Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Granskning av Generative AI Basics
- Snabb sammanfattning av Generative AI koncept
- Avancerade tillämpningar och fallstudier
Djupdykning i generativa kontradiktoriska nätverk (GAN)
- Fördjupad studie av GAN-arkitekturer
- Tekniker för att förbättra GAN-träningen
- Villkorade GAN och deras tillämpningar
- Praktiskt projekt: Designa ett komplext GAN
Avancerade variationella autokodare (VAE)
- Utforska gränserna för VAE
- Lösryckta representationer i VAE
- Beta-VAE och deras betydelse
- Praktiskt projekt: Att bygga en avancerad VAE
Transformatorer och generativa modeller
- Förstå Transformer-arkitekturen
- Generative Pretrained Transformers (GPT) och BERT för generativa uppgifter
- Finjustera strategier för generativa modeller
- Praktiskt projekt: Finjustera en GPT-modell för en specifik domän
Diffusion Modeller
- Introduktion till diffusionsmodeller
- Träna diffusionsmodeller
- Tillämpningar inom bild- och ljudgenerering
- Praktiskt projekt: Implementering av en diffusionsmodell
Reinforcement Learning i Generative AI
- Grunderna i förstärkt inlärning
- Integrera förstärkningsinlärning med generativa modeller
- Tillämpningar inom speldesign och generering av processuellt innehåll
- Praktiskt projekt: Skapa innehåll med förstärkningsinlärning
Avancerade ämnen inom etik och partiskhet
- Deepfakes och syntetiska medier
- Upptäcka och mildra bias i generativa modeller
- Juridiska och etiska överväganden
Branschspecifika tillämpningar
- Generative AI inom hälso- och sjukvården
- Kreativa näringar och underhållning
- Generative AI inom vetenskaplig forskning
Forskningstrender i Generative AI
- De senaste framstegen och genombrotten
- Öppna problem och forskningsmöjligheter
- Att förbereda sig för en forskarkarriär i Generative AI
Capstone-projektet
- Identifiera ett problem som är lämpligt för Generative AI
- Avancerad förberedelse och förstärkning av datauppsättningar
- Modellval, träning och finjustering
- Utvärdering, iteration och presentation av projektet
Sammanfattning och nästa steg
Krav
- En förståelse för grundläggande maskininlärningskoncept och algoritmer
- Erfarenhet av Python programmering och grundläggande användning av TensorFlow eller PyTorch
- Kännedom om principerna för neurala nätverk och djupinlärning
Publik
- Datavetare
- Ingenjörer inom maskininlärning
- AI-utövare
21 timmar