Schulungsübersicht
Wiederholung der Grundlagen der Generativen KI
- Kurze Wiederholung der Konzepte der Generativen KI
- Fortgeschrittene Anwendungen und Fallstudien
Vertiefung in Generative Adversarial Networks (GANs)
- Detaillierte Untersuchung von GAN-Architekturen
- Techniken zur Verbesserung des GAN-Trainings
- Bedingte GANs und deren Anwendungen
- Praxisprojekt: Entwicklung eines komplexen GAN
Fortgeschrittene Variational Autoencoder (VAEs)
- Erforschung der Grenzen von VAEs
- Entangled Darstellungen 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
- Fine-Tuning-Strategien für generative Modelle
- Praxisprojekt: Fine-Tuning eines GPT-Modells für einen spezifischen Bereich
Diffusionsmodelle
- Einführung in Diffusionsmodelle
- Training von Diffusionsmodellen
- Anwendungen in der Bild- und Audioerzeugung
- Praxisprojekt: Implementierung eines Diffusionsmodells
Verstärkendes Lernen in der Generativen KI
- Grundlagen des verstärkenden Lernens
- Integration von verstärkendem Lernen mit generativen Modellen
- Anwendungen im Game Design und bei der prozeduralen Inhaltsgenerierung
- Praxisprojekt: Erstellung von Inhalten mittels verstärkenden Lernens
Fortgeschrittene Themen zu Ethik und Bias
- Deepfakes und synthetische Medien
- Erkennung und Minderung von Verzerrungen in generativen Modellen
- Rechtliche und ethische Überlegungen
Branchenspezifische Anwendungen
- Generative KI im Gesundheitswesen
- Kreativbranchen und Unterhaltung
- Generative KI in der wissenschaftlichen Forschung
Forschungstrends in der Generativen KI
- Neueste Entwicklungen und Durchbrüche
- Offene Probleme und Forschungsmöglichkeiten
- Vorbereitung auf eine Forschungskarriere in der Generativen KI
Abschlussprojekt
- Identifikation eines für die Generative KI geeigneten Problems
- Fortgeschrittene Datenvorbereitung und Datenaugmentierung
- Modellauswahl, Training und Fine-Tuning
- Bewertung, Iteration und Präsentation des Projekts
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundlagenverständnis von Konzepten und Algorithmen des maschinellen Lernens
- Erfahrung in der Python-Programmierung und grundlegende Kenntnisse in TensorFlow oder PyTorch
- Vertrautheit mit den Prinzipien neuronaler Netze und Deep Learning
Zielgruppe
- Data Scientists
- Machine-Learning-Ingenieure
- 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
