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

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie