Zkuste nás kontaktovat

Návrh Školení

Základy generativní umělé inteligence

  • Stručný přehled základních konceptů generativní AI
  • Pokročilé aplikace a případové studie

Podrobný rozbor generativních adversariálních sítí (GAN)

  • Detailní analýza architektury GAN
  • Techniky zlepšující trénování GAN
  • Podmíněné GAN a jejich využití
  • Praktický projekt: Navrhnutí složitého GAN modelu

Pokročilé variacionální autoenkodéry (VAE)

  • Limitace a možnosti VAE
  • Disentangované reprezentace v rámci VAE
  • Beta-VAE a jejich význam pro teorii i praxi
  • Praktický projekt: Vytvoření pokročilého VAE modelu

Transformery a generativní modely

  • Principy fungování architektury Transformer
  • Generativní pretrainované modely typu GPT a BERT určené k generování dat
  • Strategie přizpůsobování generativních modelů konkrétním úkolům
  • Praktický projekt: Přizpůsobení GPT modelu pro danou doménu

Difúzní modely

  • Úvod do principů difúzních modelů
  • Trénování těchto modelů a možnosti jejich využití
  • Využití při generování obrazů i zvuku
  • Praktický projekt: Implementace difúzního modelu

Reinforcement learning v kontextu generativní AI

  • Základy reinforcement learning
  • Integrace těchto metod s generativními modely
  • Využití při tvorbě her či generování obsahu
  • Praktický projekt: Generování obsahu pomocí reinforcement learningu

Etika a předsudky v generativní AI

  • Problematika deepfakeů a syntetických médií
  • Metody detekce a odstraňování předsudků v generativních modelech
  • Právní i etické otázky související s těmito technologiemi

Aplikace v konkrétních odvětvích

  • Využití generativní AI ve zdravotnictví
  • Kreativní průmysly a zábavní sektor
  • Generativní AI v vědeckém výzkumu

Aktuální trendy ve výzkumu generativní AI

  • Nejnovější pokroky a objevy v oblasti generativních modelů
  • Nedostatkové a příležitosti pro další výzkum
  • Příprava na kariéru ve výzkumu v oblasti generativní AI

Finální projekt

  • Identifikace problému vhodného k řešení pomocí generativní AI
  • Příprava a rozšíření datasetů potřebných pro trénování modelu
  • Výběr, trénování a přizpůsobení vhodného modelu
  • Hodnocení výsledků, oprava chyb a prezentace projektu

Shrnutí kurzu a další směřování

Požadavky

  • Znalost základních konceptů a algoritmů strojového učení
  • Praktické zkušenosti s programováním v Pythonu a práce s nástroji TensorFlow či PyTorch
  • Seznámenost se základními principy neuronových sítí a hlubokého učení

Cílové skupiny

  • Data scientisti
  • Inženýři strojového učení
  • Odborníci na umělou inteligenci
 21 Hodiny

Počet účastníků


Cena za účastníka

Reference (2)

Nadcházející kurzy

Související kategorie