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
Referanser (3)
En grundig forståelse av bakgrunnen; hvordan man lager en prompt.
Olaf Kannt - Helios Klinikum Krefeld
Kurs - Generative AI and Prompt Engineering in Healthcare
Maskinoversatt
de tips og anbefalte prompter som vi kan ta med oss fra denne opplæringen
Lee Mei Lin - ST Engineering IHQ Pte Ltd
Kurs - InVideo AI: Creating Engaging Short-Form Videos
Maskinoversatt
bruk av tilstrekkelig og effektiv prompt
Marses Pacaldo
Kurs - Generative AI and Prompt Engineering for Corporate Professionals
Maskinoversatt