Загрузите датасеты в соответствие с вариантом (см. здесь) для решения задач регрессии и классификации, выполните все этапы предварительной обработки данных.
Обработанные данные представьте в виде объектов класса Dataset, после этого оберните их в класс DataLoader (обязательно почитайте и посмотрите, для чего это нужно, какие фишки есть у этих классов). Для каждого датасета должен получиться свой DataLoader.
Для задач регрессии и классификации сформируйте архитектуры полносвязных нейронных сетей при помощи пакета torch.nn. Задачу классификации необходимо решать только при помощи функции активации softmax (это нужно учесть при проектировании нейронной сети, с этим есть свои особенности). Дополнительно, можно посмотреть, как в PyTorch создавать Dropout-слои.
Организуйте процесс обучения нейронных сетей для решения обеих задач и обучите нейросети. Для этого выберите необходимые функции активации и оптимизаторы. Не забывайте обнулять градиенты! После обучения выведите графики функции ошибки по эпохам.
Оцените качество предсказаний для обученных моделей с использованием известных метрик задач регрессии и классификации.