Sie arbeiten mit 1D- und 2D-Tensoroperationen, PyTorch Autograd und automatischer Differenzierung, linearer Regression mit nn.Module und benutzerdefinierten Modulen, MSE- und Kreuzentropie-Verlustfunktionen, Batch-/Stochastik-/Mini-Batch-Gradientenabstieg, DataLoader- und Optimierungs-Workflows, Trainings-/Validierungs-/Testsplits, logistischer Regression mit Sigmoid Thresholding und fortgeschrittenen Optimierungstechniken einschließlich Adam, Lernratenplanung und L1/L2-Regularisierung.

Im Abschlussprojekt erstellen Sie ein logistisches Regressionsmodell zur Vorhersage von League of Legends-Spielergebnissen anhand echter Spielstatistiken und wenden dabei den kompletten PyTorch-Workflow von der Datenvorbereitung über das Modelltraining bis zur Auswertung an. Das Projekt liefert ein portfoliofähiges Ergebnis, das Ihre Fähigkeit demonstriert, eine Klassifizierungspipeline von Anfang bis Ende zu implementieren.

Dieser Kurs vermittelt die mathematischen Grundlagen moderner KI-Entwicklung. Anstatt Ableitungen für die Backpropagation manuell zu berechnen, lernen Sie, das Autograd-System von PyTorch zu beherrschen. Sie lernen, wie ein- und zweidimensionale Tensoren ihren Berechnungsverlauf nachverfolgen und so die automatische Differenzierung ermöglichen. Durch das Verständnis von Attributen wie „shape“, „dtype“ und „numel()“ werden Sie erkennen, wie die Funktion „autograd.backward()“ hinter den Kulissen Vektor-Matrix-Ableitungen berechnet, um Modellparameter dynamisch zu aktualisieren.

Um produktionsreifen Code für maschinelles Lernen zu schreiben, muss man die nativen Datenabstraktionsfunktionen von PyTorch nutzen. Der Lehrplan bietet praktische Übungen zum Aufbau strukturierter, speichereffizienter Datenpipelines durch die Erstellung von Unterklassen der CORE-PyTorch-Komponenten:

Klasse „Dataset“: Erlernen Sie, wie Sie die Methoden __len__ und __getitem__ überschreiben, um neben den Datentransformationen von Torchvision Compose auch benutzerdefinierte Tabellen- oder Bilddateien zu lesen.

DataLoader-Klasse: Implementierung von Multithread-Datenstromverarbeitung zur Handhabung von Batching, Shuffling und der Konvergenz des Mini-Batch-Gradientenabstiegs.

nn.Module-Architektur: Bündeln von Gewichten, Biases und Schichten in einem objektorientierten Modell-Wrapper unter Nutzung von `state_dict()` zum Speichern, Laden und Übertragen gelernter Parameter.

Ein wichtiger analytischer Meilenstein in dieser Spezialisierung ist der Übergang von der Regression (Vorhersage kontinuierlicher Variablen) zur Klassifizierung (Vorhersage diskreter Labels). Sie lernen, wie Sie benutzerdefinierte Schichten mithilfe von `nn.Linear` und `nn.Sequential` erweitern können. Der Kurs erläutert die dahinterstehenden probabilistischen Zusammenhänge und vermittelt Ihnen, wie Sie lineare Kombinationen durch eine sigmoide Aktivierungsfunktion leiten, um eine Bernoulli-Verteilung zu modellieren. Vor allem werden Sie analysieren, warum der binäre Kreuzentropieverlust und die Maximum-Likelihood-Schätzung beim Training von Klassifikationsnetzwerken dem mittleren quadratischen Fehler (MSE) mathematisch überlegen sind.

Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.