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

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