Więcej psów i sieci GAN

Oto wyniki działania generatywnej sieci antagonistycznej (GAN) podczas trenowania – sieć uczy się tworzyć jak najbardziej realistyczne obrazy psów.

Cztery obrazy psów, z których każdy wygląda bardziej realistycznie niż poprzedni.

(Źródło: Projected GANs Converge Faster, 2021)

Pamiętaj, że GAN składa się z dwóch modeli pozostających w rywalizacji: model generatora stara się tworzyć fałszywe dane wyglądające jak prawdziwe, a model dyskryminatora próbuje odróżnić dane prawdziwe od fałszywych. Skorzystaj z interaktywnej aplikacji, aby prześledzić proces trenowania sieci GAN krok po kroku.

Jak opiszesz zmiany w wynikach w miarę postępu trenowania?

To ćwiczenie jest częścią kursu

Koncepcje generatywnej AI

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Koncepcje generatywnej AI

SkillTag.level.beginnerSkillTag.label

4.8+

9016 reviews

Rozpocznij kurs za darmo

Zapoznasz się z koncepcją generatywnej AI i jej zdolnością do tworzenia treści, poznasz jej zastosowania w praktyce oraz ograniczenia. Zgłębisz różnice między tradycyjnymi modelami uczenia maszynowego, generatywną AI i sztuczną inteligencją ogólną (AGI), a także przeanalizujesz kluczowe czynniki napędzające rozwój generatywnej AI.

Exercise 1: Czym jest generatywna AI?Exercise 2: Poznaj generatywną AI Exercise 3: Praca z modelem generatywnej AI Exercise 4: Zastosowania generatywnej AI Exercise 5: Generatywna AI w krajobrazie uczenia maszynowego Exercise 6: Dobierz odpowiednie narzędzie do zadania Exercise 7: Generatywna AI a tradycyjne uczenie maszynowe – kluczowe różnice Exercise 8: Więcej psów i sieci GAN

Bieżące ćwiczenie

Exercise 9: Ewolucja generatywnej AI Exercise 10: Co napędza rozwój tej dziedziny Exercise 11: Transformery Exercise 12: Przełomy w generatywnej AI

W tym rozdziale omawiamy najważniejsze etapy tworzenia modeli generatywnej AI: badania i projektowanie, zbieranie danych, trenowanie modelu oraz jego ewaluację. Przyglądamy się znaczeniu zróżnicowanych zbiorów danych i zaawansowanych technik trenowania, a także różnym metodom oceny modeli – wraz z ich mocnymi stronami i ograniczeniami.

Exercise 1: Projektowanie modelu i zbieranie danych Exercise 2: Badania i projektowanie Exercise 3: Nieoczekiwany zbiór danych?Exercise 4: Trenowanie modelu Exercise 5: Czynniki wpływające na trenowanie modelu Exercise 6: Techniki tworzenia wyspecjalizowanych modeli Exercise 7: Ocena modelu Exercise 8: Animacje PixAIr Exercise 9: Pomoc w ocenie modelu Intellibrand

Ten rozdział poświęcony jest odpowiedzialnemu korzystaniu z generatywnej AI. Omawiamy wyzwania związane ze stronniczością społeczną oraz strategie jej ograniczania, kwestie własności intelektualnej i prywatności, a także zagadnienia etyczne pozwalające zapobiegać nadużyciom. Na koniec przyglądamy się ogromnemu potencjałowi i zagrożeniom związanym ze sztuczną inteligencją ogólną (AGI) oraz metodom kontrolowania jej wyników.", "chapter3.md|parsed_data|description": "Ten rozdział poświęcony jest odpowiedzialnemu korzystaniu z generatywnej AI. Omawiamy wyzwania związane ze stronniczością społeczną oraz strategie jej ograniczania, kwestie własności intelektualnej i prywatności, a także zagadnienia etyczne pozwalające zapobiegać nadużyciom. Na koniec przyglądamy się ogromnemu potencjałowi i zagrożeniom związanym ze sztuczną inteligencją ogólną (AGI) oraz metodom kontrolowania jej wyników.

Exercise 1: Ocenianie i ograniczanie stronniczości społecznej Exercise 2: Źródła stronniczości Exercise 3: Wykrywanie i ograniczanie stronniczości Exercise 4: Prawa autorskie i własność Exercise 5: Kwestie prawne i prywatność Exercise 6: Identyfikowanie roszczeń dotyczących własności intelektualnej Exercise 7: Odpowiedzialne zastosowania generatywnej AI Exercise 8: Zasady użytkowania Exercise 9: Wdrażanie odpowiedzialnych praktyk AI Exercise 10: Sztuczna inteligencja ogólna (AGI)Exercise 11: Cechy AGI Exercise 12: Wpływ na wyniki AGI

Rozdział 4 analizuje potencjał, wpływ i integrację generatywnej AI z ludzkimi procesami pracy. Omawia kluczowych uczestników rozwoju AI – od uczelni po firmy technologiczne – oraz sposoby, w jakie społeczeństwo adaptuje się do AI. Zgłębia konsekwencje AI dla produktywności, rynku pracy, edukacji, mediów, rozrywki, postępu naukowego i kwestii etycznych.

Exercise 1: Wprowadzanie nowej AI do starych procesów Exercise 2: Wykorzystanie generatywnej AI w data science Exercise 3: Projektowanie nowej kampanii marketingowej Exercise 4: Postępy w dziedzinie generatywnej AI Exercise 5: Upublicznić kod źródłowy czy nie?Exercise 6: Super Duper GANs Exercise 7: Przygotowanie na przyszłość generatywnej AI Exercise 8: Generatywna AI w edukacji Exercise 9: Wartość umiejętności w świecie AI Exercise 10: Udało ci się!