förklara de teoretiska grunderna för djup generativ modellering, inklusive metoder för att modellera en sannolikhetstäthetsfunktion, nätverksstruktur, förlustfunktion och träningsrutiner;
implementera och träna generativa AI-modeller för att generera ny data, och tillämpa dessa modeller i ett system för datakompression och transmission;
analysera och utvärdera effektiviteten av en lösning baserad på generativa modelleringstekniker för datakompression och transmission;
reflektera över konsekvenser och etiska överväganden av att använda generativa AI-verktyg.
Kursinnehåll
Denna kurs ger en introduktion till generativa modeller, deras tillämpningar för datakompression och transmission, samt deras konsekvenser och etiska överväganden. Detta inkluderar: introduktion till sannolikhetsbaserad generativ modellering; generativa modeller (inklusive variational autoencoders, generativa motståndarnätverk, diffusionsmodeller, flödesbaserade modeller, energibaserade modeller, transformatorer); ramverk och tekniker för datakompression och transmission baserad på generativ AI, inklusive neural kompression, avvägning mellan takt, distorsion och perception, latent kodning, gemensam käll- och kanalkodning; integritet, säkerhet och etiska överväganden kring generativ AI.
Förutsättningar
Envariabelanalys, linjär algebra (t.ex. matriser), sannolikhetslära, Grunder i maskininlärning, Python-programmeringskunskaper, t.ex. för att träna en maskininlärningsmodell
Litteratur
Deep generative modeling. - Tomczak, Jakub M
ICML - Blau, Yochai, Michaeli, Tomer
IEEE Transactions on Cognitive Communications and Networking - Bourtsoulatze, E., Burth Kurka, D.