Kurzusleírás

A Generative AI alapok áttekintése

  • Gyors összefoglaló Generative AI fogalomról
  • Haladó alkalmazások és esettanulmányok

Mély merülés a generatív ellenséges hálózatokban (GAN)

  • A GAN architektúrák mélyreható tanulmányozása
  • Technikák a GAN képzés javítására
  • Feltételes GAN-ok és alkalmazásaik
  • Gyakorlati projekt: Komplex GAN tervezése

Fejlett variációs automatikus kódolók (VAE)

  • A VAE határainak feltárása
  • Szétválasztott ábrázolások VAE-ben
  • A béta-VAE-k és jelentőségük
  • Gyakorlati projekt: Fejlett VAE építése

Transzformátorok és generatív modellek

  • A Transformer architektúra megértése
  • Generatív előképzett transzformátorok (GPT) és BERT generatív feladatokhoz
  • Finomhangolási stratégiák generatív modellekhez
  • Gyakorlati projekt: GPT-modell finomhangolása egy adott tartományhoz

Diffúziós modellek

  • Bevezetés a diffúziós modellekbe
  • Képzési diffúziós modellek
  • Alkalmazások kép- és hanggenerálásban
  • Gyakorlati projekt: diffúziós modell megvalósítása

Reinforcement Learning itt: Generative AI

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

Haladó témák az etikában és az elfogultságban

  • Deep hamisítványok és szintetikus adathordozók
  • A torzítás észlelése és enyhítése generatív modellekben
  • Jogi és etikai megfontolások

Iparspecifikus alkalmazások

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

Kutatási trendek itt: Generative AI

  • A legújabb fejlesztések és áttörések
  • Nyitott problémák és kutatási lehetőségek
  • Felkészülés kutatói karrierre itt: Generative AI

Capstone projekt

  • A Generative AI számára megfelelő probléma azonosítása
  • Fejlett adatkészlet-előkészítés és -kiegészítés
  • Modellválasztás, betanítás és finomhangolás
  • A projekt értékelése, iterációja és bemutatása

Összegzés és a következő lépések

Követelmények

  • Az alapvető gépi tanulási koncepciók és algoritmusok megértése
  • Python programozási tapasztalat és TensorFlow vagy PyTorch alapszintű használata
  • A neurális hálózatok és a mély tanulás elveinek ismerete

Közönség

  • Adattudósok
  • Gépi tanulási mérnökök
  • AI gyakorlók
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák