Course Outline

Εισαγωγή στο Generative AI

  • Τι είναι το Generative AI;
  • Ιστορία και εξέλιξη του Generative AI
  • Βασικές έννοιες και ορολογία
  • Επισκόπηση των εφαρμογών και των δυνατοτήτων του Generative AI

Βασικές αρχές του Machine Learning

  • Εισαγωγή στη μηχανική μάθηση
  • Τύποι μηχανικής εκμάθησης: εποπτευόμενη, χωρίς επίβλεψη και Reinforcement Learning
  • Βασικοί αλγόριθμοι και μοντέλα
  • Προεπεξεργασία δεδομένων και μηχανική χαρακτηριστικών

Deep Learning Βασικά στοιχεία

  • Νευρωνικά δίκτυα και βαθιά μάθηση
  • Λειτουργίες ενεργοποίησης, λειτουργίες απώλειας και βελτιστοποιητές
  • Τεχνικές υπερπροσαρμογής, υποπροσαρμογής και τακτοποίησης
  • Εισαγωγή στο TensorFlow και στο PyTorch

Επισκόπηση μοντέλων παραγωγής

  • Τύποι μοντέλων παραγωγής
  • Διαφορές μεταξύ διακριτικών και παραγωγικών μοντέλων
  • Χρησιμοποιήστε θήκες για μοντέλα παραγωγής

Variational Autoencoders (VAEs)

  • Κατανόηση των αυτόματων κωδικοποιητών
  • Η αρχιτεκτονική των ΒΑΕ
  • Ο λανθάνοντας χώρος και η σημασία του
  • Πρακτικό έργο: Κατασκευάζοντας ένα απλό VAE

Δίκτυα Generative Adversarial Networks (GAN)

  • Εισαγωγή στα GAN
  • Η αρχιτεκτονική των GANs: Generator και Discriminator
  • Εκπαιδευτικά GAN και προκλήσεις
  • Hands-on project: Δημιουργία βασικού GAN

Προηγμένα Μοντέλα Παραγωγής

  • Εισαγωγή στα μοντέλα μετασχηματιστών
  • Επισκόπηση μοντέλων GPT (Generative Pretrained Transformer).
  • Εφαρμογές του GPT στη δημιουργία κειμένου
  • Πρόχειρο έργο: Δημιουργία κειμένου με προεκπαιδευμένο μοντέλο GPT

Ηθική και Συνέπειες

  • Ηθικές θεωρήσεις στο Generative AI
  • Προκατάληψη και δικαιοσύνη στα μοντέλα AI
  • Μελλοντικές επιπτώσεις και υπεύθυνη τεχνητή νοημοσύνη

Βιομηχανικές εφαρμογές του Generative AI

  • Generative AI στην τέχνη και τη δημιουργικότητα
  • Εφαρμογές σε επιχειρήσεις και μάρκετινγκ
  • Generative AI στην επιστήμη και την έρευνα

Capstone Project

  • Ιδέα και πρόταση ενός παραγωγικού έργου AI
  • Συλλογή και προεπεξεργασία συνόλου δεδομένων
  • Επιλογή μοντέλου και εκπαίδευση
  • Αξιολόγηση και παρουσίαση των αποτελεσμάτων

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση βασικών εννοιών προγραμματισμού στο Python
  • Εμπειρία με βασικές μαθηματικές έννοιες, ιδιαίτερα πιθανότητες και γραμμική άλγεβρα

Ακροατήριο

  • προγραμματιστές
 14 Hours

Number of participants



Price per participant

Related Courses

Small Language Models (SLMs) for Domain-Specific Applications

28 Hours

Small Language Models (SLMs) for Human-AI Interactions

14 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

LLMs for Business Intelligence

14 Hours

Related Categories

1