Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Generatív AI alapjai áttekintése
- Gyors áttekintés a generatív AI fogalmairól
- Haladó alkalmazások és esettanulmányok
Mélybelek Generatív Antagonista Hálózatokba (GANs)
- GAN architektúrák részletes tanulmánya
- Technikák a GAN-tanítás javítására
- Feltételes GAN-ok és alkalmazásaik
- Gyakorlati projekt: komplex GAN tervezése
Haladó Variációs Autoencoder (VAE) módszerek
- VAE-k határainak feltárása
- VAE-k diszjunkt reprezentációi
- Beta-VAE-k és jelentőségük
- Gyakorlati projekt: előrehaladott VAE építése
Transzformátorok és generatív modellek
- A Transzformátor architektúra megértése
- Generatív Pretrained Transzformátorok (GPT) és BERT generatív feladatokra
- Haladó finomhangolási stratégiák generatív modellhez
- Gyakorlati projekt: GPT modell finomhangolása egy adott területre
Diffúziós modell
- Diffúziós modell bemutatása
- Diffúziós modell tanítása
- Kép és hang generálás alkalmazásai
- Gyakorlati projekt: diffúziós modell megvalósítása
Erősítési tanulás generatív AI-ben
- Erősítési tanulás alapjai
- Erősítési tanulás generatív modell integrációja
- Alkalmazások játéktervezésben és procedurális tartalom generálásban
- Gyakorlati projekt: tartalom létrehozása erősítési tanulással
Haladó témák etikában és eltorzításban
- Deepfakes és szintetikus média
- Eltorzítások érzékelése és csökkentése generatív modellben
- Jogi és etikai szempontok
Ipari alkalmazások
- Generatív AI az egészségügyben
- Kreatív ipar és szórakoztatás
- Generatív AI a tudományos kutatásban
Kutatási trendek generatív AI-ben
- Legutóbbi előrehaladások és áttörések
- Nyitott problémák és kutatási lehetőségek
- Készülődés egy generatív AI kutatási pályafutásra
Összegzés és következő lépések
Generatív AI haladó szint
Generatív AI egy izgalmas és gyorsan fejlődő terület, amely új, szintetikus adatpéldányok létrehozására koncentrál, amelyek valós adatoknak tűnnek. Ez az oktatóvezetett, élő tanfolyam (online vagy előszobában) az átlagos és haladó szintű adattudósok, gépes tanulási mérnökök és AI szakemberek számára van szántva, akik meg szeretnék tanulmányozni a komplex generatív modelleket és alkalmazásaikat különböző iparágakban. A tanfolyam végén a résztvevők képesek lesznek: Haladó generatív modell implementálására és tanítására, beleértve a GAN-ok, VAE-k és diffúziós modelleket. A Transzformátor architektúrát megértik és alkalmazzák generatív feladatokban. A Generatív AI etikai következményeit és kihívásait vizsgálják. Haladó generatív technikákat alkalmaznak valós világbeli problémák megoldására különböző iparágakban. Naprakészek maradnak a Generatív AI kutatási trendjeiben és jövőbeli irányokban.A kurzus formája: Interaktív előadás és vita. Sokat gyakorolnak és gyakorolnak. Gyakorlati megvalósítás élő laboratóriumi környezetben.Kurzus testreszabási lehetőségek: Testreszabott képzés erre a kurzusra kéréséhez kérjük, lépjen kapcsolatba velünk. Az alapvető gépes tanulás fogalmainak és algoritmusainak megértése. Python programozási tapasztalat és TensorFlow vagy PyTorch alapvető használata. Az ideghálózatok és mélységi tanulás alapelvei.Célközönség: Adattudósok Gépes tanulási mérnökök AI szakemberekEz az oktatóvezetett, élő tanfolyam <loc> (online vagy helyszínen) az átlagos és haladó szintű adattudósok, gépes tanulási mérnökök és AI szakemberek számára van szántva, akik meg szeretnék tanulmányozni a komplex generatív modelleket és alkalmazásaikat különböző iparágakban. A tanfolyam végén a résztvevők képesek lesznek: Haladó generatív modell implementálására és tanítására, beleértve a GAN-ok, VAE-k és diffúziós modelleket. A Transzformátor architektúrát megértik és alkalmazzák generatív feladatokban. A Generatív AI etikai következményeit és kihívásait vizsgálják. Haladó generatív technikákat alkalmaznak valós világbeli problémák megoldására különböző iparágakban. Naprakészek maradnak a Generatív AI kutatási trendjeiben és jövőbeli irányokban.Követelmények
- Az alapvető gépi tanulási fogalmak és algoritmusok megértése
- Python programozási tapasztalat és TensorFlow vagy PyTorch alapvető használata
- Ismeret a neurális hálózatok és mélytanulás elveiről
Célközönség
- Adattudósok
- Gépi tanulási mérnökök
- AI gyakorlók
21 Órák