Dieses Modul beschreibt die lineare Regression. Sie lernen etwas über Klassen und wie Sie mithilfe von nn.Modules benutzerdefinierte Module erstellen können, um Vorhersagen zu treffen. Dann werden Sie die Methode state_dict() kennenlernen, die ein Python-Wörterbuch zurückgibt. Anschließend lernen Sie, wie Sie das Modell trainieren, einen Datensatz definieren und die Rauschannahme festlegen. Sie werden außerdem sehen, wie man die Kosten minimiert und wie man den Verlust mit PyTorch berechnet. Sie werden die Methode des Gradientenabstiegs verstehen und lernen, wie man sie auf die Kostenfunktion anwendet. Sie werden lernen, wie man den Bias und die Steigung mit der Gradient Descent-Methode bestimmt und die Kostenfläche definiert. Sie werden das Gelernte in Laborübungen anwenden und Ihre Konzepte in Quizfragen testen.

Dieses Modul behandelt die Implementierung des stochastischen Gradientenabstiegs unter Verwendung des Datenladers von PyTorch. Anschließend werden Sie Stapelverarbeitungstechniken für effizientes Modelltraining erkunden. Sie werden den Mini-Batch-Gradientenabstieg und den stochastischen Gradientenabstieg vergleichen. Als nächstes lernen Sie etwas über die Konvergenzrate und die Verwendung der Optimierungsmodule von PyTorch. Schließlich lernen Sie die besten Praktiken für das Splitten von Daten kennen, um eine robuste Modellevaluation zu gewährleisten, und wie Hyperparameter auf Trainingsdaten angewendet werden. Sie werden das Gelernte in Laborübungen anwenden und Ihre Konzepte in Quizfragen testen.

In diesem Modul lernen Sie, die Klasse linear zu verwenden, um eine lineare Regression in mehreren Dimensionen durchzuführen. Außerdem lernen Sie die Modellparameter kennen und erfahren, wie Sie in PyTorch Kosten berechnen und einen Gradientenabstieg durchführen können. Sie werden lernen, die lineare Regression für mehrere Ausgaben zu erweitern. Sie werden das Gelernte in Laborübungen anwenden und Ihre Konzepte in Quizfragen testen.

In diesem Modul lernen Sie die Grundlagen von linearen Klassifikatoren und logistischer Regression kennen. Sie werden lernen, das nn.sequential Modell zu verwenden, um neuronale Netze in PyTorch zu erstellen. Sie werden die logistische Regression für Vorhersagen implementieren. Das Modul behandelt auch statistische Konzepte wie die Bernoulli-Verteilung und die Maximum-Likelihood-Schätzung, die der logistischen Regression zugrunde liegen. Darüber hinaus werden Sie die Cross-Entropie-Verlustfunktion verstehen und implementieren. Sie werden das Gelernte in Laborübungen anwenden und Ihre Konzepte in Quizfragen testen.

In diesem Modul werden Sie das Abschlussprojekt unter Anwendung aller gelernten Konzepte umsetzen. 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.