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

Antal deltagare



Price per participant

Relaterade Kurser

Relaterade Kategorier

1