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

Related Categories

1