Programa do Curso

Revisão de Generative AI conceitos básicos

  • Recapitulação rápida dos conceitos de Generative AI
  • Aplicações avançadas e estudos de caso

Mergulho profundo nas Redes Adversárias Generativas (GANs)

  • Estudo aprofundado das arquitecturas GAN
  • Técnicas para melhorar o treinamento de GANs
  • GANs condicionais e suas aplicações
  • Projeto prático: Conceção de um GAN complexo

Autoencodificadores variacionais avançados (VAEs)

  • Explorar os limites dos VAEs
  • Representações desemaranhadas em VAEs
  • Beta-VAEs e o seu significado
  • Projeto prático: Construir um VAE avançado

Transformadores e modelos generativos

  • Compreender a arquitetura do transformador
  • Transformadores generativos pré-treinados (GPT) e BERT para tarefas generativas
  • Estratégias de ajuste fino para modelos generativos
  • Projeto prático: Afinação de um modelo GPT para um domínio específico

Modelos de difusão

  • Introdução aos modelos de difusão
  • Treinar modelos de difusão
  • Aplicações na geração de imagem e áudio
  • Projeto prático: Implementação de um modelo de difusão

Reinforcement Learning em Generative AI

  • Noções básicas de aprendizagem por reforço
  • Integração da aprendizagem por reforço com modelos generativos
  • Aplicações na conceção de jogos e geração de conteúdos processuais
  • Projeto prático: Criação de conteúdos com aprendizagem por reforço

Tópicos avançados em ética e preconceitos

  • Deepfakes e media sintéticos
  • Detetar e mitigar o enviesamento em modelos generativos
  • Considerações legais e éticas

Aplicações específicas do sector

  • Generative AI nos cuidados de saúde
  • Indústrias criativas e entretenimento
  • Generative AI na investigação científica

Tendências de investigação em Generative AI

  • Últimos avanços e descobertas
  • Problemas em aberto e oportunidades de investigação
  • Preparação para uma carreira de investigação em Generative AI

Projeto de conclusão de curso

  • Identificação de um problema adequado para Generative AI
  • Preparação e aumento de conjuntos de dados avançados
  • Seleção, formação e afinação de modelos
  • Avaliação, iteração e apresentação do projeto

Resumo e próximos passos

Requisitos

  • Conhecimento dos conceitos e algoritmos fundamentais de aprendizagem automática
  • Experiência em programação Python e utilização básica de TensorFlow ou PyTorch
  • Familiaridade com os princípios das redes neurais e da aprendizagem profunda

Público-alvo

  • Cientistas de dados
  • Engenheiros de aprendizagem automática
  • Profissionais de IA
 21 Horas

Próximas Formações Provisórias

Categorias Relacionadas