Struttura del corso

Introduzione a Generative AI

  • Che cos'è Generative AI?
  • Storia ed evoluzione di Generative AI
  • Concetti chiave e terminologia
  • Panoramica delle applicazioni e delle potenzialità di Generative AI

Fondamenti di Machine Learning

  • Introduzione all'apprendimento automatico
  • Tipi di machine learning: supervisionato, non supervisionato e Reinforcement Learning
  • Algoritmi e modelli di base
  • Pre-elaborazione dei dati e progettazione delle funzionalità

Deep Learning Nozioni di base

  • Reti neurali e deep learning
  • Funzioni di attivazione, funzioni di perdita e ottimizzatori
  • Tecniche di overfitting, underfitting e regolarizzazione
  • Introduzione a TensorFlow e PyTorch

Cenni preliminari sui modelli generativi

  • Tipi di modelli generativi
  • Differenze tra modelli discriminativi e generativi
  • Casi d'uso per i modelli generativi

Autoencoder variazionali (VAE)

  • Informazioni sugli autoencoder
  • L'architettura dei VAE
  • Lo spazio latente e il suo significato
  • Progetto pratico: Costruire un semplice VAE

Reti antagoniste generative (GAN)

  • Introduzione alle GAN
  • L'architettura delle GAN: Generatore e Discriminatore
  • Formazione GAN e sfide
  • Progetto pratico: creazione di una GAN di base

Modelli Generativi Avanzati

  • Introduzione ai modelli di trasformatori
  • Panoramica dei modelli GPT (Generative Pretrained Transformer)
  • Applicazioni di GPT nella generazione di testo
  • Progetto pratico: generazione di testo con un modello GPT pre-addestrato

Etica e implicazioni

  • Considerazioni etiche in Generative AI
  • Bias ed equità nei modelli di IA
  • Implicazioni future e IA responsabile

Applicazioni industriali di Generative AI

  • Generative AI in Arte e creatività
  • Applicazioni nel business e nel marketing
  • Generative AI in Scienza e ricerca

Progetto Capstone

  • Ideazione e proposta di un progetto di AI generativa
  • Raccolta e pre-elaborazione di set di dati
  • Selezione e formazione del modello
  • Valutazione e presentazione dei risultati

Riepilogo e prossime tappe

Requisiti

  • Comprensione dei concetti di base della programmazione in Python
  • Esperienza con i concetti matematici di base, in particolare la probabilità e l'algebra lineare

Pubblico

  • Gli sviluppatori
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative