- 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 zu Ai
Übe ai mit 47 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 · 19 Mittel · 24 Schwierig · 4
Fähigkeiten, die du übst: GradientenabstiegBackpropagationEntscheidungsbäumeKettenregelRegressionTransformerA*-SucheAbleitungenAbstandsmaßeAdamAktivierungenAlpha-Beta-Pruning
- 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
Alpha-Beta-Pruning
Bewerte einen Spielbaum mit Minimax und Alpha-Beta-Pruning und zähle, wie viele Blätter die Suche tatsächlich ansieht.
Du lernst
Alpha-Beta-PruningSpielsuche
Noch keine Lösungen
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
Mittel
A*-Suche auf einem gewichteten Gitter
Finde mit A*, dem Suchalgorithmus hinter der Wegfindung in Spielen und Robotern, den günstigsten Weg durch ein Gitter aus Geländekosten.
Du lernst
A*-SucheHeuristiken
Noch keine Lösungen
Mittel
Eine Generation eines genetischen Algorithmus
Züchte die nächste Generation von Bitstrings mit Turnierselektion, Einpunkt-Crossover und Mutation.
Du lernst
Genetische AlgorithmenEvolutionäre Suche
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
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
Mittel
Perzeptron-Lernalgorithmus
Trainiere das ursprüngliche Perzeptron, das seine Gewichte nur bei Fehlern anpasst.
Du lernst
PerzeptronOnline-Lernen
Noch keine Lösungen
Mittel
Vorwärtsdurchlauf in einem zweischichtigen Netz
Leite Eingaben durch eine verborgene ReLU-Schicht und eine Sigmoid-Ausgabeschicht.
Du lernst
VorwärtsdurchlaufMehrschichtige Netze
Noch keine Lösungen
Einfach
Aktivierungsfunktionen
Wende Sigmoid, ReLU, Leaky ReLU oder tanh auf jeden Wert einer Liste an.
Du lernst
SigmoidReLU und tanh
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
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
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
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
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
Vorwärtsdurchlauf einer Dense-Schicht
Berechne die Ausgaben einer vollständig verbundenen Schicht mit wählbarer Aktivierung.
Du lernst
Dense-SchichtenAktivierungen
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
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
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
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