CodeUtility
Mach dir das Coderleben leicht!
Zurück zu den Herausforderungen

KI-Lernpfad

Lerne maschinelles Lernen, indem du es in Rust programmierst

15 Aufgaben, in denen du die klassischen Algorithmen des maschinellen Lernens selbst schreibst, ohne Bibliotheken: Datenskalierung, lineare und logistische Regression, das Perzeptron, k-nächste Nachbarn, Naive Bayes, Entscheidungsbaum-Splits und k-Means. Löse sie der Reihe nach in Rust; jede läuft im Browser mit sofortigen Tests und einem KI-Review.

Erste Aufgabe starten
  1. 1

    Arbeiten mit Daten

    Matrixmultiplikation und Merkmalsskalierung.

    0/3
    Zuerst das Konzept lernen Datenvorbereitung für maschinelles Lernen in Python Lektion lesen →
    1. 1 Matrizenmultiplikation Einfach In Rust lösen
    2. 2 Min-Max-Normalisierung Einfach In Rust lösen
    3. 3 Z-Score-Standardisierung Einfach In Rust lösen
  2. 2

    Regression

    Passe eine Gerade per Formel und per Gradientenabstieg an und sage dann Wahrscheinlichkeiten voraus.

    0/4
    Zuerst das Konzept lernen Lineare und logistische Regression in Python Lektion lesen →
    1. 1 Einfache lineare Regression (kleinste Quadrate) Mittel In Rust lösen
    2. 2 Lineare Regression mit Gradientenabstieg Mittel In Rust lösen
    3. 3 Vorhersage mit logistischer Regression Einfach In Rust lösen
    4. 4 Perzeptron-Lernalgorithmus Mittel In Rust lösen
  3. 3

    Klassifikation

    Softmax, Kreuzentropie, nächste Nachbarn, Naive Bayes und Entscheidungsbaum-Splits.

    0/6
    Zuerst das Konzept lernen Grundlagen der Klassifikation: Softmax und k-nächste Nachbarn in Python Lektion lesen →
    1. 1 Softmax-Funktion Einfach In Rust lösen
    2. 2 Kategoriale Kreuzentropie Einfach In Rust lösen
    3. 3 K-Nächste-Nachbarn-Klassifikator Mittel In Rust lösen
    4. 4 Naive-Bayes-Klassifikator Mittel In Rust lösen
    5. 5 Gini-Unreinheit Einfach In Rust lösen
    6. 6 Informationsgewinn Mittel In Rust lösen
  4. 4

    Ähnlichkeit und Clustering

    Kosinus-Ähnlichkeit und k-Means-Clustering.

    0/2
    Zuerst das Konzept lernen Kosinus-Ähnlichkeit und k-Means-Clustering in Python Lektion lesen →
    1. 1 Kosinus-Ähnlichkeit Einfach In Rust lösen
    2. 2 K-Means-Clustering Mittel In Rust lösen