenges

Regression, Klassifikation und Clustering

  1. Datenvorbereitung für maschinelles Lernen in Python Arbeiten mit Daten 3 Challenges
  2. Lineare und logistische Regression in Python Regression 4 Challenges
  3. Grundlagen der Klassifikation: Softmax und k-nächste Nachbarn in Python Klassifikation 6 Challenges
  4. Kosinus-Ähnlichkeit und k-Means-Clustering in Python Ähnlichkeit und Clustering 2 Challenges

Klassische KI und bestärkendes Lernen

3 Module · 8 Challenges

Suche, Spiele und bestärkendes Lernen

  1. Suche und Spiele-KI: A* und Minimax in Python Suche, Spiele und Evolution 4 Challenges
  2. Markow-Ketten und der Kompromiss zwischen Erkunden und Ausnutzen in Python Zufall und Erkundung 2 Challenges
  3. Bestärkendes Lernen: Value Iteration und Q-Learning in Python Bestärkendes Lernen 2 Challenges
Alle KI-Challenges
Einfach

Skalarprodukt zweier Vektoren

Multipliziere zwei Vektoren elementweise und addiere die Ergebnisse, die Kernoperation jedes Neurons.

Du lernst VektorenSkalarprodukt
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen
Mittel

A*-Suche auf einem gewichteten Gitter

Finde mit A*, dem Suchalgorithmus hinter der Wegfindung in Spielen und Robotern, den günstigsten Weg durch ein Gitter aus Geländekosten.

Du lernst A*-SucheHeuristiken
GraphsRasterKürzester Wegai
Noch keine Lösungen
Einfach

Aktivierungsfunktionen

Wende Sigmoid, ReLU, Leaky ReLU oder tanh auf jeden Wert einer Liste an.

Du lernst SigmoidReLU und tanh
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen
Einfach

Ein einzelnes künstliches Neuron

Berechne die Ausgabe eines Neurons: gewichtete Summe der Eingaben plus Bias, durch Sigmoid geleitet.

Du lernst NeuronenGewichtete Summen
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen
Schwierig

Backpropagation in einem zweischichtigen Netz

Berechne alle Gradienten der Gewichte und Biases eines Netzes mit einer verborgenen Sigmoid-Schicht und einer Sigmoid-Ausgabe.

Du lernst BackpropagationKettenregel
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen
Schwierig

Ein neuronales Netz trainieren, das XOR löst

Alles zusammen: Trainiere ein 2-2-1-Sigmoid-Netz mit Backpropagation, bis es XOR lernt.

Du lernst Training neuronaler NetzeXOR-Problem
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen