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

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