Свържете се с нас

Съдържание и теми, включени в курса

Въведение в генеративния ИИ

  • Какво е генеративен ИИ?
  • История и еволюция на генеративния ИИ
  • Ключови концепции и терминология
  • Преглед на приложенията и потенциала на генеративния ИИ

Основи на машинното самообучение

  • Въведение в машинното самообучение
  • Видове машинно самообучение: Обучение с учител, без учител и с подсилване
  • Основни алгоритми и модели
  • Предварителна обработка на данни и инженеринг на признаци

Основи на дълбокото обучение

  • Невронни мрежи и дълбоко обучение
  • Функции за активиране, функции на загуба и оптимизатори
  • Прекалено напасване, недостатъчно напасване и техники за регуляризация
  • Въведение в TensorFlow и PyTorch

Преглед на генеративните модели

  • Видове генеративни модели
  • Разлики между дискриминативни и генеративни модели
  • Случаи на употреба на генеративни модели

Вариационни автоенкодери (VAEs)

  • Разбиране на автоенкодерите
  • Архитектура на VAEs
  • Латентно пространство и неговото значение
  • Практически проект: Изграждане на прост VAE

Генеративни състезателни мрежи (GANs)

  • Въведение в GANs
  • Архитектура на GANs: Генератор и Дискриминатор
  • Обучение на GANs и предизвикателства
  • Практически проект: Създаване на базов GAN

Усъвършенствани генеративни модели

  • Въведение в трансформър моделите
  • Преглед на GPT (Generative Pretrained Transformer) моделите
  • Приложения на GPT в генерирането на текст
  • Практически проект: Генериране на текст с предварително обучен GPT модел

Етика и импликации

  • Етични съображения в генеративния ИИ
  • Пристрастност и справедливост в ИИ моделите
  • Бъдещи импликации и отговорен ИИ

Индустриални приложения на генеративния ИИ

  • Генеративен ИИ в изкуството и креативността
  • Приложения в бизнеса и маркетинга
  • Генеративен ИИ в науката и изследванията

Капстон проект

  • Идейна концепция и предложение за проект с генеративен ИИ
  • Събиране и предварителна обработка на набор от данни
  • Избор и обучение на модел
  • Оценка и представяне на резултатите

Обобщение и следващи стъпки

Изисквания

  • Разбиране на основни концепции за програмиране на Python
  • Опит с основни математически концепции, особено вероятности и линейна алгебра

Аудитория

  • Разработчици
 14 Часа

Брой участници


Цена за участник

Отзиви от участници (2)

Предстоящи Курсове

Свързани Kатегории