Course Outline

Ανασκόπηση του Generative AI Βασικά

  • Γρήγορη ανακεφαλαίωση των Generative AI εννοιών
  • Προηγμένες εφαρμογές και μελέτες περιπτώσεων

Βαθιά κατάδυση σε Generative Adversarial Networks (GAN)

  • Σε βάθος μελέτη αρχιτεκτονικών GAN
  • Τεχνικές για τη βελτίωση της εκπαίδευσης GAN
  • Τα GAN υπό όρους και οι εφαρμογές τους
  • Πρακτικό έργο: Σχεδιάζοντας ένα σύνθετο GAN

Advanced Variational Autoencoders (VAE)

  • Διερεύνηση των ορίων των VAE
  • Ξεμπερδεμένες παραστάσεις σε ΒΑΕ
  • Βήτα-VAE και η σημασία τους
  • Πρακτικό έργο: Δημιουργία προηγμένου VAE

Μετασχηματιστές και Μοντέλα Παραγωγής

  • Κατανόηση της αρχιτεκτονικής του Transformer
  • Generative Pretrained Transformers (GPT) και BERT για εργασίες παραγωγής
  • Στρατηγικές μικρορύθμισης για μοντέλα παραγωγής
  • Πρόχειρο έργο: Βελτιστοποίηση ενός μοντέλου GPT για έναν συγκεκριμένο τομέα

Μοντέλα Διάχυσης

  • Εισαγωγή στα μοντέλα διάχυσης
  • Μοντέλα διάχυσης προπόνησης
  • Εφαρμογές στη δημιουργία εικόνας και ήχου
  • Hands-on project: Εφαρμογή ενός μοντέλου διάχυσης

Reinforcement Learning σε Generative AI

  • Βασικά στοιχεία για την ενίσχυση της μάθησης
  • Ενσωμάτωση της ενισχυτικής μάθησης με παραγωγικά μοντέλα
  • Εφαρμογές στο σχεδιασμό παιχνιδιών και τη δημιουργία διαδικαστικού περιεχομένου
  • Πρακτικό έργο: Δημιουργία περιεχομένου με ενισχυτική μάθηση

Προηγμένα Θέματα Ηθικής και Προκατάληψης

  • Deepfakes και συνθετικά μέσα
  • Ανίχνευση και μετριασμός της μεροληψίας σε παραγωγικά μοντέλα
  • Νομικές και ηθικές εκτιμήσεις

Εφαρμογές ειδικές για τον κλάδο

  • Generative AI στον τομέα της υγείας
  • Δημιουργικές βιομηχανίες και ψυχαγωγία
  • Generative AI στην επιστημονική έρευνα

Ερευνητικές τάσεις σε Generative AI

  • Τελευταίες εξελίξεις και ανακαλύψεις
  • Ανοιχτά προβλήματα και ερευνητικές ευκαιρίες
  • Προετοιμασία για ερευνητική σταδιοδρομία στο Generative AI

Capstone Project

  • Προσδιορισμός ενός προβλήματος κατάλληλου για Generative AI
  • Προηγμένη προετοιμασία και αύξηση δεδομένων
  • Επιλογή μοντέλου, εκπαίδευση και τελειοποίηση
  • Αξιολόγηση, επανάληψη και παρουσίαση του έργου

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση των θεμελιωδών εννοιών και αλγορίθμων μηχανικής μάθησης
  • Εμπειρία στον προγραμματισμό Python και βασική χρήση του TensorFlow ή του PyTorch
  • Εξοικείωση με τις αρχές των νευρωνικών δικτύων και τη βαθιά μάθηση

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Μηχανικοί μηχανικής εκμάθησης
  • Επαγγελματίες τεχνητής νοημοσύνης
 21 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