Introduction à l'IA générative vs. ML traditionnel

Aperçu

Understanding the difference between traditional machine learning and generative AI is crucial for making informed decisions about AI implementation. In this course, Introduction to Generative AI vs.

Traditional ML, you’ll learn to evaluate, compare, and choose the best AI approach for your projects. First, you’ll explore the fundamentals of traditional ML, including supervised, unsupervised, and reinforcement learning.

Next, you’ll discover how generative AI models like transformers, GANs, and diffusion models work and where they excel. Finally, you’ll learn how to select the right approach based on data availability, business needs, and computational resources.

When you’re finished with this course, you’ll have the skills and knowledge of both traditional ML and generative AI needed to make strategic AI decisions and apply the right technology to your projects effectively.

Programme

• Introduction
Aperçu du cours et objectifs
Importance de comprendre les paradigmes de l'IA
• Fondamentaux de l'apprentissage automatique traditionnel
Apprentissage supervisé
Définition et exemples
Algorithmes clés : Régression linéaire, Arbres de décision, SVM
Apprentissage non supervisé
Regroupement et réduction de dimensionnalité
Algorithmes clés : K-means, PCA
Apprentissage par renforcement
Notions de base des récompenses et politiques
Applications et algorithmes clés
• Introduction à l'IA générative
Vue d'ensemble des modèles génératifs
Concepts clés en IA générative
• Modèles d'IA générative
Transformateurs
Architecture Transformer
Applications en PNL et au-delà
Réseaux antagonistes génératifs (GANs)
Fonctionnement des GANs : Générateur vs. Discriminateur
Architectures de GANs populaires
Modèles de diffusion
Comprendre les processus de diffusion
Avancées récentes et applications
• Comparaison de l'IA générative avec l'apprentissage automatique traditionnel
Forces et limites de chaque approche
Cas d'utilisation et applications industrielles
Études de cas : Comparaison des résultats et des efficacités
• Cadre de prise de décision pour la mise en œuvre de l'IA
Évaluation de la disponibilité et de la qualité des données
Évaluation des besoins et objectifs commerciaux
Considération des ressources informatiques
• Application de la théorie à la pratique
Projet pratique : Sélectionner des approches d'IA pour des scénarios réels
Outils et plateformes pour la mise en œuvre
• Conclusion du cours
Récapitulatif des principaux résultats d'apprentissage
Perspectives d'avenir dans le développement et la stratégie de l'IA
• Ressources supplémentaires et références

---

Enseigné par

Alper Tellioglu

---

Matières

Computer Science