Plan Szkolenia
Przegląd podstaw Generative AI
- Szybkie przypomnienie koncepcji Generative AI
- Zaawansowane zastosowania i studia przypadków
Szczegółowe omówienie Generative Adversarial Networks (GANs)
- Dogłębna analiza architektur GAN
- Techniki poprawiające trening GAN
- Warunkowe GAN i ich zastosowania
- Projekt praktyczny: Projektowanie złożonego GAN
Zaawansowane Variational Autoencoders (VAEs)
- Badanie granic VAE
- Rozplątane reprezentacje w VAE
- Beta-VAE i ich znaczenie
- Projekt praktyczny: Budowanie zaawansowanego VAE
Transformery i modele generatywne
- Zrozumienie architektury Transformer
- Generative Pretrained Transformers (GPT) i BERT w zadaniach generatywnych
- Strategie dostosowywania modeli generatywnych
- Projekt praktyczny: Dostosowywanie modelu GPT do konkretnej domeny
Modele dyfuzyjne
- Wprowadzenie do modeli dyfuzyjnych
- Trening modeli dyfuzyjnych
- Zastosowania w generowaniu obrazów i dźwięku
- Projekt praktyczny: Implementacja modelu dyfuzyjnego
Uczenie ze wzmocnieniem w Generative AI
- Podstawy uczenia ze wzmocnieniem
- Integracja uczenia ze wzmocnieniem z modelami generatywnymi
- Zastosowania w projektowaniu gier i generowaniu treści proceduralnych
- Projekt praktyczny: Tworzenie treści z wykorzystaniem uczenia ze wzmocnieniem
Zaawansowane tematy etyki i błędów
- Deepfakes i media syntetyczne
- Wykrywanie i łagodzenie błędów w modelach generatywnych
- Rozważania prawne i etyczne
Zastosowania branżowe
- Generative AI w ochronie zdrowia
- Branże kreatywne i rozrywkowe
- Generative AI w badaniach naukowych
Trendy badawcze w Generative AI
- Najnowsze osiągnięcia i przełomy
- Otwarte problemy i możliwości badawcze
- Przygotowanie do kariery badawczej w Generative AI
Projekt końcowy
- Identyfikacja problemu odpowiedniego dla Generative AI
- Zaawansowane przygotowanie i augmentacja zbioru danych
- Wybór modelu, trening i dostosowanie
- Ocena, iteracja i prezentacja projektu
Podsumowanie i kolejne kroki
Wymagania
- Zrozumienie podstawowych koncepcji i algorytmów uczenia maszynowego
- Doświadczenie w programowaniu w Pythonie oraz podstawowa znajomość TensorFlow lub PyTorch
- Znajomość zasad działania sieci neuronowych i uczenia głębokiego
Grupa docelowa
- Data scientist
- Inżynierowie uczenia maszynowego
- Praktycy AI
Opinie uczestników (2)
Interaktywny styl, ćwiczenia
Tamas Tutuntzisz
Szkolenie - Introduction to Prompt Engineering
Przetłumaczone przez sztuczną inteligencję
Wspaniały zasób materiałów do przyszłego wykorzystania, styl prowadzącego (wybucha dobrym humorem, wysoki poziom szczegółowości)
Adam - GE Aerospace Poland Sp. z o.o.
Szkolenie - Prompt Engineering for ChatGPT
Przetłumaczone przez sztuczną inteligencję