Kontaktirajte nas
 Trajanje 21 sati

Sadržaj kursa

Ponavljanje osnova generativne veštačke inteligencije

  • Kratak pregled koncepta generativne AI
  • Napredne primene i studije slučaja

Dubinska analiza Generativnih Adversarialnih Mreža (GAN-ova)

  • Detaljna studija arhitekture GAN-ova
  • Tehnike za poboljšanje treninga GAN-ova
  • Kondicionisani GAN-ovi i njihove primene
  • Praktičan projekat: Dizajniranje složenog GAN-a

Napredni Varijalni Auto-Encoderi (VAE-ovi)

  • Istraživanje granica VAE-ova
  • Disentangled predstave u VAE-ovima
  • Beta-VAE-i i njihov značaj
  • Praktičan projekat: Izgradnja naprednog VAE-a

Transformeri i generativni modeli

  • Razumevanje arhitekture Transformera
  • Generativni Pretrained Transformeri (GPT) i BERT za generativne zadatke
  • Strategije fine-tuning-a za generativne modele
  • Praktičan projekat: Fine-tuning GPT modela za specifično područje

Difuzijski modeli

  • Uvod u difuzijske modele
  • Trening difuzijskih modela
  • Primene u generaciji slika i zvuka
  • Praktičan projekat: Implementacija difuzijskog modela

Jačanje učenja u generativnoj veštačkoj inteligenciji

  • Osnove jačanja učenja
  • Integracija jačanja učenja sa generativnim modelima
  • Primene u dizajnu igara i proceduralnoj generaciji sadržaja
  • Praktičan projekat: Kreiranje sadržaja pomoću jačanja učenja

Napredne teme u etici i pristrasnosti

  • Deepfake i sintetički mediji
  • Detekcija i ublažavanje pristrasnosti u generativnim modelima
  • Pravni i etički aspekti

Primene specifične za industriju

  • Generativna AI u zdravstvu
  • Kreativne industrije i zabava
  • Generativna AI u naučnom istraživanju

Istraživački trendovi u generativnoj veštačkoj inteligenciji

  • Najnovija napretka i otkrića
  • Otvoreni problemi i istraživačke mogućnosti
  • Priprema za istraživačku karijeru u generativnoj AI

Završni projekat

  • Identifikacija problema pogodnog za generativnu AI
  • Napredna priprema i augmentacija skupova podataka
  • Izbor modela, trening i fine-tuning
  • Evaluacija, iteracije i prezentacija projekta

Zaključak i dalji koraci

Uslovi

  • Razumevanje osnovnih koncepta i algoritama mašinskog učenja
  • Iskustvo u programiranju na Pythonu i osnovna upotreba TensorFlow-a ili PyTorch-a
  • Znanje principa neuronskih mreža i dubokog učenja

Ciljna publika

  • Naučnici za podatke
  • Inženjeri mašinskog učenja
  • Praktikanti veštačke inteligencije

Broj učesnika


Cena po učesniku

Iskustva korisnika (4)

Predstojeći kursevi

Povezane kategorije