À propos des GAN
Les réseaux adversaires génératifs (GAN) sont de puissants modèles d'apprentissage automatique capables de générer des images, des vidéos et des voix réalistes.
Enracinés dans la théorie des jeux, les GAN ont des applications très variées : amélioration de la cybersécurité en luttant contre les attaques adverses, anonymisation des données pour préserver la vie privée, génération d'images de pointe, colorisation d'images en noir et blanc, augmentation de la résolution des images, création d'avatars, transformation d'images 2D en 3D, etc.
À propos de cette Specializations
La spécialisation DeepLearning.AI Generative Adversarial Networks (GANs) propose une introduction passionnante à la génération d'images avec les GANs, en traçant un chemin depuis les concepts fondamentaux jusqu'aux techniques avancées à travers une approche facile à comprendre. Elle couvre également les implications sociales, y compris les biais dans les ML et les moyens de les détecter, la préservation de la vie privée, et plus encore.
Construisez une base de connaissances complète et bénéficiez d'une expérience pratique des GANs. Entraînez votre propre modèle à l'aide de PyTorch, utilisez-le pour créer des images et évaluez une variété de GANs avancés.
A propos de vous
Cette Specialization s'adresse aux ingénieurs logiciels, aux étudiants et aux chercheurs de tout domaine, qui s'intéressent à l'apprentissage automatique et veulent comprendre le fonctionnement des GANs.
Cette Specializations fournit un chemin accessible pour tous les niveaux d'apprenants qui cherchent à percer dans l'espace des GANs ou à appliquer les GANs à leurs propres projets, même sans familiarité préalable avec les mathématiques avancées et la recherche sur l'apprentissage automatique.
Projet d'apprentissage appliqué
Cours 1 : Dans ce cours, vous comprendrez les composants fondamentaux des GANs, construirez un GAN de base en utilisant PyTorch, utiliserez des couches convolutives pour construire des DCGANs avancés qui traitent les images, appliquerez la fonction W-Loss pour résoudre le problème du gradient disparaissant, et apprendrez comment contrôler efficacement vos GANs et construire des GANs conditionnels.
Cours 2 : Dans ce cours, vous comprendrez les défis de l'évaluation des GANs, comparerez différents modèles génératifs, utiliserez la méthode Fréchet Inception Distance (FID) pour évaluer la fidélité et la diversité des GANs, identifierez les sources de biais et les moyens de les détecter dans les GANs, et apprendrez et mettrez en œuvre les techniques associées à l'état de l'art StyleGAN.
Cours 3 : Dans ce cours, vous utiliserez les GANs pour l'augmentation des données et la préservation de la vie privée, vous étudierez d'autres applications des GANs, et vous construirez Pix2Pix et CycleGAN pour la traduction d'images.
