Especialización en Redes Generativas Antagónicas (GANs)

Aprende sobre las GANs y sus aplicaciones; Entiende la intuición detrás de los componentes fundamentales de las GANs; Explora e implementa múltiples arquitecturas de GAN; Construye GANs condicionales capaces de generar ejemplos de categorías determinadas.

Aprende sobre las GANs y sus aplicaciones, entiende la intuición detrás de los componentes básicos de las GANs, y construye tu propia GAN usando PyTorch.

Construye una GAN más sofisticada usando capas convolucionales. Aprende sobre funciones de activación útiles, normalización por lotes y convoluciones transpuestas para ajustar la arquitectura de tu GAN y aplícalas para construir una DCGAN avanzada específicamente para procesar imágenes.

Reduce las fallas de las GANs debido a desequilibrios entre el generador y el discriminador aprendiendo técnicas avanzadas como WGANs para mitigar el entrenamiento inestable y el colapso de modos con una pérdida W y una comprensión de la Continuidad de Lipschitz.

Entiende cómo controlar efectivamente tu GAN, modificar las características en una imagen generada, y construir GANs condicionales capaces de generar ejemplos de categorías determinadas.

Evalúa los desafíos de evaluar las GANs y compara diferentes modelos generativos; Usa el método de Distancia de Incepción de Fréchet (FID) para evaluar la fidelidad y diversidad de las GANs; Identifica fuentes de sesgo y las formas de detectarlo en las GANs; Aprende e implementa las técnicas asociadas con las StyleGANs de última generación.

Entiende los desafíos de evaluar las GANs, aprende sobre las ventajas y desventajas de diferentes medidas de rendimiento de GAN, e implementa el método de Distancia de Incepción de Fréchet (FID) usando incrustaciones para evaluar la precisión de las GANs.

Descubre las desventajas de las GANs en comparación con otros modelos generativos, descubre los pros y contras de estos modelos, además, aprende sobre los muchos lugares de donde puede provenir el sesgo en el aprendizaje automático, por qué es importante y un enfoque para identificarlo en las GANs.

Entiende cómo StyleGAN mejora los modelos anteriores e implementa los componentes y las técnicas asociadas con StyleGAN, actualmente la GAN más avanzada con capacidades poderosas.

Explora las aplicaciones de las GANs y examínalas con respecto a la augmentación de datos, la privacidad y el anonimato; Aprovecha el marco de traducción de imagen a imagen e identifica aplicaciones a modalidades más allá de las imágenes; Implementa Pix2Pix, una GAN de traducción de imagen a imagen emparejada, para adaptar imágenes satelitales a rutas de mapas (y viceversa); Compara la traducción de imagen a imagen emparejada con la traducción de imagen a imagen no emparejada e identifica cómo su diferencia clave requiere diferentes arquitecturas de GAN; Implementa CycleGAN, un modelo de traducción de imagen a imagen no emparejada, para adaptar caballos a cebras (y viceversa) con dos GANs en una.

Explora las aplicaciones de las GANs y examínalas con respecto a la augmentación de datos, la privacidad y el anonimato. Mejora tus modelos de IA con datos generados por GAN.

Aprovecha el marco de traducción de imagen a imagen e identifica extensiones, generalizaciones y aplicaciones de este marco a modalidades más allá de las imágenes. Implementa Pix2Pix, una GAN de traducción de imagen a imagen emparejada, para adaptar imágenes satelitales a rutas de mapas (y viceversa) con arquitecturas avanzadas de generador U-Net y discriminador PatchGAN.

Compara la traducción de imagen a imagen emparejada con la traducción de imagen a imagen no emparejada e identifica cómo su diferencia clave requiere diferentes arquitecturas de GAN. Implementa CycleGAN, un modelo de traducción de imagen a imagen no emparejada, para adaptar caballos a cebras (y viceversa) con dos GANs en una.