Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.
Letture e articoli scientifici di riferimento (VAE, GAN, modelli di diffusione, transformer, LLM, RAG, JEPA, modelli multimodali) sono elencati, insieme alle dispense e ai materiali del corso, sul sito ufficiale dell'insegnamento:
Argomenti del programma: Parte I - Fondamenti 1. Teoria della probabilità e algebra lineare per i modelli generativi. 2. Ottimizzazione e teoria dell'informazione. 3. Architetture di deep learning e meccanismo di attenzione (reti convoluzionali, transformer). 4. Apprendimento contrastivo, CLIP e autoencoder (VAE, ELBO). Parte II - Generative AI per le immagini 5. VQ-VAE e Generative Adversarial Networks (GAN): training avversario. 6.