Plan du cours

Révision des Generative AI principes de base

  • Récapitulation rapide des concepts Generative AI
  • Applications avancées et études de cas

Plongée dans les réseaux adversoriels génératifs (GAN)

  • Étude approfondie des architectures GAN
  • Techniques pour améliorer la formation des GAN
  • Les GAN conditionnels et leurs applications
  • Projet pratique : Conception d'un GAN complexe

Autoencodeurs variationnels avancés (VAE)

  • Exploration des limites des VAE
  • Représentations démêlées dans les VAE
  • Bêta-VAEs et leur signification
  • Projet pratique : Construction d'un VAE avancé

Transformateurs et modèles génératifs

  • Comprendre l'architecture des transformateurs
  • Transformateurs génératifs pré-entraînés (GPT) et BERT pour les tâches génératives
  • Stratégies de réglage fin pour les modèles génératifs
  • Projet pratique : Mise au point d'un modèle GPT pour un domaine spécifique

Modèles de diffusion

  • Introduction aux modèles de diffusion
  • Entraînement des modèles de diffusion
  • Applications à la génération d'images et de sons
  • Projet pratique : Implémentation d'un modèle de diffusion

Reinforcement Learning dans Generative AI

  • Les bases de l'apprentissage par renforcement
  • Intégration de l'apprentissage par renforcement dans les modèles génératifs
  • Applications dans la conception de jeux et la génération de contenu procédural
  • Projet pratique : Création de contenu avec l'apprentissage par renforcement

Sujets avancés en matière d'éthique et de partialité

  • Deepfakes et médias synthétiques
  • Détection et atténuation des biais dans les modèles génératifs
  • Considérations juridiques et éthiques

Applications sectorielles

  • Generative AI dans les soins de santé
  • Industries créatives et divertissement
  • [dans la recherche scientifique

Tendances de la recherche en Generative AI

  • Dernières avancées et percées
  • Problèmes en suspens et possibilités de recherche
  • Se préparer à une carrière de chercheur en Generative AI

Le projet Capstone

  • Identification d'un problème adapté à Generative AI
  • Préparation et augmentation avancées des ensembles de données
  • Sélection, formation et mise au point de modèles
  • Évaluation, itération et présentation du projet

Résumé et prochaines étapes

Pré requis

  • Une compréhension des concepts et algorithmes fondamentaux de l'apprentissage automatique.
  • Expérience de la programmation Python et utilisation de base de TensorFlow ou PyTorch
  • Familiarité avec les principes des réseaux neuronaux et de l'apprentissage profond.

Audience

  • Scientifiques des données
  • Ingénieurs en apprentissage automatique
  • Praticiens de l'IA
 21 heures

Nombre de participants



Prix par participant

Cours Similaires

LangChain: Building AI-Powered Applications

14 heures

LangChain Fundamentals

14 heures

Small Language Models (SLMs): Applications and Innovations

14 heures

Small Language Models (SLMs) for Domain-Specific Applications

28 heures

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

21 heures

Small Language Models (SLMs) for Human-AI Interactions

14 heures

Small Language Models (SLMs) for On-Device AI

21 heures

Introduction to Google Gemini AI

14 heures

Google Gemini AI for Content Creation

14 heures

Google Gemini AI for Transformative Customer Service

14 heures

Google Gemini AI for Data Analysis

21 heures

Generative AI with Large Language Models (LLMs)

21 heures

LlamaIndex: Enhancing Contextual AI

14 heures

LlamaIndex: Developing LLM Powered Applications

42 heures

Introduction to Large Language Models (LLMs)

14 heures

Catégories Similaires