Kerangka Materi

Review Dasar AI Generatif

  • Ringkasan cepat konsep AI generatif
  • Aplikasi lanjutan dan studi kasus

Mendalam ke dalam Jaringan Adversarial Generatif (GANs)

  • Pelayanan mendalam arsitektur GAN
  • Teknik untuk meningkatkan pelatihan GAN
  • GAN kondisional dan aplikasinya
  • Proyek praktis: Desain GAN yang rumit

Autoencoder Variational (VAE) Lanjutan

  • Menjelajahi batas VAE
  • Representasi yang terpisah dalam VAE
  • Beta-VAE dan signifikansinya
  • Proyek praktis: Membangun VAE lanjutan

Transformers dan Model Generatif

  • Memahami arsitektur Transformer
  • Transformer yang telah dilatih sebelumnya (GPT) dan BERT untuk tugas generatif
  • Strategi pemenggunaan kembali untuk model generatif
  • Proyek praktis: Memengguna ulang kembali model GPT untuk domain tertentu

Model Difusi

  • Pendahuluan tentang model difusi
  • Melatih model difusi
  • Aplikasi dalam pembuatan gambar dan audio
  • Proyek praktis: Menerapkan model difusi

Pelatihan Penguatan dalam AI Generatif

  • Dasar pelatihan penguatan
  • Mengintegrasikan pelatihan penguatan dengan model generatif
  • Aplikasi dalam desain permainan dan pembuatan konten prosedural
  • Proyek praktis: Membuat konten dengan pelatihan penguatan

Topik Lanjutan dalam Etika dan Bias

  • Deepfake dan media sintetis
  • Mendeteksi dan memitigasi bias dalam model generatif
  • Perkara hukum dan etika

Aplikasi Berdasarkan Industri

  • AI generatif dalam kesehatan
  • Industri kreatif dan hiburan
  • AI generatif dalam penelitian ilmiah

Tren Penelitian dalam AI Generatif

  • Kemajuan dan penemuan terkini
  • Masalah terbuka dan peluang penelitian
  • Persiapan untuk karir penelitian dalam AI generatif

Proyek Capstone

  • Mengenali masalah yang cocok untuk AI generatif
  • Persiapan dan pengenalan dataset lanjutan
  • Pemilihan model, pelatihan, dan pengoptimalan
  • Penilaian, iterasi, dan presentasi proyek

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pengertian tentang konsep dan algoritma dasar machine learning
  • Pengalaman dalam pemrograman Python dan penggunaan dasar TensorFlow atau PyTorch
  • Ketertarikan pada prinsip jaringan saraf dan deep learning

Peserta

  • Data scientist
  • Insinyur machine learning
  • Praktekwan AI
 21 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait