Course Outline

Beoordeling van Generative AI Basics

  • Korte samenvatting van Generative AI concepten
  • Geavanceerde toepassingen en casestudy's

Diepe duik in generatieve vijandige netwerken (GAN's)

  • Diepgaande studie van GAN-architecturen
  • Technieken om GAN-training te verbeteren
  • Voorwaardelijke GAN's en hun toepassingen
  • Hands-on project: Ontwerpen van een complexe GAN

Geavanceerde variationele auto-encoders (VAE's)

  • De grenzen van VAE's verkennen
  • Ontrafelde representaties in VAE's
  • Bèta-VAE's en hun betekenis
  • Hands-on project: Het bouwen van een geavanceerde elektrische fiets

Transformatoren en generatieve modellen

  • Inzicht in de Transformer-architectuur
  • Generative Pretrained Transformers (GPT) en BERT voor generatieve taken
  • Fine-tuning strategieën voor generatieve modellen
  • Hands-on project: Finetunen van een GPT-model voor een specifiek domein

Diffusie Modellen

  • Inleiding tot diffusiemodellen
  • Diffusiemodellen trainen
  • Toepassingen bij het genereren van beeld en geluid
  • Hands-on project: Implementatie van een diffusiemodel

Reinforcement Learning in Generative AI

  • Basisprincipes van versterkend leren
  • Reinforcement learning integreren met generatieve modellen
  • Toepassingen bij het ontwerpen van games en het genereren van procedurele inhoud
  • Hands-on project: Content creëren met reinforcement learning

Geavanceerde onderwerpen in ethiek en vooringenomenheid

  • Deepfakes en synthetische media
  • Detecteren en mitigeren van bias in generatieve modellen
  • Juridische en ethische overwegingen

Branchespecifieke toepassingen

  • Generative AI In de gezondheidszorg
  • Creatieve industrie en entertainment
  • Generative AI In wetenschappelijk onderzoek

Onderzoekstrends in Generative AI

  • Nieuwste ontwikkelingen en doorbraken
  • Open problemen en onderzoeksmogelijkheden
  • Voorbereiding op een onderzoekscarrière in Generative AI

Sluitstuk Project

  • Een probleem identificeren dat geschikt is voor Generative AI
  • Geavanceerde voorbereiding en augmentatie van gegevenssets
  • Modelselectie, training en finetuning
  • Evaluatie, iteratie en presentatie van het project

Samenvatting en volgende stappen

Requirements

  • Inzicht in fundamentele concepten en algoritmen voor machine learning
  • Ervaring met Python programmeren en basisgebruik van TensorFlow of PyTorch
  • Bekendheid met de principes van neurale netwerken en deep learning

Audiëntie

  • Datawetenschappers
  • Ingenieurs voor machinaal leren
  • AI-beoefenaars
 21 Hours

Related Courses

LangChain: Building AI-Powered Applications

14 Hours

LangChain Fundamentals

14 Hours

Small Language Models (SLMs): Applications and Innovations

14 Hours

Small Language Models (SLMs) for Domain-Specific Applications

28 Hours

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

21 Hours

Small Language Models (SLMs) for Human-AI Interactions

14 Hours

Small Language Models (SLMs) for On-Device AI

21 Hours

Introduction to Google Gemini AI

14 Hours

Google Gemini AI for Content Creation

14 Hours

Google Gemini AI for Transformative Customer Service

14 Hours

Google Gemini AI for Data Analysis

21 Hours

Generative AI with Large Language Models (LLMs)

21 Hours

LlamaIndex: Enhancing Contextual AI

14 Hours

LlamaIndex: Developing LLM Powered Applications

42 Hours

Introduction to Large Language Models (LLMs)

14 Hours

Related Categories

1