Der schnellste Weg, in Python besser zu werden, besteht darin, Python zu schreiben. Auf dieser Seite finden Sie 136 kostenlose Übungsübungen (und 298 Premium-Übungen) in 33 Übungssätzen, die Sie in Ihrem Browser lösen können, geordnet nach Thema und Schwierigkeitsgrad. Außerdem finden Sie eine kurze Anleitung zum effektiven Üben, die besten externen Plattformen für Codierungsherausforderungen und Einstiegsprojekte für den Fall, dass Sie bereit sind, etwas Reales aufzubauen. Wählen Sie Ihr Degree und beginnen Sie mit dem Schreiben von Code.

Inhaltsverzeichnis

---

Python-Übungsübungen nach Thema

Die Übungsbibliothek von Dataquest umfasst 136 kostenlose Übungsaufgaben sowie 298 Premium-Übungen in 33 Sätzen. Bei jeder Übung erhalten Sie ein Downside, einen Code-Editor und sofortiges Suggestions, wenn Sie Ihre Lösung ausführen. Keine Einrichtung erforderlich.

Filtern Sie nach Thema, um das zu finden, was Sie brauchen. Kostenlose Übungen werden in jedem Abschnitt zuerst aufgeführt.

Wie man Python effektiv übt

Nicht jede Praxis ist gleich. Durch das Kopieren von Code aus einem Tutorial lernen Sie sehr wenig. Effektives Üben liegt im Spannungsfeld zwischen zu leicht und zu schwer und folgt einem Fortschritt.

Drei Arten der Praxis

Gezielte Übungen Bohren Sie ein Konzept nach dem anderen – Schleifen, Funktionen, Listenverständnisse – bis die Syntax automatisch wird. Hier sollten Anfänger beginnen. Dataquests Übungsseite ist für diese Artwork der konzentrierten Wiederholung konzipiert.

Codierungsherausforderungen Testen Sie Ihre Fähigkeit, Konzepte zu kombinieren und Probleme unter Randbedingungen zu lösen. Dafür sind Plattformen wie LeetCode und HackerRank konzipiert. Diese sind besonders wertvoll für die Vorbereitung auf Vorstellungsgespräche.

Projekte alles zusammenbinden. Sie wählen ein Downside aus, entwerfen eine Lösung und bauen etwas, das funktioniert. Projekte vermitteln Fertigkeiten, die einzelne Übungen nicht vermitteln können: Dokumentation lesen, Code strukturieren und mit unübersichtlichen Daten umgehen. Unser Leitfaden für Python-Projekte hat mehr als 60 Ideen nach Fähigkeitsniveau.

Python-Übungsprojekte

Irgendwann reichen Übungen nicht mehr aus. Sie müssen etwas Reales aufbauen. Durch Projekte erlernen Sie Fähigkeiten, die in isolierten Übungen nicht möglich sind: Dokumentation lesen, mit unerwarteten Daten umgehen, Code für die Wartbarkeit strukturieren und etwas tatsächlich fertigstellen.

Der Übergangspunkt liegt normalerweise in der 6. bis 8. Woche des konsequenten Übens. Wenn Sie Funktionen schreiben, mit Hear und Wörterbüchern arbeiten und mit grundlegender Datei-E/A umgehen können, sind Sie bereit für ein Einsteigerprojekt.

Hier sind vier gute Einstiegsprojekte, die alle als kostenlose geführte Komplettlösungen verfügbar sind:

1. Interaktives Wortspiel — Erstellen Sie ein Wort-Ratespiel mit Schleifen, Bedingungen und String-Operationen. Tolles erstes Projekt, weil es Spaß macht und die Logik einfach ist.
2. App-Marktanalyse — Analysieren Sie reale Daten aus dem App Retailer und Google Play, um herauszufinden, welche Arten von Apps die meisten Nutzer anziehen. Ihr erstes echtes Datenanalyseprojekt.
3. Vorhersage von Herzerkrankungen — Erstellen Sie ein einfaches Vorhersagemodell mithilfe von Gesundheitsdaten der Weltgesundheitsorganisation. Eine sinnvolle Einführung in maschinelles Lernen.
4. Dynamischer KI-Chatbot — Erstellen Sie einen Chatbot, der den Gesprächsverlauf verfolgt und die Personas wechselt. Eine großartige Brücke in die KI- und API-Arbeit.

