Zkuste nás kontaktovat

Návrh Školení

Úvod do multimodálních modelů

  • Přehled multimodálního strojového učení
  • Využití multimodálních modelů v praxi
  • Problémy spojené se zpracováním více typů dat

Architektury multimodálních modelů

  • Přehled modelů jako CLIP, Flamingo a BLIP
  • Principy mezimodálního přenosu informací
  • Požadavky na architekturu z hlediska škálovatelnosti a efektivity

Příprava multimodálních datových sad

  • Metody shromažďování a označování dat
  • Předzpracování textových, obrazových a video vstupů
  • Vytváření vyvážených datových souborů pro multimodální úkoly

Techniky doladění multimodálních modelů

  • Nastavení trénovacích procesů pro multimodální modely
  • Řešení omezení paměti a výpočetního výkonu
  • Synchronizace různých typů vstupních dat

Aplikace doladěných multimodálních modelů

  • Odpovídání na otázky na základě obrazu
  • Popisování obrázků a videí textem
  • Generování obsahu s využitím více typů vstupních dat

Optimalizace výkonu a hodnocení modelů

  • Měřicí metody pro multimodální úlohy
  • Zkrácení odezvy systému a zvýšení propustnosti v produkčním prostředí
  • Zajištění spolehlivosti a konzistence modelu napříč jednotlivými datovými typy

Nasazení multimodálních modelů

  • Připrava modelů pro nasazení do praxe
  • Škálovatelné vyhodnocování na cloudových platformách
  • Aplikace v reálném čase a jejich integrace

Případové studie a praktická cvičení

  • Doladění modelu CLIP pro vyhledávání obrázků podle obsahu
  • Vytvoření multimodálního chatbotu využívajícího text i video
  • Implementace systémů umožňujících vyhledávání napříč různými typy dat

Shrnutí a další kroky

Požadavky

  • Dobrá znalost programování v Pythonu
  • Pochopení konceptů hlubokého učení
  • Zkušenosti s doladěním předtrénovaných modelů

Cílová skupina

  • Výzkumníci v oblasti umělé inteligence
  • Datoví vědci
  • Odborníci na strojové učení
 28 Hodiny

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie