Course Outline

Inleiding tot Generative AI

  • Wat is Generative AI?
  • Geschiedenis en evolutie van Generative AI
  • Kernbegrippen en terminologie
  • Overzicht van toepassingen en mogelijkheden van Generative AI

Grondbeginselen van Machine Learning

  • Inleiding tot machine learning
  • Soorten machine learning: onder toezicht, zonder toezicht en Reinforcement Learning
  • Basisalgoritmen en -modellen
  • Voorverwerking van gegevens en functie-engineering

Deep Learning Basisinformatie

  • Neurale netwerken en deep learning
  • Activeringsfuncties, verliesfuncties en optimizers
  • Overmontage-, ondermontage- en regularisatietechnieken
  • Inleiding tot TensorFlow en PyTorch

Overzicht van generatieve modellen

  • Typen generatieve modellen
  • Verschillen tussen discriminerende en generatieve modellen
  • Gebruiksscenario's voor generatieve modellen

Variationele auto-encoders (VAE's)

  • Inzicht in auto-encoders
  • De architectuur van VAE's
  • Latente ruimte en de betekenis ervan
  • Hands-on project: Het bouwen van een eenvoudige elektrische fiets

Generatieve vijandige netwerken (GAN's)

  • Inleiding tot GAN's
  • De architectuur van GAN's: Generator en Discriminator
  • Training GAN's en uitdagingen
  • Hands-on project: Het maken van een basis GAN

Geavanceerde generatieve modellen

  • Inleiding tot Transformer-modellen
  • Overzicht van GPT-modellen (Generative Pretrained Transformer)
  • Toepassingen van GPT bij het genereren van tekst
  • Hands-on project: Tekstgeneratie met een vooraf getraind GPT-model

Ethiek en implicaties

  • Ethische overwegingen in Generative AI
  • Vooringenomenheid en eerlijkheid in AI-modellen
  • Toekomstige implicaties en verantwoorde AI

Industriële toepassingen van Generative AI

  • Generative AI In kunst en creativiteit
  • Toepassingen in business en marketing
  • Generative AI In wetenschap en onderzoek

Sluitstuk Project

  • Ideevorming en voorstel van een generatief AI-project
  • Verzameling en voorbewerking van gegevenssets
  • Modelselectie en training
  • Evaluatie en presentatie van de resultaten

Samenvatting en volgende stappen

Requirements

  • Een goed begrip van de basisconcepten van programmeren in Python
  • Ervaring met wiskundige basisconcepten, in het bijzonder kansrekening en lineaire algebra

Audiëntie

  • Ontwikkelaars
 14 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