Kurzusleírás

Generatív AI alapok áttekintése

  • Gyors áttekintés a generatív AI fogalmairól
  • Haladó alkalmazások és esettanulmányok

Mélymerülés a Generatív Adversarial Hálózatokba (GAN-ok)

  • GAN architektúrák részletes tanulmányozása
  • GAN betanítását javító technikák
  • Feltételes GAN-ok és azok alkalmazásai
  • Gyakorlati projekt: Komplex GAN tervezése

Haladó Variációs Autoencoder-ek (VAE-k)

  • VAE-k határainak felfedezése
  • Szétválasztott reprezentációk VAE-kben
  • Beta-VAE-k és azok jelentősége
  • Gyakorlati projekt: Haladó VAE építése

Transformerek és generatív modellek

  • A Transformer architektúra megértése
  • Generatív Pretrained Transformer-ek (GPT) és BERT generatív feladatokban
  • Finomhangolási stratégiák generatív modellekhez
  • Gyakorlati projekt: GPT modell finomhangolása egy adott területre

Diffúziós modellek

  • Bevezetés a diffúziós modellekbe
  • Diffúziós modellek betanítása
  • Alkalmazások kép- és hanggenerálásban
  • Gyakorlati projekt: Diffúziós modell implementálása

Megerősítő tanulás a generatív AI-ban

  • Megerősítő tanulás alapjai
  • Megerősítő tanulás integrálása generatív modellekkel
  • Alkalmazások játéktervezésben és eljárásos tartalomgenerálásban
  • Gyakorlati projekt: Tartalom létrehozása megerősítő tanulással

Haladó témák az etikában és az elfogultságban

  • Deepfake-ek és szintetikus média
  • Elfogultság felismerése és enyhítése generatív modellekben
  • Jogi és etikai megfontolások

Iparspecifikus alkalmazások

  • Generatív AI az egészségügyben
  • Kreatív iparágak és szórakoztatás
  • Generatív AI a tudományos kutatásban

Kutatási trendek a generatív AI-ban

  • Legújabb fejlemények és áttörések
  • Nyitott problémák és kutatási lehetőségek
  • Felkészülés a generatív AI kutatói karrierjére

Záróprojekt

  • Generatív AI-hoz illő probléma azonosítása
  • Haladó adatkészlet előkészítés és bővítés
  • Modell kiválasztása, betanítása és finomhangolása
  • A projekt értékelése, iterációja és bemutatása

Összefoglalás és következő lépések

Követelmények

  • Alapvető gépi tanulási fogalmak és algoritmusok ismerete
  • Tapasztalat Python programozásban és TensorFlow vagy PyTorch alapvető használatában
  • Ismeret a neurális hálózatok és mélytanulás alapelveiről

Célközönség

  • Adattudósok
  • Gépi tanulási mérnökök
  • AI szakemberek
 21 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák