Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Desafio: Implementando Regressão Linear | Conceitos Mais Avançados
Essenciais do PyTorch

bookDesafio: Implementando Regressão Linear

Tarefa

Swipe to start coding

Você recebe um conjunto de dados que contém informações sobre o número de horas estudadas pelos alunos e suas respectivas notas em testes. Sua tarefa é treinar um modelo de regressão linear com esses dados.

  1. Converta essas colunas em tensores PyTorch e redimensione-os para garantir que sejam 2D com formato [N, 1].
  2. Defina um modelo simples de regressão linear.
  3. Utilize MSE como função de perda.
  4. Defina o optimizer como SGD com taxa de aprendizado igual a 0.01.
  5. Treine o modelo de regressão linear para prever as notas dos testes com base no número de horas estudadas. Em cada época:
    • Calcule as previsões em X_tensor;
    • Calcule a perda;
    • Reinicie o gradiente;
    • Realize o backward pass;
    • Atualize os parâmetros.
  6. Acesse os parâmetros do modelo (pesos e viés).

Solução

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 4
single

single

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Suggested prompts:

Resumir este capítulo

Explicar o código em file

Explicar por que file não resolve a tarefa

close

Awesome!

Completion rate improved to 5

bookDesafio: Implementando Regressão Linear

Deslize para mostrar o menu

Tarefa

Swipe to start coding

Você recebe um conjunto de dados que contém informações sobre o número de horas estudadas pelos alunos e suas respectivas notas em testes. Sua tarefa é treinar um modelo de regressão linear com esses dados.

  1. Converta essas colunas em tensores PyTorch e redimensione-os para garantir que sejam 2D com formato [N, 1].
  2. Defina um modelo simples de regressão linear.
  3. Utilize MSE como função de perda.
  4. Defina o optimizer como SGD com taxa de aprendizado igual a 0.01.
  5. Treine o modelo de regressão linear para prever as notas dos testes com base no número de horas estudadas. Em cada época:
    • Calcule as previsões em X_tensor;
    • Calcule a perda;
    • Reinicie o gradiente;
    • Realize o backward pass;
    • Atualize os parâmetros.
  6. Acesse os parâmetros do modelo (pesos e viés).

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

close

Awesome!

Completion rate improved to 5
Seção 2. Capítulo 4
single

single

some-alt