- Ausführende
-
Lernen
Python lernen Ausführbare Beispiele, NumPy, pandas und mehr KI / Machine Learning lernenNeuronale Netze, ML und LLMs von Grund auf C/C++ lernen Zeiger, Speicher, STL und modernes C++ C# lernenC#-Grundlagen, OOP, LINQ, Async und .NET-Übungen Matplotlib lernenLinien-, Balken-, Streu- und Kreisdiagramme mit interaktiven Visualisierungen Rust lernenOwnership, Traits, Fehlerbehandlung und Threads Go lernenSlices, Interfaces, Goroutinen und Channels Python-Algorithmen Suche, Sortierung, Rekursion und Visualisierungen O(n) C/C++-Algorithmen Implementierungen in C und C++ vergleichen Programmieren für Kinder Spielend programmieren lernen!
- QuizzeNeu
- AufgabenNeu
- Für LehrkräfteNeu
- Aktualisierungen
- Spendier mir einen Kaffee
Coding-Challenges zu Maschinelles Lernen
Übe maschinelles Lernen mit 42 Coding-Challenges, von leicht bis schwer. Jede Challenge läuft im Browser, mit sofortigen Tests, einem KI-Review deines Codes und Community-Lösungen zum Vergleichen.
Einfach · 18 Mittel · 20 Schwierig · 4
Fähigkeiten, die du übst: GradientenabstiegBackpropagationEntscheidungsbäumeKettenregelRegressionTransformerAbleitungenAbstandsmaßeAdamAktivierungenAttentionBPE
- Python · C++ · C#
- Automatisierte Tests
- KI-Code-Review
- Community-Lösungen
- 341
- Herausforderungen
- 245
- Geteilte Lösungen
- 9
- Sprachen
Alle Herausforderungen
Nach Name oder Thema suchen oder nach Schwierigkeitsgrad filtern.
Einfach
Skalarprodukt zweier Vektoren
Multipliziere zwei Vektoren elementweise und addiere die Ergebnisse, die Kernoperation jedes Neurons.
Du lernst
VektorenSkalarprodukt
Einfach
Aktivierungsfunktionen
Wende Sigmoid, ReLU, Leaky ReLU oder tanh auf jeden Wert einer Liste an.
Du lernst
SigmoidReLU und tanh
Mittel
Wertiteration
Berechne, wie wertvoll jeder Zustand eines Markov-Entscheidungsprozesses ist, indem du wiederholt das Bellman-Optimalitäts-Update anwendest.
Du lernst
Bellman-GleichungMDPs
Noch keine Lösungen
Einfach
Epsilon-Greedy-Multi-Armed-Bandit
Balanciere Erkundung und Ausnutzung bei einem Multi-Armed-Bandit mit Epsilon-Greedy-Aktionsauswahl.
Du lernst
Erkunden vs. AusnutzenBandits
Noch keine Lösungen
Mittel
Perzeptron-Lernalgorithmus
Trainiere das ursprüngliche Perzeptron, das seine Gewichte nur bei Fehlern anpasst.
Du lernst
PerzeptronOnline-Lernen
Noch keine Lösungen
Mittel
Q-Learning-Updates
Wende das Q-Learning-Update auf einen Strom von Erfahrungen an und sieh zu, wie Belohnungen zu früheren Zuständen zurückfließen.
Du lernst
Q-LearningDiskontierte Belohnungen
Noch keine Lösungen
Einfach
Verlustfunktionen: MSE, MAE und Kreuzentropie
Miss, wie falsch die Vorhersagen eines Modells sind, mit mittlerem quadratischem Fehler, mittlerem absolutem Fehler oder binärer Kreuzentropie.
Du lernst
MSEKreuzentropie
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
Mittel
Vorwärtsdurchlauf in einem zweischichtigen Netz
Leite Eingaben durch eine verborgene ReLU-Schicht und eine Sigmoid-Ausgabeschicht.
Du lernst
VorwärtsdurchlaufMehrschichtige Netze
Noch keine Lösungen
Mittel
Vorwärtsdurchlauf einer Dense-Schicht
Berechne die Ausgaben einer vollständig verbundenen Schicht mit wählbarer Aktivierung.
Du lernst
Dense-SchichtenAktivierungen
Noch keine Lösungen
Mittel
Layer-Normalisierung
Normalisiere jede Zeile auf Mittelwert 0 und Varianz 1, dann skaliere und verschiebe sie, wie es jeder Transformer-Block tut.
Du lernst
Layer-NormTransformer
Einfach
Ableitungen von Aktivierungsfunktionen
Berechne die Ableitung von Sigmoid, ReLU, Leaky ReLU oder tanh an jedem Wert, die Steigungen, die Backpropagation braucht.
Du lernst
AbleitungenBackpropagation
Noch keine Lösungen
Mittel
Gradienten eines einzelnen Neurons
Nutze die Kettenregel, um herauszufinden, wie sich der Verlust mit jedem Gewicht und dem Bias eines Sigmoid-Neurons ändert.
Du lernst
KettenregelGradienten
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
Mittel
Mini-Batch-Gradientenabstieg
Trainiere ein lineares Modell, indem du die Gewichte nach jedem kleinen Batch statt nach dem ganzen Datensatz aktualisierst.
Du lernst
Mini-BatchesGradientenabstieg
Noch keine Lösungen
Einfach
Gradientenabstieg mit Momentum
Wende Momentum-Updates an, die einen Teil des vorherigen Schritts behalten, damit das Training in gleichbleibende Richtungen schneller wird.
Du lernst
MomentumOptimierer
Noch keine Lösungen
Mittel
Adam-Optimierer
Implementiere Adam, den Standardoptimierer des Deep Learning, mit gleitenden Mittelwerten und Bias-Korrektur.
Du lernst
AdamBias-Korrektur
Noch keine Lösungen
Einfach
Xavier- und He-Gewichtsinitialisierung
Berechne den Bereich oder die Standardabweichung, mit der die Gewichte einer Schicht initialisiert werden.
Du lernst
Xavier- und He-InitialisierungTrainingsstabilität
Noch keine Lösungen
Nach Thema stöbern
- Anfänger 154
- CS1 90
- Mathematik 76
- Schleifen 58
- Mittelstufe 51
- Oberstufe 50
- ai 47
- Zahlen 46
- maschinelles Lernen 42
- Zahlentheorie 41
- Einführung ins Programmieren 40
- Hausaufgaben 40
- Strings 36
- Wettbewerbsprogrammierung 35
- Arrays 31
- Bedingungen 25
- Project-Euler-Stil 25
- Verschachtelte Schleifen 25
- Muster 24
- Funktionen 21
- Fortgeschritten 20
- Simulation 19
- Dynamische Programmierung 18
- Neuronale Netze 17
- Raster 16
- Primzahlen 14
- Parsing 13
- CS50-Stil 10
- Sortieren 9
- AP Computer Science 8
- Entwurfsmuster 8
- Graphs 8
- Klassen 8
- Matrizen 8
- OOP 8
- Rekursion 8
- Combinatorics 6
- Stacks 6
- Bitmanipulation 5
- Finanzen 5
- Greedy 5
- Große Zahlen 5
- Sequences 5
- Variables 5
- Algorithms 4
- Bildverarbeitung 4
- Bäume 4
- Data-structures 4
- Dictionaries 4
- Geometry 4
- Abstimmungen 3
- Bestärkendes Lernen 3
- Binäre Suche 3
- Fractions 3
- Kürzester Weg 3
- Sliding-window 3
- Spiele 3