Die vollständige Liste der über 60 Projektideen, geordnet nach Fähigkeitsniveau, finden Sie in unserem Python-Projekte für Anfänger Führung.

Python-Kurse, die Übung beinhalten

Wenn Sie strukturiertes Lernen bevorzugen, bei dem Übungen in den Unterricht integriert sind, kombinieren diese Kurse Unterricht mit praktischer Programmierung. Sie lesen eine kurze Lektion, lösen ein Downside in Ihrem Browser und fahren fort. Jeder Kurs beinhaltet mindestens eine kostenlose Unterrichtsstunde.

Python-Grundlagen: Python-Syntax und Variablen | Für Schleifen und Wörterbücher | Funktionen und Jupyter-Notizbuch

Datenanalyse und Visualisierung: Pandas und NumPy-Grundlagen | Grundlagen der Datenvisualisierung | Storytelling mit Datenvisualisierung

Datenbereinigung: Datenbereinigung und -analyse | Erweiterte Datenbereinigung | Geführtes Projekt zur Datenbereinigung

Maschinelles Lernen: Einführung in das überwachte Lernen | Lineare Regression | Entscheidungsbäume und Zufallswälder

KI und Deep Studying: APIs für KI — LLM-Chatbots |Deep Studying mit TensorFlow

Wahrscheinlichkeit und Statistik: Einführung in die Statistik | Wahrscheinlichkeitsgrundlagen | Hypothesentest

Die vollständige Liste finden Sie unter Der Python-Kurskatalog von Dataquest.

Ein einfacher Übungsplan, der funktioniert

Sie müssen nicht stundenlang üben. Konsistenz ist wichtiger als Marathonsitzungen. Hier ist ein realistischer Plan:

Wochen 1–4 (Fundamentbau): Verbringen Sie täglich 20–30 Minuten mit gezielten Übungen. Konzentrieren Sie sich auf ein Thema professional Woche: Variablen und Datentypen in Woche eins, Schleifen und Bedingungen in Woche zwei, Funktionen in Woche drei, Datenstrukturen (Hear, Wörterbücher, Mengen) in Woche vier. Absolvieren Sie 3-5 Übungen professional Sitzung.

Wochen 4–8 (Konzepte kombinieren): Kombinieren Sie gezielte Übungen mit Programmierherausforderungen. Verbringen Sie die Hälfte Ihrer Übungszeit mit neuen Themen (String-Manipulation, Datei-E/A, Fehlerbehandlung) und die Hälfte mit Herausforderungsproblemen, die die Kombination bereits geübter Fertigkeiten erfordern.

Woche 8+ (Dinge bauen): Starten Sie ein kleines Projekt und führen Sie dabei zwei bis drei Herausforderungsaufgaben professional Woche durch. Das Projekt vermittelt Ihnen einen Kontext dafür, warum die Grundlagen wichtig sind. Die Herausforderungen halten Ihre Problemlösungskompetenz aufrecht.

Ein Hinweis zu KI-Instruments: GitHub Copilot, ChatGPT und Claude können wirklich nützlich sein neben Praxis, nicht als Ersatz dafür. Nutzen Sie KI, um Konzepte zu erklären, bei denen Sie nicht weiterkommen, überprüfen Sie bereits geschriebenen Code oder generieren Sie neue Übungsaufgaben. Verwenden Sie es nicht, um Lösungen für Sie zu schreiben. Wenn Sie den Kampf, Probleme selbst zu lösen, überspringen, überspringen Sie das Lernen.

FAQs

Wo kann ich Python-Programmierung on-line üben?

Datenquest bietet mehr als 130 kostenlose interaktive Übungen mit In-Browser-Codierung, geordnet nach Themen. HackerRank deckt Python in allen Schwierigkeitsgraden ab. LeetCode ist der Normal für die Vorbereitung auf Vorstellungsgespräche. Übung bietet kostenlose Übungen mit optionalem Mentor-Suggestions. W3Schulen bietet einfache Lückentextübungen für absolute Anfänger.

Wie sollte ich Python für Vorstellungsgespräche üben?

Stellen Sie zunächst sicher, dass Ihre Grundlagen solide sind – insbesondere Funktionen, Hear, Wörterbücher und String-Manipulation. Dann gehen Sie zu LeetCode für algorithmische Probleme. Beginnen Sie mit „Einfach“ und versuchen Sie, die Aufgaben in weniger als 15 Minuten zu lösen, bevor Sie zu „Mittel“ übergehen. Priorisieren Sie bei Datenrollen Pandas neben Python. Üben Sie, Ihren Denkprozess laut zu erklären, während Sie programmieren.

Wie viele Python-Übungen sollte ich professional Tag machen?

Drei bis fünf gezielte Übungen sind effektiver als zwanzig überstürzte Übungen. Wenn eine Übung länger als 20 Minuten dauert, überprüfen Sie das zugrunde liegende Konzept, bevor Sie fortfahren. Konstanz ist am wichtigsten – 30 Minuten täglich sind besser als ein 10-stündiger Wochenendsprint mit anschließender Pause.

Kann ich Python auf Mobilgeräten üben?

Apps wie Mimo Arbeit für die Überprüfung von Konzepten unterwegs. Aber mobiles Üben sollte nicht Ihre primäre Methode zum Aufbau beruflicher Fähigkeiten sein. Die eigentliche Entwicklung erfolgt mit einem geeigneten Code-Editor und Terminalzugriff. Datenquest ermöglicht es Ihnen, Code in Ihrem Browser zu schreiben, ohne etwas zu installieren, was auf Tablets intestine funktioniert.

Sollte ich Python jetzt noch üben, da KI Code schreiben kann?

Ja. KI-Instruments generieren Code, können aber das Verständnis, das man durch das eigene Schreiben erhält, nicht ersetzen. KI-generierter Code enthält oft subtile Fehler oder ineffiziente Muster. Wenn Sie Code nicht lesen, auswerten und debuggen können, können Sie KI nicht effektiv nutzen.

Stellen Sie sich das so vor: KI ist ein leistungsfähiger Taschenrechner, aber Sie müssen trotzdem Mathematik verstehen, um zu wissen, wann sie eine falsche Antwort gibt. Der effektivste Ansatz besteht darin, zuerst Ihre Lösung zu schreiben und sie dann mithilfe von KI zu überprüfen oder zu verbessern.

Python selbst bleibt für den KI-Bereich von zentraler Bedeutung – TensorFlow, PyTorch und die meisten ML-Workflows laufen auf Python. Das Verstehen der Sprache macht Sie zu einem besseren Benutzer von KI-Instruments und nicht zu einem überflüssigen Benutzer.

Google hat das Android 16 QPR2 Beta 1 -Programm initiiert und Pixel -Tester einen frühen Einblick in die bevorstehenden Funktionen und Verbesserungen bietet. Diese Beta -Model enthält eine bemerkenswerte Verbesserung des Android -Theming -Programs, die speziell auf App -Symbole abzielen.

Ein primärer Schwerpunkt von QPR2 Beta 1 liegt auf der Unterstützung von Inkonsistenzen in der thematischen App -Symbolunterstützung. Zuvor beschränkte sich die Themenfunktionen von Android auf Apps, bei denen Entwickler explizit monochrome Symbole zur Verfügung stellten. Dies führte zu einem visuell erschöpften Erlebnis auf Startbildschirmen, als einige Apps an das systemweite Thema hielten, während andere ihre ursprünglichen, nicht themenhaften Symbole behielten. Das neue Replace zielt darauf ab, dieses Drawback zu mildern, indem ein Mechanismus eingeführt wird, um thematische Symbole für Apps, denen die native Unterstützung fehlt, automatisch zu generieren.

