In diesem Modul lernen Sie, wie Sie Daten für das Training in PyTorch strukturieren und vorbereiten. Sie werden benutzerdefinierte Datensatzklassen erstellen, __len__ und __getitem__ implementieren und Vorverarbeitungsschritte mit Transformationen und Compose anwenden. Sie werden auch mit Bilddatensätzen und Torchvision-Mustern arbeiten. Am Ende werden Sie verstehen, wie Daten während des Trainings in ein PyTorch-Modell einfließen.

In diesem Modul lernen Sie, wie man lineare Regressionsmodelle in PyTorch erstellt und trainiert. Sie werden erkunden, wie Modelle mit nn.Module definiert werden, wie state_dict() Parameter speichert und wie Verlustfunktionen den Vorhersagefehler messen. Sie werden Kostenflächen, Gradientenabstieg, Lernraten und Abbruchkriterien untersuchen. Anhand praktischer Trainingsschleifen werden Sie sehen, wie sich Steigung und Vorspannung im Laufe der Zeit aktualisieren, wenn das Modell den Verlust minimiert.

In diesem Modul erfahren Sie, wie Sie Trainingsworkflows mit PyTorch-Tools wie DataLoader und Optimierern implementieren können. Sie lernen, wie man Batch-, stochastische und Mini-Batch-Gradientenabstieg vergleicht, und untersuchen, wie Batch-Größe, Epochen und Lernrate die Konvergenz beeinflussen. Sie lernen, wie Sie vollständige Trainingsschleifen mit Vorwärtsdurchläufen, Backpropagation und Parameteraktualisierungen strukturieren können. Schließlich werden Sie Trainings-, Validierungs- und Test-Splits untersuchen, um die Modellleistung zu bewerten und Overfitting zu erkennen.

In diesem Modul erfahren Sie, wie Sie die lineare Regression so erweitern können, dass sie mehrere Eingabe- und Ausgabemerkmale verarbeiten kann. Sie lernen, wie Sie nn.Linear und benutzerdefinierte Module verwenden, um höherdimensionale Modelle zu erstellen und entdecken, wie Gewichte und Verzerrungen von Skalaren zu Vektoren und Matrizen erweitert werden. Sie üben die Arbeit mit vektorisierten Kostenfunktionen, Gradientenabstieg und Trainingsworkflows mit DataLoaders und Optimierern. In praktischen Übungen lernen Sie, wie Sie mehrdimensionale und mehrdimensionale Regressionsmodelle Schritt für Schritt mit echten PyTorch-Code-Mustern erstellen, trainieren und auswerten können.

In diesem Modul erfahren Sie, wie Sie von der Regression zur Klassifizierung übergehen. Sie lernen, wie Sie logistische Regressionsmodelle mit nn.Sequential erstellen, die Sigmoid-Funktion anwenden, um Wahrscheinlichkeiten zu erzeugen, und Wahrscheinlichkeiten in Klassenvorhersagen umwandeln. Sie werden die Bernoulli-Verteilung und die Maximum-Likelihood-Schätzung untersuchen und herausfinden, warum der Kreuzentropieverlust bei Klassifizierungsaufgaben dem mittleren quadratischen Fehler (MSE) vorzuziehen ist. Sie werden auch Optimierungs- und Regularisierungstechniken erforschen, die zur Verbesserung der Klassifizierungsleistung beitragen.

In diesem Modul wenden Sie das, was Sie im Kurs gelernt haben, in einem praktischen Klassifizierungsprojekt an. Sie werden ein logistisches Regressionsmodell erstellen, um die Ergebnisse von League of Legends-Matches vorherzusagen. In diesem Projekt werden Sie Ihre Kenntnisse über PyTorch, logistische Regression und Datenverarbeitung nutzen, um ein robustes Vorhersagemodell zu erstellen, das verschiedene Statistiken aus dem Spiel nutzt. Abschließend haben Sie die Wahl zwischen einer sofortigen automatischen Bewertung mit dem IBM KI-gestützten Bewertungstool Mark oder der Einreichung Ihrer Arbeit für ein menschliches Peer-Review.