Съдържание и теми, включени в курса
Преговор на основите на генеративния ИИ
- Бърз обзор на концепциите за генеративен ИИ
- Напреднали приложения и казуси
Задълбочено разглеждане на генеративните състезателни мрежи (GAN)
- Детайлно изучаване на GAN архитектури
- Техники за подобряване на обучението на GAN
- Условни GAN и техните приложения
- Практически проект: проектиране на сложен GAN
Напреднали вариационни автокодери (VAE)
- Изследване на границите на VAE
- Разграничени представяния във VAE
- Бета-VAE и тяхното значение
- Практически проект: изграждане на напреднал VAE
Transformer и генеративни модели
- Разбиране на архитектурата Transformer
- Генеративни предварително обучени трансформери (GPT) и BERT за генеративни задачи
- Стратегии за фина настройка на генеративни модели
- Практически проект: фина настройка на GPT модел за специфична област
Дифузионни модели
- Въведение в дифузионните модели
- Обучение на дифузионни модели
- Приложения в генерирането на изображения и аудио
- Практически проект: внедряване на дифузионен модел
Учене с подсилване в генеративния ИИ
- Основи на ученето с подсилване
- Интегриране на учене с подсилване с генеративни модели
- Приложения в дизайна на игри и процедурното генериране на съдържание
- Практически проект: създаване на съдържание с учене с подсилване
Напреднали теми за етика и пристрастност
- Дийпфейкове и синтетични медии
- Откриване и смекчаване на пристрастността в генеративните модели
- Правни и етични съображения
Специфични за индустрията приложения
- Генеративен ИИ в здравеопазването
- Творчески индустрии и развлечения
- Генеративен ИИ в научни изследвания
Изследователски тенденции в генеративния ИИ
- Най-нови постижения и пробиви
- Отворени проблеми и възможности за изследване
- Подготовка за изследователска кариера в генеративния ИИ
Заключителен проект
- Идентифициране на проблем, подходящ за генеративен ИИ
- Напреднала подготовка и обогатяване на данни
- Избор на модел, обучение и фина настройка
- Оценка, итерация и презентация на проекта
Обобщение и следващи стъпки
Изисквания
- Разбиране на фундаментални концепции и алгоритми за машинно обучение
- Опит с програмиране на Python и основна употреба на TensorFlow или PyTorch
- Запознатост с принципите на невронните мрежи и дълбокото обучение
Аудитория
- Специалисти по данни
- Инженери по машинно обучение
- Практици в областта на ИИ
Отзиви от участници (2)
Интерактивният стил, упражненията
Tamas Tutuntzisz
Курс - Introduction to Prompt Engineering
Машинен превод
Отличен събир на ресурси за бъдещо ползване, стил на преподавателя (пълен с добър чувството за хумор, великолепен ниво на детайлnost)
Adam - GE Aerospace Poland Sp. z o.o.
Курс - Prompt Engineering for ChatGPT
Машинен превод