本 Modulation 介绍线性回归。你将了解类，以及如何使用 nn.Modules 构建自定义模块来进行 Prediction。然后，你将探索返回 Python 字典的 state_dict() 方法。然后，您将学习如何训练模型、定义数据集和噪声假设。您将进一步了解如何最小化成本以及如何使用 PyTorch 计算损失。您将了解梯度下降法以及如何将其应用于代价函数。您将学会使用梯度下降法确定 Bias 和斜率，并定义代价曲面。您将在实验室中应用所学知识，并在测验中测试您的概念。

本 Modulation 包括使用 PyTorch 的数据加载器实现随机梯度下降。然后，你将探索高效模型训练的批处理技术。您将比较 Mini-Batch Gradient Descent 和 Stochastic Gradient Descent。接下来，您将学习收敛率和使用 PyTorch 的优化模块。最后，您将学习分割数据以确保模型评估稳健性的最佳实践，以及如何将超参数应用于 Training Data。您将在实验室中应用所学知识，并在测验中测试您的概念。

在本 Modulation 中，您将学习使用类 linear 在多个维度中执行线性回归。此外，您还将学习模型参数以及如何在 PyTorch 中计算成本和执行梯度下降。您还将学习如何扩展线性回归以实现多输出。您将在实验室中应用所学知识，并在测验中测试您的概念。

在本 Modulation 中，您将学习线性分类器和 Logistic Regression 的基础知识。您将学习使用 nn.sequential 模型在 PyTorch 中构建神经网络。你将实现 Logistic Regression 进行预测。Modulation 还包含伯努利分布（Bernoulli Distribution）和最大似然估计（Maximum Likelihood Estimation）等支撑逻辑回归的统计概念。此外，你还将了解并实现交叉熵损失函数。您将在实验室中应用所学知识，并在测验中检验自己的概念。

在本 Modulation 中，您将应用所学的所有概念实施最终项目。您将建立一个 Logistic Regression 模型，旨在预测《英雄联盟》比赛的结果。利用游戏中的各种统计数据，该项目将利用您所学的 PyTorch、逻辑回归和数据处理知识来创建一个强大的预测模型。此外，您还将提交一份最终项目笔记本供评估。您提交的材料将获得 AI 评分。