- ตัวดำเนินการ
-
เรียนรู้
เรียน Python ตัวอย่างที่รันได้, NumPy, pandas และอื่น ๆ เรียน AIโครงข่ายประสาท ML และ LLM ตั้งแต่ศูนย์ เรียน C และ C++ พอยน์เตอร์ หน่วยความจำ STL และ C++ สมัยใหม่ เรียน C#พื้นฐาน C#, OOP, LINQ, async และแบบฝึกหัด .NET เรียน Matplotlibกราฟเส้น แท่ง กระจาย และวงกลม พร้อมตัวแสดงภาพแบบโต้ตอบ อัลกอริทึม Python การค้นหา การเรียงลำดับ รีเคอร์ชัน และภาพจำลอง O(n) อัลกอริทึม C และ C++ เปรียบเทียบการเขียนด้วย C และ C++ เขียนโปรแกรมสำหรับเด็ก เรียนเขียนโปรแกรมผ่านการเล่น!
- โจทย์ใหม่
- สำหรับครูใหม่
- อัปเดต
- เลี้ยงกาแฟสักแก้ว
เส้นทางการเรียนรู้ AI
สร้างโครงข่ายประสาทเทียมตั้งแต่ศูนย์ด้วย Kotlin
15 โจทย์พาคุณจากผลคูณจุดไปสู่โครงข่ายที่เรียนรู้ XOR ได้ แล้วต่อไปยังตัวปรับค่าสมัยใหม่อย่าง Adam โดยไม่ใช้ไลบรารี AI: นิวรอน ฟังก์ชันกระตุ้น loss gradient backpropagation และการฝึก แก้ตามลำดับด้วย Kotlin ทุกโจทย์รันในเบราว์เซอร์พร้อมผลทดสอบทันทีและรีวิวจาก AI
เข้าสู่ระบบเพื่อบันทึกความคืบหน้าของคุณในเส้นทางนี้
0%แก้สำเร็จ
0 / 15
-
1 เรียนแนวคิดก่อน นิวรอนและฟังก์ชันกระตุ้นใน Python อ่านบทเรียน →0/3พื้นฐาน
เวกเตอร์ ฟังก์ชันกระตุ้น และนิวรอนเดียว
-
2 เรียนแนวคิดก่อน การส่งผ่านไปข้างหน้าและฟังก์ชันความสูญเสียใน Python อ่านบทเรียน →0/3การส่งผ่านไปข้างหน้า
เลเยอร์ โครงข่ายสองชั้น และฟังก์ชันค่าสูญเสีย
-
3 เรียนแนวคิดก่อน Gradient descent และ backpropagation ใน Python อ่านบทเรียน →0/5การฝึก
เกรเดียนต์ การแพร่ย้อนกลับ และการลดเกรเดียนต์ จนแก้ XOR ได้
-
4 เรียนแนวคิดก่อน ตัวปรับค่าของโครงข่ายประสาทเทียม: SGD, Momentum และ Adam ใน Python อ่านบทเรียน →0/4ฝึกให้ดีขึ้น
การกำหนดน้ำหนักเริ่มต้น mini-batch, momentum และ Adam