Converters

Markdown to HTML Converter

Turn Markdown into HTML with a live preview, including tables, task lists and code blocks.

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

How to use the Markdown to HTML

  1. Paste or write Markdown.
  2. Choose GitHub Flavored Markdown, line breaks or a full HTML page.
  3. Copy the HTML or download it.

Frequently asked questions

What is GitHub Flavored Markdown?

An extension of Markdown that adds tables, task lists, strikethrough and fenced code blocks, as used on GitHub.

Is the HTML safe to put on my site?

The preview runs in a sandbox. If your Markdown comes from users, sanitize the HTML on your server before publishing it.

Can I get a complete HTML document?

Yes. Turn on Full HTML page to wrap the output in html, head and body tags.

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