Kursplan

Gjennomgang av Generative AI Grunnleggende

  • Rask oppsummering av Generative AI konsepter
  • Avanserte applikasjoner og casestudier

Dykk dypt inn i Generative Adversarial Networks (GANs)

  • Dybdestudie av GAN-arkitekturer
  • Teknikker for å forbedre GAN-trening
  • Betingede GAN-er og deres applikasjoner
  • Praktisk prosjekt: Utforming av en kompleks GAN

Advanced Variational Autoencoders (VAEs)

  • Utforske grensene for VAE
  • Usammenfiltrede representasjoner i VAE-er
  • Beta-VAE og deres betydning
  • Praktisk prosjekt: Bygge en avansert VAE

Transformatorer og generative modeller

  • Forstå transformatorarkitekturen
  • Generative Pretrained Transformers (GPT) og BERT for generative oppgaver
  • Finjusteringsstrategier for generative modeller
  • Praktisk prosjekt: Finjustering av en GPT-modell for et spesifikt domene

Diffusjonsmodeller

  • Introduksjon til diffusjonsmodeller
  • Treningsdiffusjonsmodeller
  • Applikasjoner innen bilde- og lydgenerering
  • Hands-on prosjekt: Implementering av en diffusjonsmodell

Reinforcement Learning i Generative AI

  • Grunnleggende læring for forsterkning
  • Integrering av forsterkende læring med generative modeller
  • Applikasjoner innen spilldesign og prosessuell innholdsgenerering
  • Hands-on prosjekt: Lage innhold med forsterkende læring

Avanserte emner i etikk og skjevhet

  • Deepfakes og syntetiske medier
  • Oppdage og redusere skjevheter i generative modeller
  • Juridiske og etiske hensyn

Bransjespesifikke applikasjoner

  • Generative AI i helsevesenet
  • Kreative næringer og underholdning
  • Generative AI i vitenskapelig forskning

Forskningstrender i Generative AI

  • Siste fremskritt og gjennombrudd
  • Åpne problemer og forskningsmuligheter
  • Forbereder seg på en forskerkarriere i Generative AI

Capstone-prosjektet

  • Identifisere et problem som passer for Generative AI
  • Avansert utarbeidelse og utvidelse av datasett
  • Modellvalg, trening og finjustering
  • Evaluering, iterasjon og presentasjon av prosjektet

Sammendrag 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 nevrale nettverk og dyp læring

Publikum

  • Dataforskere
  • Maskinlæringsingeniører
  • AI-utøvere
 21 timer

Antall deltakere



Price per participant

Relaterte kurs

LangChain: Building AI-Powered Applications

14 timer

LangChain Fundamentals

14 timer

Small Language Models (SLMs): Applications and Innovations

14 timer

Small Language Models (SLMs) for Domain-Specific Applications

28 timer

Small Language Models (SLMs): Developing Energy-Efficient AI

21 timer

Small Language Models (SLMs) for Human-AI Interactions

14 timer

Small Language Models (SLMs) for On-Device AI

21 timer

Introduction to Google Gemini AI

14 timer

Google Gemini AI for Content Creation

14 timer

Google Gemini AI for Transformative Customer Service

14 timer

Google Gemini AI for Data Analysis

21 timer

Generative AI with Large Language Models (LLMs)

21 timer

LlamaIndex: Enhancing Contextual AI

14 timer

LlamaIndex: Developing LLM Powered Applications

42 timer

Introduction to Large Language Models (LLMs)

14 timer

Related Categories