神经网络和 PyTorch 简介

在本模块中，您将学习如何在 PyTorch 中构建和准备用于训练的数据。您将创建自定义数据集类、实现 __len__ 和 __getitem__ 并使用变换和 Compose 应用预处理步骤。您还将使用图像数据集和 Torchvision 模式。最后，您将了解数据如何在训练过程中流入 PyTorch 模型。

在本模块中，您将学习如何在 PyTorch 中构建和训练线性回归模型。您将探索如何使用 nn.Module 定义模型、state_dict() 如何存储参数以及损失函数如何测量预测误差。您还将研究代价曲面、梯度下降、学习率和停止标准。通过实践训练循环，您将看到斜率和偏差如何随着时间的推移而更新，从而使模型的损失最小化。

在本模块中，您将了解如何使用 PyTorch 工具（如 DataLoader 和优化器）实现训练工作流。你将学习如何比较批量、随机和迷你批量梯度下降，并研究批量大小、历时和学习率如何影响收敛。您还将学习如何利用前向传递、反向传播和参数更新来构建完整的训练循环。最后，您还将探索训练、验证和测试拆分，以评估模型性能并检测过度拟合。

在本模块中，您将探索如何扩展线性回归以处理多个输入特征和多个输出。您将学习如何使用 nn.Linear 和自定义模块构建高维模型，并发现权重和偏置如何从标量扩展到向量和矩阵。您还将练习使用矢量化代价函数、梯度下降以及使用数据加载器和优化器的训练工作流。通过动手实验，您将学会如何使用真实的 PyTorch 代码模式逐步构建、训练和评估多维和多输出回归模型。

在本模块中，您将探索如何从回归转向分类。您将学习如何使用 nn.Sequential 建立逻辑回归模型，应用 sigmoid 函数生成概率，并将概率转换为类别预测。您还将学习伯努利分布和最大似然估计，并发现为什么在分类任务中，交叉熵损失比平均平方误差 (MSE) 更受青睐。您还将探索有助于提高分类性能的优化和正则化技术。

在本模块中，您将在一个实践分类项目中应用您在整个课程中探索的知识。您将建立一个逻辑回归模型来预测英雄联盟比赛的结果。利用游戏中的各种统计数据，该项目将利用您的 PyTorch、逻辑回归和数据处理知识来创建一个强大的预测模型。最后，您可以选择使用 IBM 人工智能辅助评估工具 Mark 进行即时自动评分，或者将作业提交给人工同行评审。