Course Outline

Εισαγωγή

  • Τι είναι η γενετική τεχνητή νοημοσύνη;
  • Generative AI έναντι άλλων τύπων AI
  • Επισκόπηση των κύριων τεχνικών και μοντέλων στη γενετική τεχνητή νοημοσύνη
  • Εφαρμογές και περιπτώσεις χρήσης γενετικής τεχνητής νοημοσύνης
  • Προκλήσεις και περιορισμοί της γενετικής τεχνητής νοημοσύνης

Δημιουργία εικόνων με Generative AI

  • Δημιουργία εικόνων από περιγραφές κειμένου
  • Χρήση GAN για τη δημιουργία ρεαλιστικών και διαφορετικών εικόνων
  • Χρήση VAE για τη δημιουργία εικόνων με λανθάνουσες μεταβλητές
  • Χρήση μεταφοράς στυλ για εφαρμογή καλλιτεχνικών στυλ σε εικόνες

Δημιουργία κειμένου με Generative AI

  • Δημιουργία κειμένου από προτροπές κειμένου
  • Χρήση μοντέλων που βασίζονται σε μετασχηματιστές για τη δημιουργία κειμένου με πλαίσιο και συνοχή
  • Χρήση σύνοψης κειμένου για τη δημιουργία συνοπτικών περιλήψεων μεγάλων κειμένων
  • Χρήση παράφρασης κειμένου για τη δημιουργία διαφορετικών τρόπων έκφρασης του ίδιου νοήματος

Δημιουργία ήχου με Generative AI

  • Δημιουργία ομιλίας από κείμενο
  • Δημιουργία κειμένου από ομιλία
  • Δημιουργία μουσικής από κείμενο ή ήχο
  • Δημιουργία ομιλίας με συγκεκριμένη φωνή

Δημιουργία άλλου περιεχομένου με Generative AI

  • Δημιουργία κώδικα από φυσική γλώσσα
  • Δημιουργία σκίτσων προϊόντων από κείμενο
  • Δημιουργία βίντεο από κείμενο ή εικόνες
  • Δημιουργία τρισδιάστατων μοντέλων από κείμενο ή εικόνες

Αξιολόγηση του Generative AI

  • Αξιολόγηση της ποιότητας και της ποικιλομορφίας του περιεχομένου στη γενετική τεχνητή νοημοσύνη
  • Χρησιμοποιώντας μετρήσεις όπως η βαθμολογία έναρξης, η απόσταση έναρξης Fréchet και η βαθμολογία BLEU
  • Αξιοποίηση ανθρώπινης αξιολόγησης μέσω crowdsourcing και ερευνών
  • Εφαρμογή αντιφατικών μεθόδων αξιολόγησης, όπως δοκιμές Turing και διακριτικοί παράγοντες

Κατανόηση των ηθικών και κοινωνικών επιπτώσεων του Generative AI

  • Διασφάλιση δικαιοσύνης και λογοδοσίας
  • Αποφυγή κακής χρήσης και κατάχρησης
  • Σεβασμός των δικαιωμάτων και της ιδιωτικής ζωής των δημιουργών περιεχομένου και των καταναλωτών
  • Προώθηση της δημιουργικότητας και της συνεργασίας ανθρώπου και τεχνητής νοημοσύνης

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση βασικών εννοιών και ορολογίας AI
  • Εμπειρία στον προγραμματισμό Python και στην ανάλυση δεδομένων
  • Εξοικείωση με πλαίσια βαθιάς μάθησης όπως TensorFlow ή PyTorch

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Προγραμματιστές AI
  • Λάτρεις της τεχνητής νοημοσύνης
 14 Hours

Number of participants



Price per participant

Related Courses

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

Google Gemini AI for Transformative Customer Service

14 Hours

Generative AI with Large Language Models (LLMs)

21 Hours

LlamaIndex: Developing LLM Powered Applications

42 Hours

Related Categories

1