100 de exerciții rezolvate Machine Learning, cu soluții
Exerciții Machine Learning de la ușor la greu, fiecare cu cerința, un indiciu, soluția completă și explicația ei. Înveți de la zero cu Curs Machine Learning și AI pentru începători: primele 15 lecții sunt gratuite.
Le rezolvi direct pe pagină, în editorul Python, exact ca în lecțiile cursului: scrii, apeși Verifică și afli imediat dacă e corect.
Pagină coordonată de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Pe pagina asta exersezi Machine Learning practic, în Python, cu numpy, pandas și scikit-learn: pregătirea datelor, regresie liniară și logistică, arbori de decizie, k-NN, k-means, metrici de evaluare, validare încrucișată și pipeline-uri. Primele exerciții calculează ideile de bază de mână, cu numpy (distanțe, sigmoid, gradient), ca să înțelegi ce face un model înainte să-l chemi dintr-o bibliotecă. Datele sunt mici, scrise direct în cod, din situații obișnuite: apartamente, clienți de bancă, emailuri, comenzi, elevi.
Exercițiile sunt grupate pe capitole, iar în fiecare capitol merg de la ușor la greu. Fiecare are un editor care rulează codul direct în browser și verifică rezultatul. Încearcă întâi singur pornind de la codul din editor, folosește indiciul dacă te blochezi și abia apoi deschide soluția și explicația, ca să compari raționamentul tău cu cel propus.
Harta exercițiilor
Trei insule, de la ușor la greu. Omulețul stă la exercițiul la care ai rămas: apasă pe orice exercițiu deschis ca să-l rezolvi.
Ideile ML calculate de mână cu numpy
1UșorGratuit Rezolvat
Prezice prețul unui apartament cu media (modelul de bază)
Construiește cel mai simplu model de Machine Learning: unul care prezice mereu media prețurilor.
Ai prețurile (în euro) a 6 apartamente vândute: 85000, 92000, 78000, 110000, 99000, 87000. Folosește numpy ca să calculezi:
predicția de bază (media prețurilor), rotunjită la euro;
eroarea medie absolută (MAE): media diferențelor în valoare absolută dintre prețul real și predicție;
cea mai mare greșeală făcută de model.
Afișează exact trei linii, de forma Predicția de bază: 91833 euro.
Rezultatul așteptat
Predicția de bază: 91833 euro
Eroarea medie absolută (MAE): 8500 euro
Cea mai mare greșeală: 18167 euro
Indiciu
Diferența în valoare absolută se obține cu np.abs(preturi - media).
Soluția
PYTHON
import numpy as np
preturi = np.array([85000, 92000, 78000, 110000, 99000, 87000])
media = preturi.mean()
erori = np.abs(preturi - media)
print(f"Predicția de bază: {media:.0f} euro")
print(f"Eroarea medie absolută (MAE): {erori.mean():.0f} euro")
print(f"Cea mai mare greșeală: {erori.max():.0f} euro")
Explicația
Orice model serios trebuie comparat cu un baseline: o regulă banală care nu învață nimic din caracteristici. Pentru regresie, baseline-ul clasic este media țintei. Dacă un model complicat nu bate media, nu ajută la nimic.
Pașii: preturi.mean() dă predicția, iar preturi - media dă, vectorizat, diferența pentru fiecare apartament. np.abs elimină semnul, ca greșelile în plus și în minus să nu se anuleze. Media acestor valori este MAE, eroarea pe care o vei compara mai târziu cu cea a unei regresii.
Greșeala tipică este să faci media diferențelor fără np.abs: rezultatul iese aproape 0, pentru că abaterile față de medie se anulează exact.
2UșorGratuit Rezolvat
Calculează distanța euclidiană dintre doi clienți
Calculează cât de asemănători sunt doi clienți ai unui magazin online, folosind distanța euclidiană.
Fiecare client este descris de trei numere: vârsta, venitul lunar (în mii de lei) și numărul de comenzi din ultimul an:
clientul A: [30, 5.5, 12]
clientul B: [35, 4.0, 8]
Afișează diferențele pe fiecare caracteristică, apoi distanța calculată cu formula (rădăcina sumei pătratelor diferențelor) și distanța calculată cu np.linalg.norm, ambele rotunjite la 3 zecimale.
Scade vectorii element cu element, ridică la pătrat, adună și extrage rădăcina cu np.sqrt.
Soluția
PYTHON
import numpy as np
a = np.array([30, 5.5, 12])
b = np.array([35, 4.0, 8])
dif = a - b
print("Diferențe:", dif.tolist())
distanta = np.sqrt(np.sum(dif ** 2))
print("Distanța (formula):", round(float(distanta), 3))
print("Distanța (np.linalg.norm):", round(float(np.linalg.norm(a - b)), 3))
Explicația
Multe algoritme de ML (k-NN, k-means, detecția anomaliilor) se bazează pe ideea că exemplele apropiate în spațiul caracteristicilor seamănă între ele. Cea mai folosită măsură este distanța euclidiană: lungimea segmentului dintre două puncte.
Cu numpy, totul este vectorizat: a - b scade element cu element, ** 2 ridică fiecare diferență la pătrat, np.sum le adună, iar np.sqrt extrage rădăcina. np.linalg.norm(a - b) face exact același lucru într-un singur apel.
Observă că diferența de vârstă (5) cântărește mult mai mult decât cea de venit (1.5), doar pentru că vârsta are numere mai mari. De aceea, înainte de algoritmii bazați pe distanță, caracteristicile se aduc la aceeași scară. Am folosit .tolist() și float() ca afișarea să fie curată, fără np.float64(...).
3UșorGratuit Rezolvat
Transformă scoruri în probabilități cu funcția sigmoid
Scrie funcția sigmoid și folosește-o ca să transformi scorurile unui model de clasificare în probabilități.
Un model de detectare a fraudelor a dat scorurile [-3, -1, 0, 1, 3] pentru 5 tranzacții. Funcția sigmoid este 1 / (1 + e^(-z)).
Pentru fiecare scor afișează o linie de forma z = -3 -> p = 0.047 -> normală, unde probabilitatea este rotunjită la 3 zecimale, iar eticheta este suspectă dacă p este cel puțin 0.5 și normală altfel.
Rezultatul așteptat
z = -3 -> p = 0.047 -> normală
z = -1 -> p = 0.269 -> normală
z = 0 -> p = 0.500 -> suspectă
z = 1 -> p = 0.731 -> suspectă
z = 3 -> p = 0.953 -> suspectă
Indiciu
Pentru e^(-z) folosește np.exp(-z).
Soluția
PYTHON
import numpy as np
scoruri = np.array([-3, -1, 0, 1, 3])
def sigmoid(z):
return 1 / (1 + np.exp(-z))
probabilitati = sigmoid(scoruri)
for z, p in zip(scoruri, probabilitati):
eticheta = "suspectă" if p >= 0.5 else "normală"
print(f"z = {z} -> p = {p:.3f} -> {eticheta}")
Explicația
Funcția sigmoid comprimă orice număr real în intervalul (0, 1), deci rezultatul poate fi citit ca probabilitate. Este inima regresiei logistice: modelul calculează un scor liniar z = w·x + b, iar sigmoid îl transformă în probabilitatea clasei pozitive.
Proprietăți de reținut din rezultat: pentru z = 0 probabilitatea este exact 0.5 (modelul nu știe), scorurile negative dau sub 0.5, iar cele pozitive peste 0.5. Funcția este simetrică: sigmoid(3) și sigmoid(-3) adună 1.
Pentru că np.exp lucrează pe tot vectorul, funcția primește direct tabloul de scoruri și întoarce toate probabilitățile odată. Greșeala tipică este 1 / 1 + np.exp(-z), fără paranteze: Python face întâi împărțirea și rezultatul nu mai este între 0 și 1.
4UșorGratuit Rezolvat
Calculează acuratețea unui filtru de spam
Calculează acuratețea unui filtru de spam comparând predicțiile lui cu etichetele reale.
Pentru 10 emailuri ai etichetele reale (1 = spam, 0 = normal) și ce a prezis filtrul:
reale: [1, 0, 0, 1, 1, 0, 0, 1, 0, 0]
prezise: [1, 0, 1, 1, 0, 0, 0, 1, 0, 1]
Afișează câte predicții sunt corecte din total, acuratețea ca procent cu o zecimală și pozițiile (indicii, de la 0) emailurilor clasificate greșit, sub formă de listă.
Acuratețea este proporția de predicții corecte. În numpy, y_real == y_pred produce un tablou boolean; True contează ca 1 și False ca 0, deci .sum() numără corectele, iar .mean() dă direct proporția.
np.where(~corecte)[0] întoarce indicii unde condiția e adevărată; ~ neagă tabloul boolean, deci obținem pozițiile greșite. .tolist() transformă rezultatul într-o listă Python obișnuită, ca să fie afișată curat.
Merită să te uiți și la tipul greșelilor: emailurile 2 și 9 sunt normale dar marcate spam (alarme false, enervante pentru utilizator), iar emailul 4 este spam ratat. Acuratețea le tratează la fel; mai târziu, precision și recall le vor separa. Greșeala tipică este să scrii o buclă cu contor, când comparația vectorizată face totul într-o linie.
