Dans ce module, vous apprendrez à structurer et à préparer les données pour l'entraînement dans PyTorch. Vous créerez des classes de jeux de données personnalisées, mettrez en œuvre __len__ et __getitem__, et appliquerez des étapes de prétraitement à l'aide de transformateurs et de Compose. Vous travaillerez également avec des ensembles de données d'images et des modèles Torchvision. À la fin, vous comprendrez comment les données circulent dans un modèle PyTorch pendant l'entraînement.

Dans ce module, vous apprendrez à construire et à entraîner des modèles de régression linéaire dans PyTorch. Vous découvrirez comment les modèles sont définis à l'aide de nn.Module, comment state_dict() stocke les paramètres et comment les fonctions de perte mesurent l'erreur de prédiction. Vous examinerez les surfaces de coût, la descente de gradient, les taux d'apprentissage et les critères d'arrêt. Grâce à des boucles d'apprentissage pratiques, vous verrez comment la pente et le biais se mettent à jour au fil du temps, à mesure que le modèle minimise la perte.

Dans ce module, vous découvrirez comment mettre en œuvre des flux de formation à l'aide d'outils PyTorch tels que DataLoader et les optimiseurs. Vous apprendrez à comparer la descente de gradient par lots, stochastique et mini-batch, et examinerez comment la taille des lots, les époques et le taux d'apprentissage affectent la convergence. Vous apprendrez à structurer des boucles d'apprentissage complètes avec des passes avant, une rétropropagation et des mises à jour de paramètres. Enfin, vous explorerez les divisions de formation, de validation et de test pour évaluer les performances du modèle et détecter les surajustements.

Dans ce module, vous découvrirez comment étendre la régression linéaire pour gérer des caractéristiques d'entrée et de sortie multiples. Vous apprendrez à utiliser nn.Linear et des modules personnalisés pour construire des modèles à plus haute dimension et découvrirez comment les poids et les biais passent des scalaires aux vecteurs et aux matrices. Vous vous exercerez à travailler avec des fonctions de coût vectorisées, la descente de gradient et des flux de travail d'entraînement utilisant des DataLoaders et des optimiseurs. Grâce à des travaux pratiques, vous apprendrez à construire, entraîner et évaluer des modèles de régression multidimensionnels et multi-sorties, étape par étape, en utilisant de vrais modèles de code PyTorch.

Dans ce module, vous découvrirez comment passer de la régression à la classification. Vous apprendrez à construire des modèles de régression logistique à l'aide de nn.Sequential, à appliquer la fonction sigmoïde pour générer des probabilités et à convertir les probabilités en prédictions de classe. Vous examinerez la distribution de Bernoulli et l'estimation du maximum de vraisemblance et découvrirez pourquoi la perte d'entropie croisée est préférable à l'erreur quadratique moyenne (EQM) pour les tâches de classification. Vous explorerez également les techniques d'optimisation et de régularisation qui permettent d'améliorer les performances de classification.

Dans ce module, vous appliquerez ce que vous avez exploré tout au long du cours dans un projet de classification pratique. Vous construirez un modèle de régression logistique pour prédire les résultats des matchs de League of Legends. En s'appuyant sur diverses statistiques du jeu, ce projet utilisera vos connaissances de PyTorch, de la régression logistique et du traitement des données pour créer un modèle prédictif robuste. Enfin, vous pouvez choisir entre une notation automatique immédiate à l'aide de l'outil d'évaluation assistée par l'IA d'IBM, Mark, ou soumettre votre devoir à une évaluation humaine par des pairs.