Basi dell'Intelligenza Artificiale Generativa in Python
Una guida completa per comprendere e implementare l'Intelligenza Artificiale Generativa e i Modelli Linguistici di Grande Dimensione (LLM). Questo corso copre il passaggio dalle fondamenta teoriche allo sviluppo pratico basato su Python, inclusi GAN, modelli di diffusione, transformer, fine-tuning e il deployment in produzione.
Panoramica del corso
📚 Riepilogo del contenuto
Una guida completa per comprendere e implementare l'Intelligenza Artificiale Generativa e i Modelli Linguistici di Grande Dimensione (LLM). Questo corso copre il passaggio dalle fondamenta teoriche allo sviluppo pratico basato su Python, includendo GAN, modelli di diffusione, trasformatori, fine-tuning e distribuzione in produzione.
Padroneggia i principi fondamentali e le applicazioni pratiche dei moderni LLM e delle tecniche generative con Python.
Autore: Carlos Rodriguez
Ringraziamenti: Grazie particolari all'autore sua moglie Jill, ai suoi genitori e ai revisori tecnici Morgan Boyce, Eric Rui e Samira Shaikh (autrice della prefazione).
🎯 Obiettivi didattici
- Distinguere tra i paradigmi classici dell'apprendimento automatico (discriminativi) e i modelli di Intelligenza Artificiale Generativa.
- Identificare le architetture fondamentali dell'Intelligenza Artificiale Generativa, incluse GAN, modelli di diffusione e trasformatori.
- Spiegare il ruolo e l'evoluzione dei Modelli Linguistici di Grande Dimensione (LLM) nell'ambito più ampio dell'intelligenza artificiale.
- Distinguere le caratteristiche uniche e i paradigmi architetturali di GAN, diffusori e trasformatori.
- Analizzare gli avanzamenti e i limiti di ciascun tipo di modello, compresi problemi specifici come il collasso della modalità o la velocità di campionamento.
- Implementare un flusso di lavoro Stable Diffusion e valutare gli output generati utilizzando logit e probabilità basate su CLIP.
- Tracciare l'evoluzione del NLP dai metodi basati sul conteggio iniziali e sui RNN fino alle moderne rappresentazioni distribuite e al transfer learning.
- Spiegare i meccanismi tecnici dell'attenzione multi-testa (MHA), dell'attenzione autonoma, della maschera e della rete feed-forward (FFN).
- Implementare un'architettura completa di trasformatore, inclusi tokenizzazione dei dati, codifica posizionale e funzioni di addestramento/inferenza.
- Mappare le funzionalità di prototipazione (es. Google Colab) a ambienti pronti per la produzione utilizzando Docker e VS Code.
Lezioni 共 7 课时 · 预计 21.0h
Lezioni
Lesson
This lesson explores the concept of the technological Singularity and the exponential growth of AI, while establishing the fundamental distinction between discriminative models that classify data and generative models that synthesize it. Students will learn to analyze the synergy between compute, data, and algorithmic efficiency, as well as the mathematical foundations of probabilistic modeling in high-dimensional spaces.
This lesson explores the three core pillars of generative AI—GANs, diffusion models, and transformers—by analyzing their unique mathematical strategies and architectural trade-offs. Students will learn to differentiate these models based on their training stability, computational efficiency, and specific applications in multimodal synthesis.
This lesson explores the evolution of Natural Language Processing from sparse, count-based methods like TF-IDF to dense, distributed vector representations and recurrent neural architectures. It examines the limitations of RNNs and LSTMs, such as the vanishing gradient problem and the Seq2Seq bottleneck, while establishing the mathematical foundations of the Transformer architecture and self-attention mechanisms.
AI030: Production Engineering and Responsible AI Deployment (Lesson 4) explores the transition from experimental prototyping in notebooks to robust, scalable production systems. Students will learn to implement CI/CD pipelines, ensure model reliability through automated testing, and integrate fairness monitoring to meet ethical and regulatory standards.
This lesson explores the spectrum of model adaptation, comparing the computational efficiency of In-Context Learning with the specialized performance and stability of Parameter-Efficient Fine-Tuning (PEFT) and full fine-tuning. Students will learn to navigate the trade-offs between hardware constraints and model alignment, with a focus on implementing techniques like LoRA to optimize performance in resource-limited environments.
This lesson explores the necessity of domain adaptation for general-purpose LLMs, focusing on techniques like continued pre-training and fine-tuning to align model knowledge with specialized fields. Students will learn to implement parameter-efficient methods like LoRA and develop evaluation frameworks to ensure linguistic accuracy in high-stakes professional environments.
This lesson explores the paradigm shift from resource-heavy model fine-tuning to efficient prompt-based inference and in-context learning. Students will learn to master advanced prompting techniques, such as persona-based conditioning and Chain-of-Thought, to optimize model performance and maintain factual consistency.