Generative Adversarial Networks: Membuat dan Melatih GANs

Generative Artificial Intelligence (Kecerdasan Buatan Generatif) mengubah cara kita menciptakan data, namun memahami mekanisme dasar dari cara mesin belajar untuk menghasilkan konten yang realistis adalah kunci untuk menguasai bidang ini. Generative Adversarial Networks (Jaringan Adversaria Generatif/GAN) mewakili salah satu arsitektur yang paling kuat untuk penciptaan data sintetis dan AI kreatif. Kursus ini memandu Anda melalui proses konseptualisasi, pembangunan, dan pelatihan GAN dari awal. Anda akan berpindah dari memahami konsep inti pembelajaran mendalam ke mengimplementasikan arsitektur jaringan ganda yang bersaing dan bekerja sama untuk menghasilkan data sintetis yang sangat realistis. Apa yang akan kau pelajari: - Mengerti prinsip dasar dari model generatif dan intuisi matematika di balik pelatihan adversarial. - Implementasi generator dan diskriminator jaringan menggunakan modern PyTorch pola desain. - Latihan arsitektur GAN klasik dan GAN Convolutional dalam (DCGANs) untuk menghasilkan gambar sintetis. - Terapkan metrik evaluasi modern seperti Fréchet Inception Distance (FID) untuk menilai kualitas generator. - Mengeksplorasi arsitektur GAN dan teknik-teknik untuk menstabilkan proses pelatihan, termasuk Wasserstein GAN (WGANs). - Mengurus aliran kerja generatif menggunakan prinsip dasar MLOps untuk melacak kinerja model dan keluaran sintetis. Anda akan mulai dengan terminologi penting dari jaringan saraf dan model generatif sebelum bergerak langkah demi langkah melalui implementasi loop pelatihan adversarial. Kursus ini dirancang untuk praktisi AI yang bercita-cita, ilmuwan data, dan pengembang perangkat lunak yang baru mengenal pembelajaran mendalam generatif. Tidak diperlukan pengalaman sebelumnya dengan GAN, meskipun pemahaman dasar pemrograman Python akan membantu Anda mendapatkan yang terbaik dari contoh kode tertulis. Mulai membaca hari ini untuk membuka potensi kreatif pembelajaran mendalam generatif.