Struttura del corso

Revisione di Generative AI Nozioni di base

  • Breve riepilogo dei concetti di Generative AI
  • Applicazioni avanzate e casi di studio

Approfondimento sulle reti antagoniste generative (GAN)

  • Studio approfondito delle architetture GAN
  • Tecniche per migliorare l'allenamento GAN
  • GAN condizionali e loro applicazioni
  • Progetto pratico: Progettazione di un GAN complesso

Autoencoder variazionali avanzati (VAE)

  • Esplorare i limiti dei VAE
  • Rappresentazioni districate nei VAE
  • Beta-VAE e il loro significato
  • Progetto pratico: Costruzione di un VAE avanzato

Trasformatori e modelli generativi

  • Informazioni sull'architettura del trasformatore
  • Trasformatori preaddestrati generativi (GPT) e BERT per compiti generativi
  • Strategie di messa a punto per modelli generativi
  • Progetto pratico: messa a punto di un modello GPT per un dominio specifico

Modelli di diffusione

  • Introduzione ai modelli di diffusione
  • Modelli di diffusione dell'addestramento
  • Applicazioni nella generazione di immagini e audio
  • Progetto pratico: Implementazione di un modello di diffusione

Reinforcement Learning in Generative AI

  • Nozioni di base sull'apprendimento per rinforzo
  • Integrazione del reinforcement learning con i modelli generativi
  • Applicazioni nel game design e nella generazione di contenuti procedurali
  • Progetto pratico: creazione di contenuti con l'apprendimento per rinforzo

Argomenti avanzati di etica e pregiudizi

  • Deepfake e supporti sintetici
  • Rilevamento e mitigazione dei bias nei modelli generativi
  • Considerazioni giuridiche ed etiche

Applicazioni specifiche del settore

  • Generative AI nel settore sanitario
  • Industrie creative e intrattenimento
  • Generative AI nella ricerca scientifica

Tendenze della ricerca in Generative AI

  • Ultimi progressi e scoperte
  • Problemi aperti e opportunità di ricerca
  • Prepararsi per una carriera di ricerca in Generative AI

Progetto Capstone

  • Identificazione di un problema adatto a Generative AI
  • Preparazione e aumento avanzato dei set di dati
  • Selezione, addestramento e messa a punto del modello
  • Valutazione, iterazione e presentazione del progetto

Riepilogo e prossime tappe

Requisiti

  • Comprensione dei concetti e degli algoritmi fondamentali dell'apprendimento automatico
  • Esperienza con la programmazione Python e l'uso di base di TensorFlow o PyTorch
  • Familiarità con i principi delle reti neurali e del deep learning

Pubblico

  • Scienziati dei dati
  • Ingegneri dell'apprendimento automatico
  • Professionisti dell'IA
 21 ore

Numero di Partecipanti



Prezzo per Partecipante

Corsi relativi

LangChain: Building AI-Powered Applications

14 ore

LangChain Fundamentals

14 ore

Small Language Models (SLMs): Applications and Innovations

14 ore

Small Language Models (SLMs) for Domain-Specific Applications

28 ore

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

21 ore

Small Language Models (SLMs) for Human-AI Interactions

14 ore

Introduction to Google Gemini AI

14 ore

Google Gemini AI for Content Creation

14 ore

Google Gemini AI for Transformative Customer Service

14 ore

Google Gemini AI for Data Analysis

21 ore

Generative AI with Large Language Models (LLMs)

21 ore

LlamaIndex: Enhancing Contextual AI

14 ore

LlamaIndex: Developing LLM Powered Applications

42 ore

Introduction to Large Language Models (LLMs)

14 ore

LLMs for Automated Customer Support

14 ore

Categorie relative