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

Related Categories

1