Kursplan

Genomgång av Grundläggande Generativ AI

  • Snabb översyn av Generativ AI-koncept
  • Avancerade tillämpningar och fallstudier

Djupdykning i Generativa Motståndsnätverk (GANs)

  • Djupgående studie av GAN-arkitekturer
  • Tekniker för att förbättra GAN-träning
  • Konditionella GANs och deras tillämpningar
  • Projekt: Utformning av ett komplext GAN

Avancerade Variationsautokodare (VAEs)

  • Utforskning av VAEs gränser
  • Disentangled representationer i VAEs
  • Beta-VAEs och deras betydelse
  • Projekt: Bygga en avancerad VAE

Transformers och Generativa Modeller

  • Förståelse för Transformer-arkitekturen
  • Generativa förtränade Transformers (GPT) och BERT för generativa uppgifter
  • Finjusteringsstrategier för generativa modeller
  • Projekt: Finjustering av en GPT-modell för ett specifikt område

Diffusionsmodeller

  • Introduktion till diffusionsmodeller
  • Träning av diffusionsmodeller
  • Tillämpningar inom bild- och ljudgenerering
  • Projekt: Implementering av en diffusionsmodell

Förstärkningsinlärning i Generativ AI

  • Grunderna i förstärkningsinlärning
  • Integrering av förstärkningsinlärning med generativa modeller
  • Tillämpningar inom spelutveckling och proceduralt innehållsskapande
  • Projekt: Skapa innehåll med förstärkningsinlärning

Avancerade ämnen i etik och bias

  • Deepfakes och syntetiskt media
  • Identifiering och minimering av bias i generativa modeller
  • Rättsliga och etiska överväganden

Branschspecifika tillämpningar

  • Generativ AI inom hälsosjukvården
  • Kreativa branscher och underhållning
  • Generativ AI inom vetenskaplig forskning

Forskningstrender inom Generativ AI

  • Senaste framsteg och genombrott
  • Öppna problem och forskningsmöjligheter
  • Förberedelser för en forskningskarriär inom Generativ AI

Kapitalkursprojekt

  • Identifiering av ett problem lämpligt för Generativ AI
  • Avancerad datasetförberedelse och utökning
  • Modellval, träning och finjustering
  • Utvärdering, iterering och presentation av projektet

Sammanfattning och nästa steg

Krav

  • Förmåga att förstå grundläggande maskininlärningskoncept och algoritmer
  • Erfarenhet av Python-programmering och grundläggande användning av TensorFlow eller PyTorch
  • Kännedom om principer för neuronnät och djupinlärning

Målgrupp

  • Datavetare
  • Maskininlärningsingenjörer
  • AI-praktiker
 21 timmar

Antal deltagare


Pris per deltagare

Vittnesmål (1)

Kommande Kurser

Relaterade Kategorier