Schulungsübersicht
Überblick über die Grundlagen der Generativen KI
- Kurze Wiederholung der Konzepte der Generativen KI
- Fortgeschrittene Anwendungen und Fallstudien
Intensivkurs zu Generative Adversarial Networks (GANs)
- Detaillierte Untersuchung der GAN-Architekturen
- Techniken zur Verbesserung des GAN-Trainings
- Bedingte GANs (Conditional GANs) und deren Anwendungen
- Praxisprojekt: Entwicklung eines komplexen GAN
Fortgeschrittene Variational Autoencoders (VAEs)
- Erforschung der Grenzen von VAEs
- Entkoppelte Repräsentationen in VAEs
- Beta-VAEs und deren Bedeutung
- Praxisprojekt: Aufbau eines fortgeschrittenen VAE
Transformer und generative Modelle
- Verständnis der Transformer-Architektur
- Generative Pretrained Transformers (GPT) und BERT für generative Aufgaben
- Strategien zum Fine-Tuning von generativen Modellen
- Praxisprojekt: Fine-Tuning eines GPT-Modells für einen bestimmten Anwendungsbereich
Diffusionsmodelle
- Einführung in Diffusionsmodelle
- Training von Diffusionsmodellen
- Anwendungen in der Bild- und Audioerstellung
- Praxisprojekt: Implementierung eines Diffusionsmodells
Reinforcement Learning in der Generativen KI
- Grundlagen des Reinforcement Learnings
- Integration von Reinforcement Learning mit generativen Modellen
- Anwendungen im Game Design und in der prozeduralen Inhaltsgenerierung
- Praxisprojekt: Erstellen von Inhalten mit Reinforcement Learning
Fortgeschrittene Themen zu Ethik und Verzerrung (Bias)
- Deepfakes und synthetische Medien
- Erkennung und Minderung von Bias in generativen Modellen
- Rechtliche und ethische Überlegungen
Branchenspezifische Anwendungen
- Generative KI im Gesundheitswesen
- Kreative Branchen und Unterhaltung
- Generative KI in der wissenschaftlichen Forschung
Forschungstrends in der Generativen KI
- Neueste Fortschritte und Durchbrüche
- Offene Probleme und Forschungsmöglichkeiten
- Vorbereitung auf eine Karriere in der Forschung im Bereich der Generativen KI
Abschlussprojekt (Capstone Project)
- Identifizierung eines für die Generative KI geeigneten Problems
- Vorbereitung und Erweiterung des fortgeschrittenen Datensets
- Modellauswahl, Training und Fine-Tuning
- Evaluation, Iteration und Präsentation des Projekts
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundlegende Kenntnisse der Konzepte und Algorithmen des Maschinellen Lernens
- Erfahrung mit Python-Programmierung und grundlegende Nutzung von TensorFlow oder PyTorch
- Vertrautheit mit den Prinzipien neuronaler Netze und Deep Learning
Zielgruppe
- Data Scientists
- Machine Learning Engineers
- 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