Das System in QPR2 Beta 1 ermöglicht es Android, App -Symbole in monochrome Versionen umzuwandeln und anschließend die Farbpalette des ausgewählten Themas anzuwenden. Benutzerberichte geben mit dieser Funktion optimistic anfängliche Ergebnisse an. Tester wie Scuttlefield und A_Button117 haben Beispiele geteilt, in denen die Effektivität des automatischen Ikone -Themen vorgestellt wird. Checks ergab, dass der Effekt bei der Set up einer neuen Anwendung aus dem Google Play Retailer sofort erkennbar ist.

Neben der automatischen Generierung von thematischen Symbolen ändert Google auch die Benutzeroberfläche für die Verwaltung von App -Symboleinstellungen. Das vorherige Umschaltungssystem zum Aktivieren oder Deaktivieren von thematischen Symbolen wurde durch einen dedizierten Bildschirm ersetzt, auf dem Benutzer eine Reihe von Optionen präsentiert werden. Diese Änderung deutet auf eine Bewegung in Richtung einer stärkeren Kontrolle über die Präferenzen der Ikone -Themen hin.

Ein bemerkenswertes, wenn auch derzeit nicht funktionierendes Factor innerhalb der neuen Image-Themeneinstellungen ist eine Schaltfläche „Erstellen“. Die Existenz dieser Style hat zu Spekulationen zu potenziellen zukünftigen Merkmalen geführt. Es wird vermutet, dass diese Schaltfläche „Erstellen“ mit laufenden Entwicklungsbemühungen in Bezug auf die Generierung von KI-betriebenen Icon-Stilen in Verbindung gebracht werden kann. Die Funktionalität bleibt in der anfänglichen Beta inaktiv, was darauf hinweist, dass sie wahrscheinlich in einer zukünftigen Veröffentlichung von Android -Checks erscheinen wird. Die Einführung einer solchen Funktion würde es Benutzern ermöglichen, Symbolstile über die aktuellen Themenoptionen hinaus anzupassen.

---

Ausgewähltes Bildnachweis

Bild erstellt mit DALL-E 3

Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz, die durch die Bereitstellung von Effizienz und prädiktiven Erkenntnissen einen Mehrwert für das Unternehmen schaffen könnte. Es ist ein wertvolles Werkzeug für jedes Unternehmen.

Wir wissen, dass das letzte Jahr voller Durchbrüche beim maschinellen Lernen conflict und dieses Jahr nicht anders ist. Es gibt einfach so viel zu lernen.

Da es so viel zu lernen gibt, wähle ich im Jahr 2024 einige Artikel aus, die Sie lesen sollten, um Ihr Wissen zu verbessern.

Was sind das für Papiere? Lasst uns darauf eingehen.

HyperFast: Sofortige Klassifizierung für Tabellendaten

HyperFast ist ein meta-trainiertes Hypernetzwerkmodell, das von entwickelt wurde Bonet et al. (2024) Forschung. Es wurde entwickelt, um ein Klassifizierungsmodell bereitzustellen, das eine sofortige Klassifizierung von Tabellendaten in einem einzigen Vorwärtsdurchlauf ermöglicht.

Der Autor gab an, dass HyperFast ein aufgabenspezifisches neuronales Netzwerk für einen unsichtbaren Datensatz generieren könnte, das direkt für die Klassifizierungsvorhersage verwendet werden kann und das Coaching eines Modells überflüssig macht. Dieser Ansatz würde den Rechenaufwand und den Zeitaufwand für die Bereitstellung von Modellen für maschinelles Lernen erheblich reduzieren.

Das HyperFast Framework zeigt, dass die Eingabedaten durch Standardisierung und Dimensionsreduktion transformiert werden, gefolgt von einer Folge von Hypernetzwerken, die Gewichtungen für die Schichten des Netzwerks erzeugen, einschließlich einer auf dem nächsten Nachbarn basierenden Klassifizierungsverzerrung.

