Kurzusleírás

Generatív AI alapjainak áttekintése

  • Gyors újrakezdés a generatív AI fogalmain
  • Haladó alkalmazások és esete tanulmányozása

Generatív ellenőrző hálózatok (GAN) mélyebb áttekintése

  • GAN architektúrák részletes vizsgálata
  • A GAN tanítás fejlesztésének technikái
  • Feltételes GAN-ek és alkalmazásaik
  • Gyakorlati projekt: Összetett GAN kialakítása

Haladó variációs autoencoder (VAE) modellek

  • A VAE-k korlátainak megvizsgálása
  • Diszszociált reprezentációk a VAE-kben
  • Beta-VAE-k és jelentőségük
  • Gyakorlati projekt: Haladó VAE kialakítása

Transformer modellek és generatív alkalmazások

  • A Transformer architektúra megismerése
  • Generatív előtanított Transformers (GPT) és BERT a generatív feladatokhoz
  • Generatív modellek finomhangolási stratégiái
  • Gyakorlati projekt: GPT modellek finomhangolása specifikus tartományra

Szóródási modellek

  • A szóródási modellek bemutatása
  • Szóródási modellek tanítása
  • Alkalmazások kép- és hanggenerálásban
  • Gyakorlati projekt: Szóródási modell implementálása

Generatív AI-ben a reinforcment learning

  • Reinfocement learning alapjai
  • A generatív modellekkel való reinforcment learning integrálása
  • Játéktervezés és eljárásos tartalomkészítés alkalmazása
  • Gyakorlati projekt: Tartalom generálása reinforcment learning segítségével

Haladó témák az etikában és a torzításokban

  • Deepfakes és szintetikus média
  • A generatív modellekben lévő torzítások detektálása és enyhítése
  • Jogi és etikai megfontolások

Iparág-specifikus alkalmazások

  • Generatív AI az egészségügyben
  • Kreatív iparágak és szórakoztató ipar
  • Generatív AI a tudományos kutatásban

A generatív AI kutatási trendjei

  • Legújabb fejlődéseket és áttörések
  • Nyitott problémák és kutatási lehetőségek
  • Készülés a generatív AI-ban való kutatói pályára

Korszerű projekt

  • Generatív AI alkalmas probléma megkülönböztetése
  • Haladó adathalmaz előkészítés és bővítés
  • Modell kiválasztása, tanítása és finomhangolása
  • Projektek értékelése, iterálása és bemutatása

Összefoglalás és következő lépések

Követelmények

  • Alapvető gépi tanulási fogalmak és algoritmusok ismerete
  • Python programozás tapasztalata és TensorFlow vagy PyTorch alapvető használatának ismerete
  • Neurális hálózatok és mély tanulás elveinek ismerete

Célcsoport

  • Adatszcientisták
  • Gépi tanulási mérnökök
  • AI gyakorlók
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák