Generators

UUID / GUID Generator

Generate random (v4) or time-ordered (v7) UUIDs one at a time or in bulk, and inspect existing UUIDs.

  • Runs in your browser
  • Instant results
  • Free, no sign-up
Loading the tool…

How to use the UUID Generator

  1. Choose the UUID version and how many you need.
  2. Pick the format: upper or lower case, hyphens, braces.
  3. Copy the list or download it as a text file.

Frequently asked questions

What is the difference between UUID v4 and v7?

v4 is fully random. v7 starts with a timestamp, so new IDs sort in creation order, which keeps database indexes fast.

Can two generated UUIDs collide?

In practice no. A v4 UUID has 122 random bits, so a collision is astronomically unlikely.

Is a GUID the same as a UUID?

Yes. GUID is the name Microsoft uses for the same 128-bit identifier.

Übe Python mit Coding Challenges

Löse praktische Aufgaben direkt im Editor: Führe die Beispieltests aus, reiche ein und erhalte ein KI-Code-Review.

Alle Python-Challenges
Einfach

Average of Three

Average three whole numbers.

Du lernst ArithmetikDivision
BeginnerLearning-pathVariables
Einfach

Rechteck-Umfang

Berechne den Umfang eines Rechtecks anhand seiner Seiten.

Du lernst ArithmetikRückgabewerte
BeginnerLearning-pathVariables
Mittel

Eine Generation eines genetischen Algorithmus

Züchte die nächste Generation von Bitstrings mit Turnierselektion, Einpunkt-Crossover und Mutation.

Du lernst Genetische AlgorithmenEvolutionäre Suche
OptimizationSimulationai
Noch keine Lösungen
Einfach

Epsilon-Greedy-Multi-Armed-Bandit

Balanciere Erkundung und Ausnutzung bei einem Multi-Armed-Bandit mit Epsilon-Greedy-Aktionsauswahl.

Du lernst Erkunden vs. AusnutzenBandits
Bestärkendes Lernenaimaschinelles Lernen
Noch keine Lösungen
Einfach

Zustandsverteilung einer Markov-Kette

Führe eine Wahrscheinlichkeitsverteilung über eine Anzahl von Schritten durch die Übergangsmatrix einer Markov-Kette.

Du lernst Markov-KettenWahrscheinlichkeit
Simulationaimath
Noch keine Lösungen
Mittel

Wertiteration

Berechne, wie wertvoll jeder Zustand eines Markov-Entscheidungsprozesses ist, indem du wiederholt das Bellman-Optimalitäts-Update anwendest.

Du lernst Bellman-GleichungMDPs
Bestärkendes Lernenaimaschinelles Lernen
Noch keine Lösungen
Mittel

Q-Learning-Updates

Wende das Q-Learning-Update auf einen Strom von Erfahrungen an und sieh zu, wie Belohnungen zu früheren Zuständen zurückfließen.

Du lernst Q-LearningDiskontierte Belohnungen
Bestärkendes Lernenaimaschinelles Lernen
Noch keine Lösungen
Mittel

Alpha-Beta-Pruning

Bewerte einen Spielbaum mit Minimax und Alpha-Beta-Pruning und zähle, wie viele Blätter die Suche tatsächlich ansieht.

Du lernst Alpha-Beta-PruningSpielsuche
RecursionTreesai
Noch keine Lösungen
Mittel

Minimax-Tic-Tac-Toe

Wähle den perfekten Tic-Tac-Toe-Zug, indem du den ganzen Spielbaum mit Minimax durchsuchst.

Du lernst MinimaxSpielbäume
Recursionai
Noch keine Lösungen
Mittel

A*-Suche auf einem gewichteten Gitter

Finde mit A*, dem Suchalgorithmus hinter der Wegfindung in Spielen und Robotern, den günstigsten Weg durch ein Gitter aus Geländekosten.

Du lernst A*-SucheHeuristiken
GraphsGridsShortest-pathai
Noch keine Lösungen
Mittel

Temperatur- und Top-K-Sampling

Wähle das nächste Token wie ein Sprachmodell: Behalte die k höchsten Logits, wende die Temperatur an und ziehe eine Stichprobe.

Du lernst TextgenerierungSampling
aimaschinelles Lernen
Noch keine Lösungen
Schwierig

Multi-Head-Self-Attention

Projiziere die Eingabe in Queries, Keys und Values, führe Attention in mehreren Heads parallel aus und kombiniere sie.

Du lernst Multi-Head-AttentionMatrixprojektionen
aimaschinelles Lernen
Noch keine Lösungen