Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.        
        
        
            Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.        
    Kursplan
Introduktion till Generativ AI
- Vad är generativ AI?
- Historia och utveckling av generativ AI
- Nyckelbegrepp och terminologi
- Översikt över tillämpningar och potentialen för generativ AI
Grundläggande machine learning
- Introduktion till maskininlärning
- Typer av maskininlärning: Övervakad, oövervakad och förstärkningsinlärning
- Grundläggande algoritmer och modeller
- Datapreprocessing och feature engineering
Grundläggande djupinlärning
- Neuronnätverk och djupinlärning
- Aktiveringsfunktioner, förlustfunktioner och optimerare
- Overfitting, underfitting och regulariserings tekniker
- 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
- Latent utrymme och dess betydelse
- Projekt i praktik: Bygg en enkel VAE
Generative Adversarial Networks (GANs)
- Introduktion till GANs
- Arkitekturen för GANs: Generator och Discriminator
- Träningsmetoder för GANs och utmaningar
- Projekt i praktik: Skapa en grundläggande GAN
Avancerade generativa modeller
- Introduktion till Transformer-modeller
- Översikt över GPT (Generative Pretrained Transformer) modeller
- Tillämpningar av GPT i textgenerering
- Projekt i praktik: Textgenerering med en förut tränad GPT-modell
Etik och implikationer
- Etiska överväganden i generativ AI
- Bias och rättvisa i AI-modeller
- Framtidens implikationer och ansvarsfull AI
Industrietillämpningar av generativ AI
- Generativ AI i konst och kreativitet
- Tillämpningar inom företag och marknadsföring
- Generativ AI i vetenskap och forskning
Slutexamensprojekt
- Idéutveckling och förslag på ett generativt AI-projekt
- Datainsamling och preprocessing
- Modellval och träningsprocess
- Utvärdering och presentation av resultat
Sammanfattning och nästa steg
Krav
- Förmåga att förstå grundläggande programmeringskoncept i Python
- Erfarenhet av grundläggande matematiska koncept, särskilt sannolikhet och linjär algebra
Målgrupp
- Utvecklare
             14 timmar
        
        
