CodeUtility
ใช้ชีวิตนักพัฒนาให้ง่ายขึ้นไปอีก!
กลับไปยังโจทย์

เส้นทางการเรียนรู้ AI

เขียนโค้ด AI คลาสสิกและการเรียนรู้แบบเสริมกำลังด้วย Go

8 โจทย์เกี่ยวกับวิธีที่เครื่องค้นหา เล่นเกม และเรียนรู้จากรางวัล: การหาเส้นทาง A* minimax และ alpha-beta อัลกอริทึมเชิงพันธุกรรม ห่วงโซ่มาร์คอฟ multi-armed bandit, value iteration และ Q-learning แก้ตามลำดับด้วย Go ทุกโจทย์รันในเบราว์เซอร์พร้อมผลทดสอบทันทีและรีวิวจาก AI

เริ่มโจทย์แรก
  1. 1

    การค้นหา เกม และวิวัฒนาการ

    การหาเส้นทาง A* minimax การตัดกิ่ง alpha-beta และอัลกอริทึมเชิงพันธุกรรม

    0/4
    เรียนแนวคิดก่อน การค้นหาและ AI สำหรับเกม: A* และ minimax ใน Python อ่านบทเรียน →
    1. 1 การค้นหา A* บนตารางที่มีน้ำหนัก ปานกลาง แก้โจทย์ด้วย Go
    2. 2 เกม OX ด้วย Minimax ปานกลาง แก้โจทย์ด้วย Go
    3. 3 การตัดกิ่งแบบ Alpha-Beta ปานกลาง แก้โจทย์ด้วย Go
    4. 4 หนึ่งรุ่นของอัลกอริทึมเชิงพันธุกรรม ปานกลาง แก้โจทย์ด้วย Go
  2. 2

    ความน่าจะเป็นและการสำรวจ

    ห่วงโซ่มาร์คอฟและการเลือกระหว่างการสำรวจกับการใช้ประโยชน์

    0/2
    เรียนแนวคิดก่อน ห่วงโซ่มาร์คอฟและการชั่งน้ำหนักระหว่างสำรวจกับใช้ประโยชน์ใน Python อ่านบทเรียน →
    1. 1 การแจกแจงสถานะของห่วงโซ่มาร์คอฟ ง่าย แก้โจทย์ด้วย Go
    2. 2 Multi-armed bandit แบบ epsilon-greedy ง่าย แก้โจทย์ด้วย Go
  3. 3

    การเรียนรู้แบบเสริมกำลัง

    Value iteration และ Q-learning

    0/2
    เรียนแนวคิดก่อน การเรียนรู้แบบเสริมกำลัง: value iteration และ Q-learning ใน Python อ่านบทเรียน →
    1. 1 Value iteration ปานกลาง แก้โจทย์ด้วย Go
    2. 2 การอัปเดต Q-learning ปานกลาง แก้โจทย์ด้วย Go