План на курса

Преглед на Generative AI Основи

  • Бързо обобщение на Generative AI концепции
  • Разширени приложения и казуси

Задълбочено потапяне в генеративните състезателни мрежи (GAN)

  • Задълбочено проучване на GAN архитектурите
  • Техники за подобряване на GAN обучението
  • Условни GAN и техните приложения
  • Практически проект: Проектиране на сложен GAN

Усъвършенствани вариационни автоенкодери (VAE)

  • Проучване на границите на VAE
  • Разчленени представяния в VAE
  • Бета-VAE и тяхното значение
  • Практически проект: Изграждане на усъвършенстван VAE

Трансформатори и генеративни модели

  • Разбиране на архитектурата на Transformer
  • Генеративни предварително обучени трансформатори (GPT) и BERT за генеративни задачи
  • Стратегии за фина настройка за генеративни модели
  • Практически проект: Фина настройка на GPT модел за конкретен домейн

Дифузионни модели

  • Въведение в дифузионните модели
  • Обучителни дифузионни модели
  • Приложения за генериране на изображения и аудио
  • Практически проект: Прилагане на модел на дифузия

Reinforcement Learning в Generative AI

  • Основи на обучението за засилване
  • Интегриране на обучението за укрепване с генеративни модели
  • Приложения в дизайна на игри и генериране на процедурно съдържание
  • Практически проект: Създаване на съдържание с обучение за засилване

Теми за напреднали по етика и пристрастия

  • Deepfakes и синтетични медии
  • Откриване и смекчаване на пристрастия в генеративни модели
  • Правни и етични съображения

Специфични за индустрията приложения

  • Generative AI в здравеопазването
  • Творчески индустрии и развлечения
  • Generative AI в научни изследвания

Изследователски тенденции в Generative AI

  • Най-новите постижения и пробиви
  • Отворени проблеми и възможности за изследване
  • Подготовка за изследователска кариера в Generative AI

Проект Capstone

  • Идентифициране на проблем, подходящ за Generative AI
  • Разширена подготовка и разширяване на набор от данни
  • Избор на модел, обучение и фина настройка
  • Оценка, итерация и представяне на проекта

Обобщение и следващи стъпки

Изисквания

  • Разбиране на основните концепции и алгоритми за машинно обучение
  • Опит с Python програмиране и основно използване на TensorFlow или PyTorch
  • Запознаване с принципите на невронните мрежи и дълбокото обучение

Публика

  • Учени по данни
  • Инженери за машинно обучение
  • AI практици
 21 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории