Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Gjennomgang av grunnleggende generativ AI
- Kort oppsummering av generative AI-konsepter
- Avanserte anvendelser og case studies
Dypt dykk i generative antagonistiske nettverk (GANs)
- Dybdeundersøkelse av GAN-arkitekturer
- Teknikker for å forbedre GAN-trening
- Betingede GANs og deres anvendelser
- Praktisk prosjekt: Utforming av et komplekst GAN
Avanserte variasjonelle autoenkodere (VAEs)
- Undersøkelse av grensene for VAEs
- Løstkoblede representasjoner i VAEs
- Beta-VAEs og deres betydning
- Praktisk prosjekt: Bygging av en avansert VAE
Transformere og generative modeller
- Forståelse av Transformer-arkitekturen
- Generative Pretrained Transformers (GPT) og BERT for generative oppgaver
- Strategier for finjustering av generative modeller
- Praktisk prosjekt: Finjustering av en GPT-modell for et spesifikt felt
Diffusjonsmodeller
- Innføring i diffusjonsmodeller
- Trening av diffusjonsmodeller
- Anvendelser innen bilde- og lydgenerering
- Praktisk prosjekt: Implementering av en diffusjonsmodell
Forsterkende læring i generativ AI
- Grunnleggende forsterkende læring
- Integrering av forsterkende læring med generative modeller
- Anvendelser innen spillutvikling og generering av prosedyralt innhold
- Praktisk prosjekt: Skapelse av innhold med forsterkende læring
Avanserte emner i etikk og bias
- Deepfakes og syntetisk media
- Oppdagelse og avhjelping av bias i generative modeller
- Juridiske og etiske overveielser
Branchespesifikke anvendelser
- Generativ AI innen helsevesen
- Kreative næringer og underholdning
- Generativ AI innen vitenskapelig forskning
Forskningsretninger innen generativ AI
- Seneste fremskritt og gjennombrudd
- Åpne problemer og forskningsmuligheter
- Forberedelse for en forskningskarriere innen generativ AI
Hovedprosjekt
- Identifisering av et problem som er egnet for generativ AI
- Avansert datapreparering og augmentering
- Modellvalg, trening og finjustering
- Vurdering, iterasjon og presentasjon av prosjektet
Oppsummering og neste trinn
Krav
- En forståelse av grunnleggende maskinlæringskonsepter og algoritmer
- Erfaring med Python-programmering og grunnleggende bruk av TensorFlow eller PyTorch
- Kjennskap til prinsippene for neuronnettverk og dyplærings
Målgruppe
- Dataforskere
- Maskinlæringsingeniører
- AI-praktikere
21 timer