Plan du cours

Révision des bases de l'IA générative

  • Récapitulatif rapide des concepts liés à l'IA générative
  • Applications avancées et études de cas

Plongée approfondie dans les Réseaux Adversariaux Génératifs (GAN)

  • Étude détaillée des architectures GAN
  • Techniques pour améliorer l'entraînement des GAN
  • GAN conditionnels et leurs applications
  • Projet pratique : Concevoir un GAN complexe

VAE avancés (Variational Autoencoders)

  • Exploration des limites des VAE
  • Représentations décorrélées dans les VAE
  • Beta-VAE et leur importance
  • Projet pratique : Créer un VAE avancé

Transformers et Modèles Génératifs

  • Compréhension de l'architecture Transformer
  • Pré-entraînement des générateurs avec Transformers (GPT) et BERT pour les tâches génératives
  • Stratégies d'affinement pour les modèles génératifs
  • Projet pratique : Affiner un modèle GPT pour un domaine spécifique

Modèles de diffusion

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

Apprentissage par renforcement en IA générative

  • Bases de l'apprentissage par renforcement
  • Intégration de l'apprentissage par renforcement avec les modèles génératifs
  • Applications dans la conception de jeux et la génération procédurale de contenu
  • Projet pratique : Créer du contenu à l'aide de l'apprentissage par renforcement

Thèmes avancés en éthique et biais

  • Fake news profondes (deepfakes) et médias synthétiques
  • Détection et atténuation du biais dans les modèles génératifs
  • Considérations juridiques et éthiques

Applications spécifiques à l'industrie

  • IA générative dans les soins de santé
  • Industries créatives et divertissement
  • IA générative dans la recherche scientifique

Tendances de recherche en IA générative

  • Derniers progrès et percées
  • Problèmes ouverts et opportunités de recherche
  • Préparation à une carrière de recherche en IA générative

Projet de synthèse

  • Identifier un problème approprié pour l'IA générative
  • Préparation et augmentation avancée des ensembles de données
  • Sélection, entraînement et affinement du modèle
  • Évaluation, itération et présentation du projet

Récapitulation et prochains pas

Pré requis

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

Public cible

  • Scientifiques des données
  • Ingénieurs en apprentissage automatique
  • Professionnels de l'IA
 21 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires