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 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