- ตัวดำเนินการ
-
เรียนรู้
เรียน Python ตัวอย่างที่รันได้, NumPy, pandas และอื่น ๆ เรียน AI / Machine Learningโครงข่ายประสาท ML และ LLM ตั้งแต่ศูนย์ เรียน C และ C++ พอยน์เตอร์ หน่วยความจำ STL และ C++ สมัยใหม่ เรียน C#พื้นฐาน C#, OOP, LINQ, async และแบบฝึกหัด .NET เรียน Matplotlibกราฟเส้น แท่ง กระจาย และวงกลม พร้อมตัวแสดงภาพแบบโต้ตอบ เรียน RustOwnership, trait, การจัดการข้อผิดพลาด และ thread เรียน GoSlice, interface, goroutine และ channel อัลกอริทึม Python การค้นหา การเรียงลำดับ รีเคอร์ชัน และภาพจำลอง O(n) อัลกอริทึม C และ C++ เปรียบเทียบการเขียนด้วย C และ C++ เขียนโปรแกรมสำหรับเด็ก เรียนเขียนโปรแกรมผ่านการเล่น!
- ควิซใหม่
- โจทย์ใหม่
- สำหรับครูใหม่
- อัปเดต
- เลี้ยงกาแฟสักแก้ว
โจทย์เขียนโค้ดเรื่องการเรียนรู้ของเครื่อง
ฝึกการเรียนรู้ของเครื่องด้วยโจทย์เขียนโค้ด 42 ข้อ ตั้งแต่ง่ายไปจนถึงยาก ทุกโจทย์รันในเบราว์เซอร์ พร้อมการทดสอบทันที รีวิวโค้ดจาก AI และคำตอบจากชุมชนให้เปรียบเทียบ
ง่าย · 18 ปานกลาง · 20 ยาก · 4
ทักษะที่จะได้ฝึก: Gradient descentBackpropagationTransformerกฎลูกโซ่การถดถอยต้นไม้ตัดสินใจAdamAttentionAttention แบบมีมาสก์BPEBanditCross-entropy
- Python · C++ · C#
- ทดสอบอัตโนมัติ
- รีวิวโค้ดโดย AI
- แนวทางจากชุมชน
- 341
- โจทย์
- 245
- วิธีแก้ที่แชร์
- 9
- ภาษา
โจทย์ทั้งหมด
ค้นหาตามชื่อหรือหัวข้อ หรือกรองตามระดับความยาก
ยาก
ฝึกโครงข่ายประสาทเทียมให้แก้ปัญหา XOR
รวมทุกอย่างเข้าด้วยกัน: ฝึกโครงข่าย sigmoid แบบ 2-2-1 ด้วยการแพร่ย้อนกลับจนเรียนรู้ XOR ได้
คุณจะได้เรียนรู้
ฝึกโครงข่ายประสาทเทียมปัญหา XOR
ยาก
Scaled dot-product attention
เขียนการคำนวณ attention ซึ่งเป็นหัวใจของ Transformer และโมเดลภาษาขนาดใหญ่
คุณจะได้เรียนรู้
AttentionTransformer
ปานกลาง
ฝึกนิวรอนด้วยการลดเกรเดียนต์
ทำการส่งผ่านไปข้างหน้า คำนวณเกรเดียนต์ และปรับน้ำหนักซ้ำๆ เพื่อสอนนิวรอน sigmoid จากตัวอย่าง
คุณจะได้เรียนรู้
Gradient descentลูปการฝึก
ยังไม่มีวิธีแก้
ง่าย
ฟังก์ชัน softmax
เปลี่ยนคะแนนดิบให้เป็นความน่าจะเป็นที่รวมกันได้ 1 โดยไม่เกิดการล้นของตัวเลขเมื่อค่ามีขนาดใหญ่
คุณจะได้เรียนรู้
Softmaxเสถียรภาพเชิงตัวเลข
ยังไม่มีวิธีแก้
ยาก
Multi-head self-attention
ฉายอินพุตเป็น query, key และ value รัน attention ในหลาย head พร้อมกัน แล้วรวมผลเข้าด้วยกัน
คุณจะได้เรียนรู้
Multi-head attentionการฉายด้วยเมทริกซ์
ปานกลาง
Self-attention แบบ causal (มีมาสก์)
Implement attention แบบมีมาสก์ของโมเดล GPT ซึ่งแต่ละ token มองเห็นได้เฉพาะตัวเองและ token ก่อนหน้า
คุณจะได้เรียนรู้
Attention แบบมีมาสก์โมเดล GPT
ยังไม่มีวิธีแก้
ง่าย
ความคล้ายคลึงโคไซน์
วัดว่าเวกเตอร์สองตัวคล้ายกันแค่ไหนจากมุมระหว่างกัน แบบเดียวกับที่เสิร์ชเอนจินเปรียบเทียบ embedding
คุณจะได้เรียนรู้
ความคล้ายของเวกเตอร์Embedding
ยังไม่มีวิธีแก้
ง่าย
ตัวตัดคำและคลังคำศัพท์
แยกข้อความเป็นคำตัวพิมพ์เล็กและสร้างคลังคำศัพท์ที่เรียงตามความถี่ ซึ่งเป็นขั้นแรกของโมเดลภาษาทุกตัว
คุณจะได้เรียนรู้
การตัด tokenสร้างคลังคำศัพท์
