Plan du cours
Résumé des bases de l'IA générative
- Rappel rapide des concepts de l'IA générative
- Applications avancées et études de cas
Plongée approfondie dans les réseaux antagonistes génératifs (GAN)
- Étude approfondie des architectures GAN
- Techniques pour améliorer l'entraînement des GAN
- GAN conditionnels et leurs applications
- Projet pratique : Concevoir un GAN complexe
Autoencodeurs variationnels avancés (VAE)
- Exploration des limites des VAE
- Représentations désentrelacées dans les VAE
- Beta-VAE et leur importance
- Projet pratique : Construire un VAE avancé
Transformateurs et modèles génératifs
- Compréhension de l'architecture Transformer
- Transformers pré-entraînés génératifs (GPT) et BERT pour les tâches génératives
- Stratégies de réglage fin pour les modèles génératifs
- Projet pratique : Réglage fin d'un modèle GPT pour un domaine spécifique
Modèles de diffusion
- Introduction aux modèles de diffusion
- Entraînement des modèles de diffusion
- Applications dans la génération d'images et d'audio
- Projet pratique : Implémenter un modèle de diffusion
Apprentissage par renforcement dans l'IA générative
- Fondamentaux de l'apprentissage par renforcement
- Intégration de l'apprentissage par renforcement avec les modèles génératifs
- Applications dans la conception de jeux et la génération de contenu procédural
- Projet pratique : Créer du contenu avec l'apprentissage par renforcement
Sujets avancés en matière d'éthique et de biais
- Deepfakes et médias synthétiques
- Détection et atténuation des biais dans les modèles génératifs
- Considérations légales et éthiques
Applications spécifiques au secteur
- IA générative dans les soins de santé
- Industries créatives et divertissement
- IA générative dans la recherche scientifique
Tendances de recherche en IA générative
- Dernières avancées et percées
- Problèmes ouverts et opportunités de recherche
- Préparation à une carrière de recherche en IA générative
Projet final
- Identification d'un problème adapté à l'IA générative
- Préparation avancée et augmentation des ensembles de données
- Sélection du modèle, entraînement et réglage fin
- Évaluation, itération et présentation du projet
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts fondamentaux de l'apprentissage automatique et des algorithmes
- De l'expérience avec la programmation Python et l'utilisation de base de TensorFlow ou PyTorch
- Une familiarité avec les principes des réseaux neuronaux et de l'apprentissage profond
Public cible
- Scientifiques des données
- Ingénieurs en apprentissage automatique
- Professionnels de l'IA
Nos clients témoignent (2)
Le style interactif, les exercices
Tamas Tutuntzisz
Formation - Introduction to Prompt Engineering
Traduction automatique
Une excellente collection de ressources pour un usage futur, le style de l'enseignant (plein d'humour et de détails pertinents)
Adam - GE Aerospace Poland Sp. z o.o.
Formation - Prompt Engineering for ChatGPT
Traduction automatique