5UșorGratuit Rezolvat
Prezice nota unui elev cu o dreaptă y = w * x + b
Folosește un model liniar dat (ponderea și deplasarea sunt deja cunoscute) ca să prezici notele unor elevi și să măsori cât greșește.
Modelul este nota = 0.5 * ore + 4, unde ore sunt orele de studiu pe săptămână. Pentru 5 elevi ai:
ore: [2, 4, 6, 8, 10]
note reale: [5.0, 6.5, 7.0, 8.5, 9.5]
Afișează predicțiile ca listă, erorile (real minus prezis) ca listă, eroarea medie pătratică (MSE) cu 3 zecimale și predicția pentru un elev care învață 7 ore.
Rezultatul așteptat
Predicții: [5.0, 6.0, 7.0, 8.0, 9.0]
Erori: [0.0, 0.5, 0.0, 0.5, 0.5]
MSE: 0.15
Nota estimată pentru 7 ore: 7.5
Indiciu
MSE este media pătratelor erorilor: np.mean(erori ** 2).
Soluția
PYTHON
import numpy as np
ore = np.array([2, 4, 6, 8, 10])
note = np.array([5.0, 6.5, 7.0, 8.5, 9.5])
w, b = 0.5, 4
predictii = w * ore + b
erori = note - predictii
mse = np.mean(erori ** 2)
print("Predicții:", predictii.tolist())
print("Erori:", erori.tolist())
print("MSE:", round(float(mse), 3))
print("Nota estimată pentru 7 ore:", w * 7 + b)
Explicația
Un model de regresie liniară cu o singură caracteristică este o dreaptă: w (ponderea) spune cu cât crește nota pentru fiecare oră în plus, iar b (deplasarea) este nota estimată la 0 ore. Antrenarea înseamnă găsirea lui w și b; aici sunt date, ca să te concentrezi pe predicție și pe măsurarea erorii.
Expresia w * ore + b se aplică pe tot tabloul odată (broadcasting), fără buclă. Erorile pozitive înseamnă că modelul a subestimat, cele negative că a supraestimat.
MSE ridică erorile la pătrat: semnele dispar și greșelile mari sunt penalizate mult mai tare decât cele mici. Este funcția pe care regresia liniară o minimizează la antrenare. Greșeala tipică este să faci media erorilor fără pătrat, unde plusurile și minusurile se compensează și modelul pare mai bun decât este.
Completează valorile lipsă cu SimpleImputer și mediana
Folosește SimpleImputer cu strategia mediană ca să completezi valorile lipsă dintr-un tabel de angajați, învățând valorile doar din datele de antrenare.
Afișează probabilitățile unui clasificator cu predict_proba
Antrenează o regresie logistică ce estimează dacă un vizitator al unui magazin online cumpără și afișează probabilitatea de cumpărare, nu doar decizia.
Interpretează coeficienții regresiei logistice ca raport de șanse
Antrenează o regresie logistică ce prezice dacă un abonat la internet își anulează abonamentul și traduce coeficienții în rapoarte de șanse (odds ratio).
Clasifică recenziile pozitive și negative cu TF-IDF
Antrenează un clasificator de sentiment pentru recenziile unor produse, cu TfidfVectorizer și regresie logistică, și află ce cuvinte împing spre pozitiv sau negativ.
Decide aprobarea unui împrumut cu un arbore de decizie
Antrenează un arbore de decizie care decide dacă un client primește un împrumut, după venit, vechimea la locul de muncă și numărul de întârzieri la plată.
Calculează entropia și câștigul informațional al unei împărțiri
Calculează de mână entropia unor grupuri și câștigul informațional obținut de două întrebări diferite, ca să alegi întrebarea mai bună pentru un arbore.
Calculează distanța Manhattan pentru un curier în oraș
Compară distanța euclidiană („în linie dreaptă”) cu distanța Manhattan („pe străzi”) pentru un curier care pleacă dintr-un depozit, într-un cartier cu străzi în grilă.
Arată de ce contează amestecarea și stratificarea la validarea încrucișată, pe setul iris, unde exemplele sunt ordonate pe specii (întâi toate setosa, apoi versicolor, apoi virginica).
Evită scurgerea de informație la selecția trăsăturilor
Demonstrează pe date complet aleatoare cum selecția trăsăturilor făcută înainte de validarea încrucișată produce un scor fals de bun, iar același pas pus într-un pipeline dă scorul corect.
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Exercițiile de aici sunt gândite ca la job: date concrete, cerințe clare și soluții pe care le poți explica la un interviu de Machine Learning.
Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.