- Ausführende
-
Lernen
Python lernen Ausführbare Beispiele, NumPy, pandas und mehr KI / Machine Learning 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 Matplotlib lernenLinien-, Balken-, Streu- und Kreisdiagramme mit interaktiven Visualisierungen Rust lernenOwnership, Traits, Fehlerbehandlung und Threads Go lernenSlices, Interfaces, Goroutinen und Channels Python-Algorithmen Suche, Sortierung, Rekursion und Visualisierungen O(n) C/C++-Algorithmen Implementierungen in C und C++ vergleichen Programmieren für Kinder Spielend programmieren lernen!
- QuizzeNeu
- AufgabenNeu
- Für LehrkräfteNeu
- Aktualisierungen
- Spendier mir einen Kaffee
AI & Machine Learning-Quiz: NumPy Broadcasting & Vectorization
Broadcasting lets NumPy combine arrays of different shapes without loops, and it is behind most feature scaling and distance code in machine learning. This quiz tests the broadcasting rules, the shapes they produce and the errors you get when shapes do not line up.
Beispielfrage
Frage 1 von 10What does this print?
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([10, 20, 30])
print((a + b).tolist())
Lösung zeigen
A. [[11, 22, 33], [14, 25, 36]] b has shape (3,), which matches the last dimension of a (2, 3), so it is added to every row. Adding a different number to each row would need a column of shape (2, 1).
Darum geht es in diesem Quiz
- The broadcasting rule, compared from the trailing dimension
- Row vectors, column vectors and the shapes they make
- Centering data with
X - X.mean(axis=0) np.where()instead of an if inside a loop- Why in-place operations can fail on integer arrays
Häufige Fragen
Brauche ich ein Konto?
Nein. Jeder kann spielen. Mit Anmeldung werden XP, Serie, Abzeichen und Verlauf gespeichert.
Kann ich es wiederholen?
Ja. Dein Bestwert bleibt erhalten, und Fragen und Antworten werden jedes Mal neu gemischt.