Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Przegląd podstaw sztucznej inteligencji generacyjnej
- Szybki przegląd koncepcji sztucznej inteligencji generacyjnej
- Zaawansowane aplikacje i studia przypadku
Szczegółowe omówienie Sieci Generacyjno-Przeciwdziałających (GANs)
- Szczegółowa analiza architektur GANs
- Techniki poprawy szkolenia GANs
- Warunkowe GANs i ich zastosowania
- Projekt praktyczny: Projektowanie złożonej sieci GAN
Zaawansowane Autoenkodery Warunkowe (VAEs)
- Badając granice VAEs
- Rozdzielone reprezentacje w VAEs
- Beta-VAEs i ich znaczenie
- Projekt praktyczny: Budowanie zaawansowanego VAE
Transformatory i modele generacyjne
- Zrozumienie architektury Transformatorów
- Generacyjne Transformatory Pretrenowane (GPT) i BERT dla zadań generacyjnych
- Strategie dopasowywania dla modeli generacyjnych
- Projekt praktyczny: Dopasowywanie modelu GPT do konkretnej dziedziny
Modele dyfuzyjne
- Wprowadzenie do modeli dyfuzyjnych
- Szkolenie modeli dyfuzyjnych
- Zastosowania w generowaniu obrazów i dźwięku
- Projekt praktyczny: Wdrażanie modelu dyfuzyjnego
Ucząc się wzmocnione w sztucznej inteligencji generacyjnej
- Podstawy uczenia się wzmocnionego
- Integrowanie uczenia się wzmocnionego z modelami generacyjnymi
- Zastosowania w projektowaniu gier i generowaniu zawartości proceduralnej
- Projekt praktyczny: Tworzenie zawartości z użyciem uczenia się wzmocnionego
Zaawansowane tematy dotyczące etyki i uprzedzeń
- Deepfakes i media syntetyczne
- Wykrywanie i zwalczanie uprzedzeń w modelach generacyjnych
- Uwagi prawne i etyczne
Zastosowania branżowe
- Sztuczna inteligencja generacyjna w opiece zdrowotnej
- Branże kreacyjne i rozrywka
- Sztuczna inteligencja generacyjna w badaniach naukowych
Trendy badawcze w sztucznej inteligencji generacyjnej
- Najnowsze osiągnięcia i przełomy
- Otwarte problemy i możliwości badawcze
- Przygotowanie do kariery badawczej w dziedzinie sztucznej inteligencji generacyjnej
Projekt końcowy
- Wybór problemu odpowiedniego dla sztucznej inteligencji generacyjnej
- Zaawansowane przygotowanie i augmentacja zbioru danych
- Wybór modelu, szkolenie i dopasowywanie
- Ocenianie, iterowanie i prezentowanie projektu
Podsumowanie i kolejne kroki
Wymagania
- Zrozumienie podstawowych pojęć i algorytmów uczenia maszynowego
- Doświadczenie w programowaniu w języku Python i podstawowe użycie TensorFlow lub PyTorch
- Zapoznanie z zasadami sieci neuronowych i uczenia głębokiego
Grupa docelowa
- Naukowcy ds. danych
- Inżynierowie uczenia maszynowego
- Specjaliści od sztucznej inteligencji
21 godzin