Über GANs
Generative Adversarial Networks (GANs) sind leistungsstarke maschinelle Lernmodelle, die realistische Bild-, Video- und Sprachausgaben erzeugen können.
GANs sind in der Spieltheorie verwurzelt und haben ein breites Anwendungsspektrum: von der Verbesserung der Cybersicherheit durch die Bekämpfung feindlicher Angriffe und die Anonymisierung von Daten zur Wahrung der Privatsphäre bis hin zur Erzeugung modernster Bilder, der Einfärbung von Schwarzweißbildern, der Erhöhung der Bildauflösung, der Erstellung von Avataren, der Umwandlung von 2D-Bildern in 3D und vielem mehr.
Über diese Specialization
Die DeepLearning.AI Specialization Generative Adversarial Networks (GANs) bietet eine aufregende Einführung in die Bilderzeugung mit GANs, die den Weg von grundlegenden Konzepten zu fortgeschrittenen Techniken durch einen leicht verständlichen Ansatz aufzeigt. Darüber hinaus werden auch die sozialen Auswirkungen behandelt, einschließlich der Verzerrungen in ML und die Möglichkeiten, diese zu erkennen, die Wahrung der Privatsphäre und vieles mehr.
Bauen Sie eine umfassende Wissensbasis auf und sammeln Sie praktische Erfahrungen mit GANs. Trainieren Sie Ihr eigenes Modell mit PyTorch, erstellen Sie damit Bilder und bewerten Sie eine Vielzahl fortgeschrittener GANs.
Über Sie
Diese Specialization richtet sich an Software-Ingenieure, Studenten und Forscher aus allen Bereichen, die sich für maschinelles Lernen interessieren und verstehen wollen, wie GANs funktionieren.
Diese Specialization bietet einen leicht zugänglichen Weg für alle Lernenden, die in den Bereich der GANs einsteigen oder GANs auf ihre eigenen Projekte anwenden möchten, auch ohne vorherige Kenntnisse in fortgeschrittener Mathematik und maschineller Lernforschung.
Übungsprojekt
Kurs 1: In diesem Kurs lernen Sie die grundlegenden Komponenten von GANs kennen, erstellen ein grundlegendes GAN mit PyTorch, verwenden Faltungsschichten, um fortgeschrittene DCGANs zu erstellen, die Bilder verarbeiten, wenden die W-Loss-Funktion an, um das Problem des verschwindenden Gradienten zu lösen, und lernen, wie Sie Ihre GANs effektiv kontrollieren und bedingte GANs erstellen können.
Kurs 2: In diesem Kurs werden Sie die Herausforderungen bei der Bewertung von GANs verstehen, verschiedene generative Modelle vergleichen, die Fréchet Inception Distance (FID) Methode anwenden, um die Treue und Diversität von GANs zu bewerten, Quellen von Verzerrungen und die Möglichkeiten, diese in GANs zu erkennen, identifizieren und die Techniken im Zusammenhang mit dem hochmodernen StyleGAN lernen und implementieren.
Kurs 3: In diesem Kurs werden Sie GANs zur Datenerweiterung und zum Schutz der Privatsphäre einsetzen, weitere Anwendungen von GANs untersuchen und Pix2Pix und CycleGAN für die Bildübersetzung entwickeln.
