- Exécuteurs
-
Apprendre
Apprendre Python Exemples exécutables, NumPy, pandas et plus Apprendre l'IARéseaux de neurones, ML et LLM de zéro Apprendre le C et le C++ Pointeurs, mémoire, STL et C++ moderne Apprendre le C#Bases, POO, LINQ, async et exercices .NET Algorithmes Python Recherche, tri, récursivité et visualisations O(n) Algorithmes C et C++ Comparer les implémentations en C et C++
- DéfisNouveau
Défis de code : Apprentissage automatique
Entraînez-vous sur apprentissage automatique avec 42 défis de code, du plus facile au plus difficile. Chaque défi s'exécute dans le navigateur, avec des tests instantanés, une revue de votre code par l'IA et des solutions de la communauté à comparer.
Facile · 18 Moyen · 20 Difficile · 4
Compétences travaillées: Descente de gradientArbres de décisionRégressionRétropropagationTransformersActivationsAdamAlgèbre linéaireApprentissage en ligneAttentionAttention masquéeAttention multi-têtes
- Python · C++ · C#
- Tests automatisés
- Relecture IA
- Solutions de la communauté
- 226
- Défis
- 2
- Solutions partagées
- 3
- Langages
Tous les défis
Recherchez par sujet, langage ou difficulté.
Moyen
Itération sur les valeurs
Calculez la valeur de chaque état d'un processus de décision markovien en appliquant à répétition la mise à jour d'optimalité de Bellman.
Vous apprendrez
Équation de BellmanMDP
Aucune solution pour l’instant
Facile
Bandit manchot multi-bras epsilon-greedy
Équilibrez exploration et exploitation sur un bandit multi-bras avec une sélection d'action epsilon-greedy.
Vous apprendrez
Exploration ou exploitationBandits
Aucune solution pour l’instant
Moyen
Mises à jour du Q-learning
Appliquez la mise à jour du Q-learning à un flux d'expériences et regardez les récompenses remonter vers les états précédents.
Vous apprendrez
Q-learningRécompenses actualisées
Aucune solution pour l’instant
Moyen
Algorithme d'apprentissage du perceptron
Entraînez le perceptron d'origine, qui ne met à jour ses poids que lorsqu'il se trompe.
Vous apprendrez
PerceptronApprentissage en ligne
Aucune solution pour l’instant
Moyen
Propagation avant dans un réseau à deux couches
Faites passer les entrées dans une couche cachée ReLU puis une couche de sortie sigmoïde.
Vous apprendrez
Propagation avantRéseaux multicouches
Aucune solution pour l’instant
Facile
Fonctions d'activation
Appliquez sigmoïde, ReLU, Leaky ReLU ou tanh à chaque valeur d'une liste.
Vous apprendrez
SigmoïdeReLU et tanh
Aucune solution pour l’instant
Moyen
Gradients d'un seul neurone
Utilisez la règle de dérivation en chaîne pour trouver comment la perte varie avec chaque poids et le biais d'un neurone sigmoïde.
Vous apprendrez
Règle de dérivation en chaîneGradients
Aucune solution pour l’instant
Facile
Fonctions de perte : MSE, MAE et entropie croisée
Mesurez l'erreur des prédictions d'un modèle avec l'erreur quadratique moyenne, l'erreur absolue moyenne ou l'entropie croisée binaire.
Vous apprendrez
MSEEntropie croisée
Aucune solution pour l’instant
Moyen
Normalisation de couche
Normalisez chaque ligne vers une moyenne 0 et une variance 1, puis mettez à l'échelle et décalez, comme le fait chaque bloc Transformer.
Vous apprendrez
Normalisation de coucheTransformers
Aucune solution pour l’instant
Facile
Un seul neurone artificiel
Calculez la sortie d'un neurone : somme pondérée des entrées plus un biais, passée dans une sigmoïde.
Vous apprendrez
NeuronesSommes pondérées
Aucune solution pour l’instant
Moyen
Propagation avant dans une couche dense
Calculez les sorties d'une couche de neurones entièrement connectée, avec l'activation de votre choix.
Vous apprendrez
Couches densesActivations
Aucune solution pour l’instant
Difficile
Rétropropagation dans un réseau à deux couches
Calculez tous les gradients des poids et des biais d'un réseau avec une couche cachée sigmoïde et une sortie sigmoïde.
Vous apprendrez
RétropropagationDérivation en chaîne
Aucune solution pour l’instant
Facile
Dérivées des fonctions d'activation
Calculez la dérivée de sigmoid, ReLU, Leaky ReLU ou tanh en chaque valeur, les pentes dont la rétropropagation a besoin.
Vous apprendrez
DérivéesRétropropagation
Aucune solution pour l’instant
Moyen
Descente de gradient par mini-lots
Entraînez un modèle linéaire en mettant à jour les poids après chaque petit lot plutôt qu'après tout le jeu de données.
Vous apprendrez
Mini-lotsDescente de gradient
Aucune solution pour l’instant
Difficile
Auto-attention multi-têtes
Projetez l'entrée en requêtes, clés et valeurs, exécutez l'attention dans plusieurs têtes en parallèle et combinez-les.
Vous apprendrez
Attention multi-têtesProjections matricielles
Aucune solution pour l’instant
Facile
Descente de gradient avec momentum
Appliquez des mises à jour avec momentum qui conservent une partie du pas précédent, pour accélérer l'entraînement dans les directions constantes.
Vous apprendrez
MomentumOptimiseurs
Aucune solution pour l’instant
Difficile
Entraîner un réseau de neurones pour résoudre XOR
Tout réunir : entraînez un réseau sigmoïde 2-2-1 par rétropropagation jusqu'à ce qu'il apprenne XOR.
Vous apprendrez
Entraîner un réseau de neuronesProblème XOR
Aucune solution pour l’instant
Facile
Initialisation des poids de Xavier et He
Calculez l'intervalle ou l'écart-type utilisé pour initialiser les poids d'une couche.
Vous apprendrez
Initialisation Xavier et HeStabilité de l'entraînement
Aucune solution pour l’instant
Parcourir par thème
- Beginner 95
- ai 47
- apprentissage automatique 42
- Strings 36
- Arrays 31
- math 21
- Simulation 19
- Réseaux de neurones 17
- Numbers 16
- Advanced 15
- Dynamic-programming 12
- Parsing 12
- Competitive-programming 10
- Conditions 9
- Graphs 8
- Grids 8
- Loops 8
- Patrons de conception 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
- Apprentissage par renforcement 3
- Dictionaries 3
- Fractions 3
- Sliding-window 3
- Trees 3