Insgesamt zeigen die Ergebnisse, dass HyperFast eine hervorragende Leistung erbracht hat. Es ist schneller als viele klassische Methoden, ohne dass eine Feinabstimmung erforderlich ist. Das Papier kommt zu dem Schluss, dass HyperFast ein neuer Ansatz sein könnte, der in vielen realen Fällen angewendet werden kann.

EasyRL4Rec: Eine benutzerfreundliche Codebibliothek für auf Reinforcement Studying basierende Empfehlungssysteme

Der nächste Artikel, den wir besprechen werden, befasst sich mit einer neuen Bibliothek, die von vorgeschlagen wird Yu et al. (2024) namens EasyRL4Rec. In dem Artikel geht es um eine benutzerfreundliche Codebibliothek namens EasyRL4Rec, die zum Entwickeln und Testen von auf Reinforcement Studying (RL) basierenden Empfehlungssystemen (RSs) entwickelt wurde.

Die Bibliothek bietet eine modulare Struktur mit vier Kernmodulen (Setting, Coverage, StateTracker und Collector), die jeweils unterschiedliche Phasen des Reinforcement Studying-Prozesses abdecken.

Die Gesamtstruktur zeigt, dass es um die Kernmodule für den Reinforcement Studying-Workflow herum arbeitet – einschließlich Umgebungen (Envs) zum Simulieren von Benutzerinteraktionen, eines Collectors zum Sammeln von Daten aus Interaktionen, eines State Tracker zum Erstellen von Zustandsdarstellungen und eines Richtlinienmoduls für Entscheidungsfindung. Herstellung. Es umfasst außerdem eine Datenschicht zur Verwaltung von Datensätzen und eine Executor-Schicht mit einem Coach-Evaluator zur Überwachung des Lernens und der Leistungsbewertung des RL-Agenten.

Der Autor kommt zu dem Schluss, dass EasyRL4Rec ein benutzerfreundliches Framework enthält, das praktische Herausforderungen in RL für Empfehlungssysteme bewältigen könnte.

Etikettenweitergabe für Zero-Shot-Klassifizierung mit Imaginative and prescient-Language-Modellen

Das Papier von Stojnic et al. (2024) führt eine Technik namens ZLaP ein, die für Zero-Shot-Klassifizierung mit Label-Propagation steht. Es handelt sich um eine Erweiterung der Zero-Shot-Klassifizierung von Imaginative and prescient-Language-Modellen durch die Verwendung geodätischer Entfernungen zur Klassifizierung.

Wie wir wissen, sind Imaginative and prescient-Modelle wie GPT-4V oder LLaVa zum Zero-Shot-Lernen fähig, wodurch eine Klassifizierung ohne beschriftete Bilder durchgeführt werden kann. Es lässt sich jedoch noch weiter verbessern, weshalb die Forschungsgruppe die ZLaP-Technik entwickelt hat.

Die Kernidee von ZLaP besteht darin, die Etikettenweitergabe auf einem diagrammstrukturierten Datensatz zu nutzen, der sowohl Bild- als auch Textknoten umfasst. ZLaP berechnet geodätische Entfernungen innerhalb dieses Diagramms, um eine Klassifizierung durchzuführen. Die Methode ist auch darauf ausgelegt, die dualen Modalitäten von Textual content und Bildern zu verarbeiten.

In Bezug auf die Leistung zeigt ZLaP Ergebnisse, die andere hochmoderne Methoden des Zero-Shot-Lernens durchweg übertreffen, indem es sowohl transduktive als auch induktive Inferenzmethoden in 14 verschiedenen Datensatzexperimenten nutzt.

Insgesamt verbesserte die Technik die Klassifizierungsgenauigkeit über mehrere Datensätze hinweg erheblich, was für die ZLaP-Technik im Imaginative and prescient Language Mannequin vielversprechend conflict.

Lassen Sie keinen Kontext zurück: Effiziente unendliche Kontexttransformatoren mit unendlicher Aufmerksamkeit

Der vierte Artikel, den wir diskutieren werden, stammt von Munkhdalai et al.(2024). In ihrem Artikel wird eine Methode zur Skalierung transformatorbasierter Massive Language Fashions (LLMs) vorgestellt, die unendlich lange Eingaben mit einer begrenzten Rechenleistung namens Infini-Consideration verarbeiten kann.

