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

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier