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

LangChain: Building AI-Powered Applications

14 Hours

LangChain Fundamentals

14 Hours

Small Language Models (SLMs): Applications and Innovations

14 Hours

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

Introduction to Google Gemini AI

14 Hours

Google Gemini AI for Content Creation

14 Hours

Google Gemini AI for Transformative Customer Service

14 Hours

Google Gemini AI for Data Analysis

21 Hours

Generative AI with Large Language Models (LLMs)

21 Hours

LlamaIndex: Enhancing Contextual AI

14 Hours

LlamaIndex: Developing LLM Powered Applications

42 Hours

Introduction to Large Language Models (LLMs)

14 Hours

Related Categories

1