Kursplan

Introduktion till Generativ AI

  • Vad är Generativ AI?
  • Historik och utveckling av Generativ AI
  • Nyckelbegrepp och terminologi
  • Översikt över tillämpningar och potential för Generativ AI

Grundläggande maskininlärning

  • Introduktion till maskininlärning
  • Typer av maskininlärning: Övervakad, oövervakad och förstärkande inlärning
  • Grundläggande algoritmer och modeller
  • Databearbetning och funktionsegenskapande

Grundläggande djupinlärning

  • Neuronnät och djupinlärning
  • Aktiveringsfunktioner, förlustfunktioner och optimerare
  • Överanpassning, underanpassning och regleringstekniker
  • Introduktion till TensorFlow och PyTorch

Översikt över generativa modeller

  • Typer av generativa modeller
  • Skillnader mellan diskriminativa och generativa modeller
  • Användningsområden för generativa modeller

Variational Autoencoders (VAEs)

  • Förståelse av autoencoders
  • Arkitekturen för VAEs
  • Lattentrummet och dess betydelse
  • Hands-on-projekt: Bygga en enkel VAE

Generative Adversarial Networks (GANs)

  • Introduktion till GANs
  • Arkitekturen för GANs: Generator och Diskriminator
  • Träning av GANs och utmaningar
  • Hands-on-projekt: Skapa en grundläggande GAN

Avancerade generativa modeller

  • Introduktion till Transformer-modeller
  • Översikt över GPT (Generative Pretrained Transformer) modeller
  • Tillämpningar av GPT i textgenerering
  • Hands-on-projekt: Textgenerering med en förtränad GPT-modell

Etik och konsekvenser

  • Etiska överväganden inom Generativ AI
  • Fördomar och rättvisa i AI-modeller
  • Framtida konsekvenser och ansvarsfull AI

Industritillämpningar av Generativ AI

  • Generativ AI inom konst och kreativitet
  • Tillämpningar inom företag och marknadsföring
  • Generativ AI inom vetenskap och forskning

Kapitelprojekt

  • Idéer och förslag för ett generativt AI-projekt
  • Datainsamling och bearbetning
  • Modellval och träning
  • Utvärdering och presentation av resultat

Sammanfattning och nästa steg

Krav

  • Grundläggande förståelse för programmeringskoncept i Python
  • Erfarenhet av grundläggande matematiska koncept, särskilt sannolikhet och linjär algebra

Målgrupp

  • Utvecklare
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier