Schulungsübersicht
Überblick über die Grundlagen der generativen KI
- Kurze Wiederholung der Konzepte der generativen KI
- Erweiterte Anwendungen und Fallstudien
Tiefe Einblicke in Generative Adversarial Networks (GANs)
- Ausführliche Untersuchung von GAN-Architekturen
- Techniken zur Verbesserung des GAN-Trainings
- Bedingte GANs und ihre Anwendungen
- Praxisprojekt: Design eines komplexen GAN
Erweiterte Variational Autoencoders (VAEs)
- Untersuchung der Grenzen von VAEs
- Entkoppelte Darstellungen in VAEs
- Beta-VAEs und ihre Bedeutung
- Praxisprojekt: Aufbau eines erweiterten VAE
Transformer und Generative Modelle
- Verständnis der Transformer-Architektur
- Generative Pretrained Transformers (GPT) und BERT für generative Aufgaben
- Feinjustierungstaktiken für generative Modelle
- Praxisprojekt: Feinjustieren eines GPT-Modells für einen bestimmten Bereich
Diffusionsmodelle
- Einführung in Diffusionsmodelle
- Training von Diffusionsmodellen
- Anwendungen in der Bild- und Audiosynthese
- Praxisprojekt: Implementierung eines Diffusionsmodells
Maschinelles Lernen in der generativen KI
- Grundlagen des maschinellen Lernens
- Integration von maschinellen Lernalgorithmen mit generativen Modellen
- Anwendungen im Bereich Game Design und Prozedurales Content Generieren
- Praxisprojekt: Erstellen von Inhalten mithilfe des maschinellen Lernens
Fortgeschrittene Themen zu Ethik und Bias
- Deepfakes und synthetische Medien
- Erkennen und Vermindern von Bias in generativen Modellen
- Rechtliche und ethische Überlegungen
Branchenspezifische Anwendungen
- Generative KI im Gesundheitswesen
- Creative Industries und Unterhaltung
- Generative KI in der wissenschaftlichen Forschung
Forschungstrends in der generativen KI
- Neuere Fortschritte und Durchbrüche
- Offene Probleme und Forschungsmöglichkeiten
- Vorbereitung auf eine Karriere in der Forschung zur generativen KI
Abschlussprojekt
- Identifizierung eines Problems, das mit generativer KI angegangen werden kann
- Erweiterte Datensatzvorbereitung und -Erweiterung
- Modellsuche, Training und Feinjustierung
- Bewertung, Iteration und Präsentation des Projekts
Zusammenfassung und nächste Schritte
Voraussetzungen
- Ein Verständnis der grundlegenden Konzepte und Algorithmen des maschinellen Lernens
- Erfahrung mit Python-Programmierung und basischer Nutzung von TensorFlow oder PyTorch
- Kenntnisse über die Prinzipien neuronaler Netze und tiefes Lernen
Zielgruppe
- Datenwissenschaftler
- Maschinen-Lerningenieure
- KI-Praktiker
Erfahrungsberichte (2)
Der interaktive Stil, die Übungen
Tamas Tutuntzisz
Kurs - Introduction to Prompt Engineering
Maschinelle Übersetzung
Eine großartige Sammlung von Ressourcen für zukünftige Nutzung, der Stil des Dozenten (voller Humor und mit großer Detailgenauigkeit)
Adam - GE Aerospace Poland Sp. z o.o.
Kurs - Prompt Engineering for ChatGPT
Maschinelle Übersetzung
