Plan du cours

Révision des Generative AI principes de base

  • Récapitulation rapide des concepts Generative AI
  • Applications avancées et études de cas

Plongée dans les réseaux adversoriels génératifs (GAN)

  • Étude approfondie des architectures GAN
  • Techniques pour améliorer la formation des GAN
  • Les GAN conditionnels et leurs applications
  • Projet pratique : Conception d'un GAN complexe

Autoencodeurs variationnels avancés (VAE)

  • Exploration des limites des VAE
  • Représentations démêlées dans les VAE
  • Bêta-VAEs et leur signification
  • Projet pratique : Construction d'un VAE avancé

Transformateurs et modèles génératifs

  • Comprendre l'architecture des transformateurs
  • Transformateurs génératifs pré-entraînés (GPT) et BERT pour les tâches génératives
  • Stratégies de réglage fin pour les modèles génératifs
  • Projet pratique : Mise au point d'un modèle GPT pour un domaine spécifique

Modèles de diffusion

  • Introduction aux modèles de diffusion
  • Entraînement des modèles de diffusion
  • Applications à la génération d'images et de sons
  • Projet pratique : Implémentation d'un modèle de diffusion

Reinforcement Learning dans Generative AI

  • Les bases de l'apprentissage par renforcement
  • Intégration de l'apprentissage par renforcement dans les modèles génératifs
  • Applications dans la conception de jeux et la génération de contenu procédural
  • Projet pratique : Création de contenu avec l'apprentissage par renforcement

Sujets avancés en matière d'éthique et de partialité

  • Deepfakes et médias synthétiques
  • Détection et atténuation des biais dans les modèles génératifs
  • Considérations juridiques et éthiques

Applications sectorielles

  • Generative AI dans les soins de santé
  • Industries créatives et divertissement
  • [dans la recherche scientifique

Tendances de la recherche en Generative AI

  • Dernières avancées et percées
  • Problèmes en suspens et possibilités de recherche
  • Se préparer à une carrière de chercheur en Generative AI

Le projet Capstone

  • Identification d'un problème adapté à Generative AI
  • Préparation et augmentation avancées des ensembles de données
  • Sélection, formation et mise au point de modèles
  • Évaluation, itération et présentation du projet

Résumé et prochaines étapes

Pré requis

  • Une compréhension des concepts et algorithmes fondamentaux de l'apprentissage automatique.
  • Expérience de la programmation Python et utilisation de base de TensorFlow ou PyTorch
  • Familiarité avec les principes des réseaux neuronaux et de l'apprentissage profond.

Audience

  • Scientifiques des données
  • Ingénieurs en apprentissage automatique
  • Praticiens de l'IA
 21 heures

Nombre de participants



Prix par participant

Cours Similaires

Catégories Similaires