ยังไม่มีวิธีแก้
ปานกลาง
ค่าเกนข้อมูล
คำนวณว่าการแบ่งตามฟีเจอร์ช่วยลดเอนโทรปีได้แค่ไหน ซึ่งเป็นเกณฑ์ของต้นไม้ตัดสินใจ ID3
คุณจะได้เรียนรู้
Entropyต้นไม้ตัดสินใจ
ยังไม่มีวิธีแก้
ง่าย
การปรับสเกลแบบ min-max
ปรับสเกลฟีเจอร์ให้ค่าที่น้อยที่สุดเป็น 0 และค่าที่มากที่สุดเป็น 1
คุณจะได้เรียนรู้
ปรับสเกลฟีเจอร์เตรียมข้อมูล
ยังไม่มีวิธีแก้
ปานกลาง
ตัวจำแนกแบบ K เพื่อนบ้านที่ใกล้ที่สุด
ทำนายป้ายกำกับด้วยเสียงข้างมากของจุดฝึก k จุดที่ใกล้ที่สุด
คุณจะได้เรียนรู้
KNNการวัดระยะทาง
ปานกลาง
การจัดกลุ่มแบบ K-means
แบ่งจุดออกเป็น k กลุ่มโดยกำหนดจุดให้กับเซนทรอยด์ที่ใกล้ที่สุดและย้ายเซนทรอยด์ซ้ำไปเรื่อยๆ
คุณจะได้เรียนรู้
การจัดกลุ่มจุดศูนย์กลาง
ยังไม่มีวิธีแก้
ปานกลาง
ตัวจำแนกแบบ Naive Bayes
ทำนายคลาสจากฟีเจอร์แบบหมวดหมู่ด้วยทฤษฎีบทของเบย์และการปรับเรียบแบบลาปลาซ
คุณจะได้เรียนรู้
ทฤษฎีบทของเบย์Laplace smoothing
ยังไม่มีวิธีแก้
ปานกลาง
การเข้ารหัสตำแหน่งแบบไซน์
คำนวณเวกเตอร์ตำแหน่งแบบไซน์และโคไซน์ที่ Transformer บวกเข้ากับ embedding ของ token
คุณจะได้เรียนรู้
การเข้ารหัสตำแหน่งตรีโกณมิติ
ยังไม่มีวิธีแก้
ง่าย
การคูณเมทริกซ์
คูณเมทริกซ์สองตัว ซึ่งเป็นการคำนวณเบื้องหลังทุกเลเยอร์ของโครงข่ายประสาทเทียม
คุณจะได้เรียนรู้
เมทริกซ์พีชคณิตเชิงเส้น
ยังไม่มีวิธีแก้
ง่าย
การปรับมาตรฐานด้วย z-score
ทำให้ฟีเจอร์มีค่าเฉลี่ย 0 และส่วนเบี่ยงเบนมาตรฐาน 1
คุณจะได้เรียนรู้
การทำให้เป็นมาตรฐานค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน
ยังไม่มีวิธีแก้
ง่าย
ฟังก์ชันค่าสูญเสียแบบ categorical cross-entropy
วัดค่าสูญเสียของตัวจำแนกหลายคลาสจากความน่าจะเป็นที่ทำนายและคลาสที่ถูกต้อง
คุณจะได้เรียนรู้
Loss ของการจำแนกประเภทลอการิทึม
ยังไม่มีวิธีแก้
ง่าย
การทำนายด้วยการถดถอยโลจิสติก
จำแนกตัวอย่างเป็น 0 หรือ 1 โดยส่งผลรวมถ่วงน้ำหนักผ่าน sigmoid แล้วเทียบกับค่าเกณฑ์
คุณจะได้เรียนรู้
Logistic regressionค่าเกณฑ์
ยังไม่มีวิธีแก้
เลือกตามหัวข้อ
- ผู้เริ่มต้น 154
- CS1 90
- คณิตศาสตร์ 76
- ลูป 58
- ระดับกลาง 51
- มัธยมปลาย 50
- ai 47
- ตัวเลข 46
- การเรียนรู้ของเครื่อง 42
- ทฤษฎีจำนวน 41
- การบ้าน 40
- การเขียนโปรแกรมเบื้องต้น 40
- Strings 36
- การเขียนโปรแกรมเชิงแข่งขัน 35
- Arrays 31
- ลูปซ้อน 25
- สไตล์ Project Euler 25
- เงื่อนไข 25
- แพทเทิร์น 24
- ฟังก์ชัน 21
- ระดับสูง 20
- Simulation 19
- การโปรแกรมเชิงพลวัต 18
- โครงข่ายประสาทเทียม 17
- กริด 16
- จำนวนเฉพาะ 14
- การแยกวิเคราะห์ข้อความ 13
- สไตล์ CS50 10
- การเรียงลำดับ 9
- AP Computer Science 8
- Graphs 8
- OOP 8
- การเรียกซ้ำ 8
- คลาส 8
- รูปแบบการออกแบบ 8
- เมทริกซ์ 8
- Combinatorics 6
- สแตก 6
- Greedy 5
- Sequences 5
- Variables 5
- การจัดการบิต 5
- การเงิน 5
- จำนวนเต็มขนาดใหญ่ 5
- Algorithms 4
- Data-structures 4
- Geometry 4
- การประมวลผลภาพ 4
- ดิกชันนารี 4
- ต้นไม้ 4
- Fractions 3
- Sliding-window 3
- การค้นหาแบบทวิภาค 3
- การลงคะแนนเสียง 3
- การเรียนรู้แบบเสริมกำลัง 3
- เกม 3
- เส้นทางที่สั้นที่สุด 3