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
 21 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie