- Ausführende
-
Lernen
Python lernen Ausführbare Beispiele, NumPy, pandas und mehr KI 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 Python-Algorithmen Suche, Sortierung, Rekursion und Visualisierungen O(n) C/C++-Algorithmen Implementierungen in C und C++ vergleichen
- AufgabenNeu
Coding-Challenges in Python
226 Challenges, die du in Python lösen kannst, von den ersten Schleifen bis zu Graphen, dynamischer Programmierung und Machine Learning. Schreib deinen Code im Browser, führe die Tests sofort aus und erhalte ein KI-Review.
Einfach · 134 Mittel · 68 Schwierig · 24
Fähigkeiten, die du übst: ZählenStrings aufteilenZiffern extrahieren2D-ListenArithmetikFormelnListenSchleifenBedingungenEin DurchlaufGleitkommazahlenGradientenabstieg
- Python · C++ · C#
- Automatisierte Tests
- KI-Code-Review
- Community-Lösungen
- 226
- Herausforderungen
- 2
- Geteilte Lösungen
- 3
- Sprachen
Alle Herausforderungen
Nach Thema, Sprache oder Schwierigkeitsgrad suchen.
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
Einfach
Summiere ein Array
Addiere alle Werte in einer Liste.
Du lernst
AkkumulatorenLeere Listen
Noch keine Lösungen
Einfach
Differenz der Quadrate
Ziehe die Summe der Quadrate vom Quadrat der Summe ab.
Du lernst
FormelnArithmetik
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
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
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
Noch keine Lösungen
Mittel
Digitale Wurzel
Summiere die Ziffern wiederholt, bis nur noch eine Ziffer übrig bleibt.
Du lernst
Verschachtelte SchleifenZiffernsummen
Noch keine Lösungen
Mittel
Ziffern-Potenzsumme
Addiere jede Ziffer, potenziert mit ihrer Position von links.
Du lernst
Ziffern extrahierenPotenzenSchleifen
Noch keine Lösungen
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
Einfach
Zustandsverteilung einer Markov-Kette
Führe eine Wahrscheinlichkeitsverteilung über eine Anzahl von Schritten durch die Übergangsmatrix einer Markov-Kette.
Du lernst
Markov-KettenWahrscheinlichkeit
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
Einfach
Schachfeld-Farbe
Bestimme die Farbe eines Feldes auf einem 8x8-Brett.
Du lernst
KoordinatenParität
Noch keine Lösungen
Mittel
Minimax-Tic-Tac-Toe
Wähle den perfekten Tic-Tac-Toe-Zug, indem du den ganzen Spielbaum mit Minimax durchsuchst.
Du lernst
MinimaxSpielbäume
Noch keine Lösungen
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
Stunden, Minuten und Sekunden
Wandle eine Dauer in Sekunden in einen kompakten, lesbaren String um.
Du lernst
ZeiteinheitenString-Formatierung
Noch keine Lösungen
Schwierig
Multi-Head-Self-Attention
Projiziere die Eingabe in Queries, Keys und Values, führe Attention in mehreren Heads parallel aus und kombiniere sie.
Du lernst
Multi-Head-AttentionMatrixprojektionen
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
Nach Thema stöbern
- Beginner 95
- ai 47
- maschinelles Lernen 42
- Strings 36
- Arrays 31
- math 21
- Simulation 19
- Neuronale Netze 17
- Numbers 16
- Advanced 15
- Dynamic-programming 12
- Parsing 12
- Competitive-programming 10
- Conditions 9
- Entwurfsmuster 8
- Graphs 8
- Grids 8
- Loops 8
- Recursion 7
- Combinatorics 6
- Number-theory 6
- Sorting 6
- Functions 5
- Greedy 5
- Nested-loops 5
- Sequences 5
- Stacks 5
- Variables 5
- Algorithms 4
- Data-structures 4
- Geometry 4
- Patterns 4
- Bestärkendes Lernen 3
- Dictionaries 3
- Fractions 3
- Sliding-window 3
- Trees 3