Hoppa till innehållet
AI-grafen

Generativa modeller i djupet

Diffusion, GAN och hur man faktiskt utvärderar en modell som skapar innehåll — inklusive memoreringskontroll.

F· AI engineering

Alla kunskaper som ingår (63) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5CFunktioner och koordinatsystem
  6. 6DDerivata och optimering
  7. 7DIntegraler — grunderna
  8. 8CProgrammeringslogik — variabler, villkor, loopar
  9. 9CPython — grunderna
  10. 10CPython — listor, loopar och dictionaries
  11. 11BRegler kontra inlärning
  12. 12CStatistik — medelvärde, median och spridning
  13. 13CSannolikhet — grunderna
  14. 14EIntegraler i sannolikhet: väntevärde
  15. 15DLoss-funktioner
  16. 16ATal och de fyra räknesätten
  17. 17BBinära tal och bitar
  18. 18BBråk, decimaltal och procent
  19. 19CHur datorn lagrar text, bilder och ljud
  20. 20BNegativa tal
  21. 21DTokenisering
  22. 22BTräningsdata, features och etiketter
  23. 23BKlassificering — så sorterar en modell
  24. 24CDin första prediktiva modell — en rät linje
  25. 25DGradient descent
  26. 26CNeuronnät — intuitionen
  27. 27CVariabler och algebraiska uttryck
  28. 28CPotenser och rötter
  29. 29DLogaritmer
  30. 30EInformationsteori: entropi och KL-divergens
  31. 31DVektorer
  32. 32DMatriser och matrismultiplikation
  33. 33DLinjär regression med flera features
  34. 34ELinjära avbildningar
  35. 35EEgenvärden och egenvektorer
  36. 36EMatrisfaktorisering och lågrangsapproximation
  37. 37DNeuronnät — forward pass med matriser
  38. 38DBackpropagation
  39. 39EFaltningsnät (CNN)
  40. 40DEmbeddings — ord som vektorer
  41. 41DAttention
  42. 42EGenerativa modeller — översikt
  43. 43FDiffusionsmodeller
  44. 44GDiffusionsmodeller — matematiken
  45. 45GFlow matching
  46. 46FGAN
  47. 47DNumPy — arrayer och vektorisering
  48. 48EBildförbehandling och augmentering
  49. 49DOverfitting och generalisering
  50. 50DPyTorch — tensorer och autograd
  51. 51ESingulärvärdesuppdelning (SVD)
  52. 52EPCA — principalkomponentanalys
  53. 53EAutoencoders
  54. 54DTräning, validering och test
  55. 55DTräna ett neuronnät i PyTorch
  56. 56DTransformers — arkitekturen
  57. 57ESpråkmodeller — träning och generering
  58. 58EModellutvärdering
  59. 59EVision Transformer (ViT)
  60. 60FCLIP och kontrastiv bild–text-inlärning
  61. 61FLatent diffusion och text-till-bild
  62. 62FUtvärdering av generativa modeller
  63. 63FVariational autoencoders