Plan Szkolenia

Wprowadzenie do sztucznej inteligencji generatywnej

  • Co to jest sztuczna inteligencja generatywna?
  • Historia i ewolucja sztucznej inteligencji generatywnej
  • Kluczowe koncepcje i terminologia
  • Przegląd zastosowań i potencjału sztucznej inteligencji generatywnej

Podstawy uczenia maszynowego

  • Wprowadzenie do uczenia maszynowego
  • Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane i uczenie z wzmocnieniem
  • Podstawowe algorytmy i modele
  • Przygotowanie danych i inżynieria cech

Podstawy uczenia głębokiego

  • Sieci neuronowe i uczenie głębokie
  • Funkcje aktywacji, funkcje strat i optymalizatory
  • Przeuczenie, niedouczenie i techniki regularyzacji
  • Wprowadzenie do TensorFlow i PyTorch

Przegląd modeli generatywnych

  • Rodzaje modeli generatywnych
  • Różnice między modelami dyskryminacyjnymi i generatywnymi
  • Zastosowania modeli generatywnych

Autoenkodery zmiennoprzestrzenne (VAEs)

  • Zrozumienie autoenkoderów
  • Architektura VAEs
  • Przestrzeń ukryta i jej znaczenie
  • Projekt praktyczny: Budowa prostego VAEs

Sieci antagonistyczne generatywne (GANs)

  • Wprowadzenie do GANs
  • Architektura GANs: Generator i dyskryminator
  • Trenowanie GANs i wyzwania
  • Projekt praktyczny: Tworzenie podstawowego GAN

Zaawansowane modele generatywne

  • Wprowadzenie do modeli Transformer
  • Przegląd modeli GPT (Generative Pretrained Transformer)
  • Zastosowania GPT w generacji tekstu
  • Projekt praktyczny: Generowanie tekstu z użyciem wstępnie przetrenowanego modelu GPT

Etyka i implikacje

  • Rozszerzenia etyczne w sztucznej inteligencji generatywnej
  • Uprzedzenia i sprawiedliwość w modelach AI
  • Przyszłe implikacje i odpowiedzialne AI

Zastosowania w przemyśle sztucznej inteligencji generatywnej

  • Sztuczna inteligencja generatywna w sztuce i kreatywności
  • Zastosowania w biznesie i marketingu
  • Sztuczna inteligencja generatywna w nauce i badaniach

Projekt końcowy

  • Koncepcja i propozycja projektu sztucznej inteligencji generatywnej
  • Zbieranie i przygotowanie zbiorów danych
  • Wybór i trening modelu
  • Ocena i prezentacja wyników

Podsumowanie i następne kroki

Wymagania

  • Znajomość podstawowych pojęć z zakresu programowania w Pythonie
  • Doświadczenie z podstawowymi pojęciami matematycznymi, szczególnie z zakresu rachunku prawdopodobieństwa i algebry liniowej

Grupa docelowa

  • Programiści
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie