Návrh Školení
Úvod do multimodální umělé inteligence
- Co jsou multimodální data?
- Klíčové pojmy a definice
- Historie a vývoj multimodálního učení
Zpracování multimodálních dat
- Sběr a předzpracování dat
- Extrakce rysů z jednotlivých modálností
- Techniky fúze dat
Reprezentační učení pro multimodální data
- Vytváření společných reprezentací dat
- Mezimodální embeddingy
- Přenos učení napříč různými modálnostmi
Zarovnávání a překládání multimodálních dat
- Synchronizace informací z různých modálností
- Systémy pro vyhledávání napříč modálnostmi
- Překlad mezi modálnostmi (např. z textu do obrazu nebo naopak)
Multimodální uvažování a dedukce
- Logika a usuzování s využitím multimodálních dat
- Techniky dedukce v rámci multimodální umělé inteligence
- Využití v řešení otázek a rozhodování
Generativní modely v multimodální umělé inteligenci
- Generativní adverzární sítě (GAN) pro multimodální data
- Variacionální autoenkodéry (VAE) určené k tvorbě dat napříč modálnostmi
- Kreativní využití generativních multimodálních systémů umělé inteligence
Techniky fúze multimodálních dat
- Metody včasné, pozdní a hybridní fúze dat
- Mechanismy pozornosti v procesu fúze multimodálních dat
- Využití fúze pro robustnější vnímání a interakci systémů
Aplikace multimodální umělé inteligence
- Interakce mezi lidmi a počítači využívající více smyslových kanálů
- Využití umělé inteligence v autonomních vozidlech
- Aplikace ve zdravotnictví (např. medicínská diagnostika a zpracování snímků)
Etické aspekty a výzvy spojené s multimodální AI
- Rizika diskriminace a nerovnovážnosti v systémech využívajících více typů dat
- Otázky soukromí při práci s multimodálními informacemi
- Etický design a nasazování systémů založených na multimodální umělé inteligenci
Pokročilá témata v oblasti multimodální umělé inteligence
- Multimodální transformátory
- Automatické učení bez dozoru v rámci multimodálních systémů
- Budoucnost strojového učení využívajícího více typů dat
Shrnutí a další směry vývoje
Požadavky
- Základní znalosti umělé inteligence a strojového učení
- Dobrá znalost programování v Pythonu
- Zkušenosti s manipulací a předzpracováním dat
Cílová skupina
- Výzkumníci v oblasti umělé inteligence
- Datoví vědci
- Inženýři strojového učení
Reference (1)
Náš instruktor Yashank byl neuvěřitelně vzdělaný. Upravil kurzy tak, aby odpovídaly tomu, co jsme skutečně potřebovali seznat, a s ním jsme měli skvělé zkušenosti se studiem. Jeho znalost oblasti, kterou nám přednášel, byla ohromující; sdílel s námi přehledy z praxe a pomohl nám vyřešit skutečné problémy, s kterými se setkávali naše pracovní týmy.
Ahmed Nazeem - Maldives Pension Administration Office
Kurz - Multimodal AI for Enhanced User Experience
Přeloženo strojem
