Struttura del corso

Introduzione a Generative AI

  • Che cos'è Generative AI?
  • Storia ed evoluzione di Generative AI
  • Concetti chiave e terminologia
  • Panoramica delle applicazioni e delle potenzialità di Generative AI

Fondamenti di Machine Learning

  • Introduzione all'apprendimento automatico
  • Tipi di machine learning: supervisionato, non supervisionato e Reinforcement Learning
  • Algoritmi e modelli di base
  • Pre-elaborazione dei dati e progettazione delle funzionalità

Deep Learning Nozioni di base

  • Reti neurali e deep learning
  • Funzioni di attivazione, funzioni di perdita e ottimizzatori
  • Tecniche di overfitting, underfitting e regolarizzazione
  • Introduzione a TensorFlow e PyTorch

Cenni preliminari sui modelli generativi

  • Tipi di modelli generativi
  • Differenze tra modelli discriminativi e generativi
  • Casi d'uso per i modelli generativi

Autoencoder variazionali (VAE)

  • Informazioni sugli autoencoder
  • L'architettura dei VAE
  • Lo spazio latente e il suo significato
  • Progetto pratico: Costruire un semplice VAE

Reti antagoniste generative (GAN)

  • Introduzione alle GAN
  • L'architettura delle GAN: Generatore e Discriminatore
  • Formazione GAN e sfide
  • Progetto pratico: creazione di una GAN di base

Modelli Generativi Avanzati

  • Introduzione ai modelli di trasformatori
  • Panoramica dei modelli GPT (Generative Pretrained Transformer)
  • Applicazioni di GPT nella generazione di testo
  • Progetto pratico: generazione di testo con un modello GPT pre-addestrato

Etica e implicazioni

  • Considerazioni etiche in Generative AI
  • Bias ed equità nei modelli di IA
  • Implicazioni future e IA responsabile

Applicazioni industriali di Generative AI

  • Generative AI in Arte e creatività
  • Applicazioni nel business e nel marketing
  • Generative AI in Scienza e ricerca

Progetto Capstone

  • Ideazione e proposta di un progetto di AI generativa
  • Raccolta e pre-elaborazione di set di dati
  • Selezione e formazione del modello
  • Valutazione e presentazione dei risultati

Riepilogo e prossime tappe

Requisiti

  • Comprensione dei concetti di base della programmazione in Python
  • Esperienza con i concetti matematici di base, in particolare la probabilità e l'algebra lineare

Pubblico

  • Gli sviluppatori
 14 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