Apprendre Défi : Implémentation de la Régression Linéaire

Tâche

Swipe to start coding

Vous disposez d'un ensemble de données contenant des informations sur le nombre d'heures que les étudiants ont étudié et leurs scores de test correspondants. Votre tâche est d'entraîner un modèle de régression linéaire sur ces données.

Convertissez ces colonnes en tensors PyTorch, et redimensionnez-les pour vous assurer qu'elles sont 2D avec des formes [N, 1].
Définissez un modèle de régression linéaire simple.
Utilisez MSE comme fonction de perte.
Définissez optimizer comme SGD avec un taux d'apprentissage égal à 0.01.
Entraînez le modèle de régression linéaire pour prédire les scores de test en fonction du nombre d'heures étudiées. À chaque époque :
- Calculez les prédictions sur X_tensor;
- Calculez la perte;
- Réinitialisez le gradient;
- Effectuez la rétropropagation;
- Mettez à jour les paramètres.
Accédez aux paramètres du modèle (poids et biais).

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 4

single

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Tâche

Swipe to start coding

Convertissez ces colonnes en tensors PyTorch, et redimensionnez-les pour vous assurer qu'elles sont 2D avec des formes [N, 1].
Définissez un modèle de régression linéaire simple.
Utilisez MSE comme fonction de perte.
Définissez optimizer comme SGD avec un taux d'apprentissage égal à 0.01.
Entraînez le modèle de régression linéaire pour prédire les scores de test en fonction du nombre d'heures étudiées. À chaque époque :
- Calculez les prédictions sur X_tensor;
- Calculez la perte;
- Réinitialisez le gradient;
- Effectuez la rétropropagation;
- Mettez à jour les paramètres.
Accédez aux paramètres du modèle (poids et biais).

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 4

single

Glissez pour afficher le menu

Tâche

Swipe to start coding

Convertissez ces colonnes en tensors PyTorch, et redimensionnez-les pour vous assurer qu'elles sont 2D avec des formes [N, 1].
Définissez un modèle de régression linéaire simple.
Utilisez MSE comme fonction de perte.
Définissez optimizer comme SGD avec un taux d'apprentissage égal à 0.01.
Entraînez le modèle de régression linéaire pour prédire les scores de test en fonction du nombre d'heures étudiées. À chaque époque :
- Calculez les prédictions sur X_tensor;
- Calculez la perte;
- Réinitialisez le gradient;
- Effectuez la rétropropagation;
- Mettez à jour les paramètres.
Accédez aux paramètres du modèle (poids et biais).

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Défi : Implémentation de la Régression Linéaire

Solution

Awesome!

Défi : Implémentation de la Régression Linéaire

Solution

Awesome!

Défi : Implémentation de la Régression Linéaire

Solution