Generatywne głębokie uczenie Tarnowskie Góry

Generatywna sztuczna inteligencja (AI) jest dziś gorącym tematem w dziedzinie techniki. Ta praktyczna książka pokazuje inżynierom uczenia się maszyn, jak wykorzystywać TensorFlow i Keras, aby od zera tworzyć robiące wrażenie generatywne modele głębokiego uczenia, w tym wariacyjne autokodowanie (VAE), generatywne sieci przeciwstawne (GAN), transformery, przepływy normalizacyjne, modele oparte na energii i dyfuzyjne modele odszumiające. Książka zaczyna się od podstaw głębokiego uczenia i prowadzi do nowatorskich architektur. Dzięki wskazówkom i sztuczkom zrozumiesz, jak sprawić, aby nasze modele uczyły się bardziej skutecznie i stawały się bardziej kreatywne. Dowiedz się, jak VAE pozwala zmienić wyraz twarzy na zdjęciu. Naucz GAN generowania obrazów na podstawie własnego zbioru danych. Zbuduj modele dyfuzyjne do tworzenia nowych odmian kwiatów. Wyszkol swój własny GPT, aby generował tekst. Dowiedz się jak są szkolone duże modele językowe jak ChatGPT. Przeanalizuj najnowocześniejsze architektury jak StyleGAN2 i ViT-VQGAN Skomponuj muzykę polifoniczną wykorzystując transformery i MuseGAN Zrozum jak generatywne modele świata mogą rozwiązać zadania uczenia przez wzmacnianie. Zanurz się w multimodalnych modelach jak DALL.E 2, Imagen i Stable Diffusion Książka ta analizuje także przyszłą generacyjną sztuczną inteligencję i sposób, w jaki ludzie i firmy mogą proaktywnie zacząć wykorzystywać tę niezwykłą nową technikę, aby zyskiwać przewagę konkurencyjną. "Generatywne głębokie uczenie to dostępne wprowadzenie do narzędzi głębokiego uczenia dla celów modelowania generatywnego. Jeśli jesteście kreatywnymi praktykami, kochającymi bawić się kodem i chcecie zastosować głębokie uczenie w swojej pracy, ta książka jest dla was." -David Ha Szef strategii, Stability AT "Doskonała książka, która zagłębia się wprost w podstawowe technik stanowiące aktualną wiedzę o generacyjnym głębokim nauczaniu. Jest to ekscytująca analiza jednej z najbardziej fascynujących dziedzin w ramach sztucznej inteligencji!" -Francois Chollet Twórca Keras Spis treści: Dla Aliny, najukochańszego wektora szumu spośród wszystkich. Modelowanie generatywne Czym jest modelowanie generatywne? Nasz pierwszy model generatywny Baza kodu dla generatywnego głębokiego uczenia Podsumowanie Uczenie głębokie Dane dla uczenia głębokiego Głębokie sieci neuronowe Perceptron wielowarstwowy (MLP) Splotowa sieć neuronowa (CNN) Autokodery wariacyjne Autokodery Autokodery wariacyjne Eksploracja przestrzeni ukrytej Generatywne sieci antagonistyczne Wprowadzenie Głęboka splotowa sieć GAN (DCGAN) GAN Wassersteina z karą gradientową (WGAN-GP) Warunkowa GAN (CGAN) Podsumowanie Modele autoregresyjne Wprowadzenie Sieć z długą pamięcią krótkotrwałą (LSTM) Rozszerzenia rekurencyjnej sieci neuronowej (RNN) PixelCNN Podsumowanie Modele przepływów normalizujących Wprowadzenie Przepływy normalizujące RealNVP Inne modele przepływu normalizującego Podsumowanie Modele oparte o energię Wprowadzenie Modele oparte o energię Podsumowanie Modele dyfuzji Wprowadzenie Odszumiające modele dyfuzji (DDM) Podsumowanie Transformery Wprowadzenie GPT Inny transformer Podsumowanie Zaawansowane GAN Wprowadzenie ProGAN StyleGAN StyleGAN2 Inne ważne odmiany GAN Podsumowanie Generowanie muzyki Wprowadzenie Transformery do generowania muzyki MuseGAN Podsumowanie Modele światowe Wprowadzenie Uczenie przez wzmacnianie Ogólne spojrzenie na model światowy Zbieranie losowo zbieranych danych Szkolenie VAE Zbieranie danych do wyszkolenia MDN-RNN Szkolenie MDN-RNN Szkolenie sterownika Szkolenie In-Dream Podsumowanie Modele multimodalne Wprowadzenie DALL.E 2 Imagen Stable Diffusion Flamingo Podsumowanie Wnioski Oś czasu generatywnej sztucznej inteligencji Obecny stan generatywnej sztucznej inteligencji Przyszłość generatywnej sztucznej inteligencji Końcowe przemyślenia O autorze: David Foster jest współzałożycielem Applied Data Science i ekspertem w dziedzinie inżynierii danych. Wygrał kilka międzynarodowych konkursów związanych z uczeniem maszynowym. Jest aktywnym uczestnikiem społeczności internetowych skupionych wokół nauki o danych.