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.

42 Herausforderungen
Einfach

Skalarprodukt zweier Vektoren

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

Du lernst VektorenSkalarprodukt
Neuronale Netzeaimaschinelles Lernen
Einfach

Aktivierungsfunktionen

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

Du lernst SigmoidReLU und tanh
Neuronale Netzeaimaschinelles Lernen
Mittel

Wertiteration

Berechne, wie wertvoll jeder Zustand eines Markov-Entscheidungsprozesses ist, indem du wiederholt das Bellman-Optimalitäts-Update anwendest.

Du lernst Bellman-GleichungMDPs
Bestärkendes Lernenaimaschinelles Lernen
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
Bestärkendes Lernenaimaschinelles Lernen
Noch keine Lösungen
Mittel

Perzeptron-Lernalgorithmus

Trainiere das ursprüngliche Perzeptron, das seine Gewichte nur bei Fehlern anpasst.

Du lernst PerzeptronOnline-Lernen
Neuronale Netzeaimaschinelles 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
Bestärkendes Lernenaimaschinelles Lernen
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
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
Mittel

Vorwärtsdurchlauf in einem zweischichtigen Netz

Leite Eingaben durch eine verborgene ReLU-Schicht und eine Sigmoid-Ausgabeschicht.

Du lernst VorwärtsdurchlaufMehrschichtige Netze
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen
Mittel

Vorwärtsdurchlauf einer Dense-Schicht

Berechne die Ausgaben einer vollständig verbundenen Schicht mit wählbarer Aktivierung.

Du lernst Dense-SchichtenAktivierungen
Neuronale Netzeaimaschinelles Lernen
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
Neuronale Netzeaimaschinelles Lernen
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
Neuronale Netzeaimaschinelles Lernen
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
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
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
Neuronale Netzeaimaschinelles Lernen
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
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen
Mittel

Adam-Optimierer

Implementiere Adam, den Standardoptimierer des Deep Learning, mit gleitenden Mittelwerten und Bias-Korrektur.

Du lernst AdamBias-Korrektur
Neuronale Netzeaimaschinelles Lernen
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
Neuronale Netzeaimaschinelles Lernen
Noch keine Lösungen