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

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier