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
Översikt över generativ AI: grunderna
- Snabb genomgång av generativa AI-koncept
- Avancerade tillämpningar och fallstudier
Djuplodande undersökning av generativa motspelsnätverk (GANs)
- Djupgående studie av GAN-arkitekturer
- Tekniker för att förbättra GAN-träning
- Villkorliga GANs och deras tillämpningar
- Händer-på-projekt: Design av ett komplext GAN
Avancerade variationala autoencoders (VAEs)
- Undersökning av VAEs gränser
- Upplösta representationer i VAEs
- Beta-VAEs och deras betydelse
- Händer-på-projekt: Byggande av en avancerad VAE
Transformers och generativa modeller
- Förståelse av Transformer-arkitekturen
- Generativa förtränade Transformers (GPT) och BERT för generativa uppgifter
- Finjusteringstekniker för generativa modeller
- Händer-på-projekt: Finjustering av en GPT-modell för ett specifikt område
Diffusion Modeller
- Introduktion till diffusion modeller
- Träning av diffusion modeller
- Tillämpningar inom bild- och ljudgenerering
- Händer-på-projekt: Implementering av en diffusion modell
Förstärkning av lärande i generativ AI
- Grunderna i förstärkning av lärande
- Integration av förstärkning av lärande med generativa modeller
- Tillämpningar inom speldesign och procedurgenererad innehåll
- Händer-på-projekt: Skapande av innehåll med förstärkning av lärande
Avancerade ämnen i etik och fördomar
- Deepfakes och syntetiskt media
- Upptäckande och minskande av fördomar i generativa modeller
- Lagliga och etiska överväganden
Branschspecifika tillämpningar
- Generativ AI inom hälsovård
- Kreativa industrier och underhållning
- Generativ AI inom vetenskaplig forskning
Forskningstrender inom generativ AI
- Senaste framsteg och genombrott
- Öppna problem och forskningsmöjligheter
- Förberedelse för en forskarkarriär inom generativ AI
Avslutningsprojekt
- Identifiering av ett problem lämpligt för generativ AI
- Avancerad förberedelse och förstärkning av datamängder
- Val, träning och finjustering av modeller
- Utvärdering, iteration och presentation av projektet
Sammanfattning och nästa steg
Krav
- Förståelse för grundläggande maskininlärningskoncept och algoritmer
- Erfarenhet av Python-programmering och grundläggande användning av TensorFlow eller PyTorch
- Bekantskap med principerna för neurala nätverk och djupinlärning
Målgrupp
- Datavetare
- Maskininlärningsingenjörer
- AI-praktiker
21 timmar