Der Infini-Aufmerksamkeitsmechanismus integriert ein komprimierendes Gedächtnissystem in den traditionellen Aufmerksamkeitsrahmen. Durch die Kombination eines herkömmlichen kausalen Aufmerksamkeitsmodells mit einem komprimierenden Gedächtnis können historische Kontexte gespeichert und aktualisiert und die erweiterten Sequenzen effizient verarbeitet werden, indem langfristige und lokale Informationen innerhalb eines Transformatornetzwerks zusammengefasst werden.

Insgesamt führt die Technik im Vergleich zu derzeit verfügbaren Modellen bessere Aufgaben im Zusammenhang mit Sprachmodellierungen mit langem Kontext aus, wie z. B. das Abrufen von Passschlüsseln aus langen Sequenzen und die Zusammenfassung von Büchern.

Die Technik könnte viele zukünftige Ansätze bieten, insbesondere für Anwendungen, die die Verarbeitung umfangreicher Textdaten erfordern.

AutoCodeRover: Verbesserung autonomer Programme

Der letzte Artikel, den wir besprechen werden, ist von Zhang et al. (2024). Der Schwerpunkt dieses Artikels liegt auf dem Instrument namens AutoCodeRover, das Massive Language Fashions (LLMs) nutzt, die in der Lage sind, anspruchsvolle Codesuchen durchzuführen, um die Lösung von GitHub-Problemen, hauptsächlich Fehlern und Funktionsanfragen, zu automatisieren. Durch die Verwendung von LLMs zum Analysieren und Verstehen von Problemen von GitHub kann AutoCodeRover die Codestruktur effektiver navigieren und manipulieren als herkömmliche dateibasierte Ansätze zur Lösung der Probleme.

Es gibt zwei Hauptphasen der Funktionsweise von AutoCodeRover: Kontextabrufphase und Patch-Generierungsziel. Es analysiert die Ergebnisse, um zu überprüfen, ob genügend Informationen gesammelt wurden, um die fehlerhaften Teile des Codes zu identifizieren, und versucht, einen Patch zur Behebung der Probleme zu generieren.

Das Papier zeigt, dass AutoCodeRover die Leistung im Vergleich zu früheren Methoden verbessert. Beispielsweise wurden 22–23 % der Probleme aus dem SWE-Bench-Lite-Datensatz gelöst, wobei 67 Probleme in einer durchschnittlichen Zeit von jeweils weniger als 12 Minuten gelöst wurden. Dies stellt eine Verbesserung dar, da die Lösung im Durchschnitt zwei Tage dauern kann.

Insgesamt ist das Papier vielversprechend, da AutoCodeRover in der Lage ist, den manuellen Aufwand für Programmwartungs- und -verbesserungsaufgaben erheblich zu reduzieren.

Abschluss

Im Jahr 2024 gibt es viele Artikel zum Thema maschinelles Lernen zu lesen, und hier sind meine Empfehlungsartikel zum Lesen:

1. HyperFast: Sofortige Klassifizierung für Tabellendaten
2. EasyRL4Rec: Eine benutzerfreundliche Codebibliothek für auf Reinforcement Studying basierende Empfehlungssysteme
3. Etikettenweitergabe für Zero-Shot-Klassifizierung mit Imaginative and prescient-Language-Modellen
4. Lassen Sie keinen Kontext zurück: Effiziente unendliche Kontexttransformatoren mit unendlicher Aufmerksamkeit
5. AutoCodeRover: Verbesserung autonomer Programme

Ich hoffe, es hilft!

Cornellius Yudha Wijaya ist stellvertretender Supervisor und Datenautor im Bereich Information Science. Während er Vollzeit bei Allianz Indonesia arbeitet, liebt er es, Python- und Datentipps über soziale Medien und Schreibmedien zu teilen. Cornellius schreibt über eine Vielzahl von Themen zu KI und maschinellem Lernen.