Ce module décrit la régression linéaire. Vous apprendrez à connaître les classes et à construire des modules personnalisés à l'aide de nn.Modules pour faire des prédictions. Ensuite, vous explorerez la méthode state_dict() qui renvoie un dictionnaire Python. Vous apprendrez ensuite à entraîner le modèle, à définir un ensemble de données et l'hypothèse de bruit. Vous verrez en outre comment minimiser le coût et comment calculer la perte en utilisant PyTorch. Vous comprendrez la méthode de Descente de Gradient et comment l'appliquer sur la fonction de coût. Vous apprendrez à déterminer le biais et la pente à l'aide de la méthode Descente de gradient et à définir la surface de coût. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Ce module couvre la mise en œuvre de la Descente de gradient stochastique en cours d'utilisation de PyTorch. Vous explorerez ensuite les techniques de traitement par lots pour un apprentissage efficace des modèles. Vous comparerez la Descente de gradient mini-batch et la Descente de gradient stochastique. Ensuite, vous apprendrez ce qu'est le Taux d'apprentissage et l'utilisation des modules d'optimisation de PyTorch. Enfin, vous apprendrez les meilleures pratiques de fractionnement des données pour assurer une évaluation robuste des modèles et comment les hyperparamètres sont appliqués aux données d'entraînement. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Dans ce module, vous apprendrez à utiliser la classe linear pour effectuer une régression linéaire en plusieurs dimensions. En outre, vous apprendrez à connaître les paramètres du modèle et à calculer le coût et à effectuer une descente de gradient dans PyTorch. Vous apprendrez à étendre la régression linéaire pour des sorties multiples. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Dans ce module, vous apprendrez les bases des classificateurs linéaires et de la régression logistique. Vous apprendrez à utiliser le modèle nn.sequential pour construire des réseaux neurones dans PyTorch. Vous mettrez en œuvre la régression logistique pour la prédiction. Le module couvre également des concepts statistiques tels que la distribution de Bernoulli et l'Estimation maximum de vraisemblance qui sous-tendent la régression logistique. En outre, vous comprendrez et mettrez en œuvre la fonction de perte d'entropie croisée. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Dans ce module, vous mettrez en œuvre le projet final en appliquant tous les concepts appris. Vous construirez un modèle de régression logistique visant à prédire les résultats des matchs de League of Legends. En s'appuyant sur diverses statistiques en jeu, ce projet utilisera vos connaissances de PyTorch, de la régression logistique et du traitement des données pour créer un modèle prédictif robuste.