Especialização em Redes Adversárias Generativas (GANs)

Aprenda sobre GANs e suas aplicações; Entenda a intuição por trás dos componentes fundamentais de GANs; Explore e implemente várias arquiteturas de GAN; Construa GANs condicionais capazes de gerar exemplos de categorias determinadas.

Aprenda sobre GANs e suas aplicações, entenda a intuição por trás dos componentes básicos de GANs e construa seu próprio GAN usando PyTorch.

Construa um GAN mais sofisticado usando camadas convolucionais. Aprenda sobre funções de ativação úteis, normalização de lote e convoluções transpostas para ajustar a arquitetura do seu GAN e aplicá-las para construir um DCGAN avançado especificamente para processamento de imagens.

Reduza as falhas de GANs devido a desequilíbrios entre o gerador e o discriminador aprendendo técnicas avançadas como WGANs para mitigar o treinamento instável e o colapso de modo com uma perda W e uma compreensão da Continuidade de Lipschitz.

Entenda como controlar efetivamente seu GAN, modificar os recursos em uma imagem gerada e construir GANs condicionais capazes de gerar exemplos de categorias determinadas.

Avalie os desafios de avaliar GANs e compare diferentes modelos generativos; Use o método Fréchet Inception Distance (FID) para avaliar a fidelidade e diversidade dos GANs; Identifique fontes de viés e as maneiras de detectá-lo em GANs; Aprenda e implemente as técnicas associadas aos StyleGANs de última geração.

Entenda os desafios de avaliar GANs, aprenda sobre as vantagens e desvantagens de diferentes medidas de desempenho de GANs e implemente o método Fréchet Inception Distance (FID) usando embeddings para avaliar a precisão dos GANs.

Descubra as desvantagens dos GANs em comparação com outros modelos generativos, descubra os prós/contras desses modelos — além disso, aprenda sobre os muitos lugares de onde pode vir o viés em aprendizado de máquina, por que é importante e uma abordagem para identificá-lo em GANs.

Entenda como o StyleGAN melhora os modelos anteriores e implemente os componentes e as técnicas associadas ao StyleGAN, atualmente o GAN mais avançado com capacidades poderosas.

Explore as aplicações de GANs e examine-as em relação ao aumento de dados, privacidade e anonimato; Aproveite a estrutura de tradução de imagem para imagem e identifique aplicações para modalidades além de imagens; Implemente Pix2Pix, um GAN de tradução de imagem para imagem pareada, para adaptar imagens de satélite em rotas de mapas (e vice-versa); Compare tradução de imagem para imagem pareada com tradução de imagem para imagem não pareada e identifique como sua diferença chave exige diferentes arquiteturas de GAN; Implemente CycleGAN, um modelo de tradução de imagem para imagem não pareada, para adaptar cavalos a zebras (e vice-versa) com dois GANs em um.

Explore as aplicações de GANs e examine-as em relação ao aumento de dados, privacidade e anonimato. Melhore seus modelos de IA downstream com dados gerados por GAN.

Aproveite a estrutura de tradução de imagem para imagem e identifique extensões, generalizações e aplicações dessa estrutura para modalidades além de imagens. Implemente Pix2Pix, um GAN de tradução de imagem para imagem pareada, para adaptar imagens de satélite em rotas de mapas (e vice-versa) com arquiteturas avançadas de gerador U-Net e discriminador PatchGAN.

Compare tradução de imagem para imagem pareada com tradução de imagem para imagem não pareada e identifique como sua diferença chave exige diferentes arquiteturas de GAN. Implemente CycleGAN, um modelo de tradução de imagem para imagem não pareada, para adaptar cavalos a zebras (e vice-versa) com dois GANs em um.