[PARTIE 1 : Introduction à l'apprentissage profond génératif]

CHAPITRE 1 Modélisation générative
_1.1 Qu'est-ce que la modélisation générative ?
_1.2 Modèle de première génération
1.3 Théorie des probabilités fondamentale
1.4 Classification par modèle génératif
_1.5 Génération d'un exemple de code d'apprentissage profond
_1.6 Résumé

CHAPITRE 2 APPRENTISSAGE EN PROFONDEUR
2.1 Données pour l'apprentissage profond
_2.2 Réseaux neuronaux profonds
2.3 Perceptron multicouche
2.4 Réseau neuronal convolutif
_2.5 Résumé

[PARTIE 2 : 6 méthodes de modélisation générative]

CHAPITRE 3 Auto-encodeurs variationnels
3.1 Introduction
_3.2 Autoencodeur
_3.3 Auto-encodeur variationnel
3.4 Exploration de l'espace latent
_3.5 Résumé

CHAPITRE 4 Réseaux antagonistes génératifs
4.1 Introduction
_4.2 GAN convolutionnel profond (DCGAN)
_4.3 Pénalité de gradient GAN de Wasserstein (WGAN-GP)
_4.4 GAN ​​conditionnel (CGAN)
_4.5 Résumé

CHAPITRE 5 Modèles autorégressifs
5.1 Introduction
5.2 Introduction aux réseaux LSTM
Extension RNN _5.3
_5.4 PixelCNN
_5.5 Résumé

CHAPITRE 6 : MODÈLE DE NORMALISATION DES ÉCOULEMENTS
6.1 Introduction
6.2 Normalisation du flux
_6.3 RealNVP
6.4 Autres modèles de flux normalisants
_6.5 Résumé

CHAPITRE 7 Modèles énergétiques
7.1 Introduction
7.2 Modèle basé sur l'énergie
7.3 Résumé

CHAPITRE 8 Modèles de diffusion
8.1 Introduction
8.2 Modèle de diffusion pour la réduction du bruit
8.3 Résumé

[PARTIE 3 Applications de la modélisation générative]

CHAPITRE 9 TRANSFORMERS
_9.1 Introduction
_9.2 GPT
_9.3 Autres transformateurs
_9.4 Résumé

CHAPITRE 10 GAN AVANCÉ
_10.1 Introduction
_10.2 ProGAN
_10.3 StyleGAN
_10.4 StyleGAN2
_10.5 Autres GAN importants
_10.6 Résumé

CHAPITRE 11 CRÉATION MUSICALE
_11.1 Introduction
_11.2 Transformateurs pour la génération musicale
_11.3 MuseGAN
_11.4 Résumé

CHAPITRE 12 Modèle du monde
_12.1 Introduction
12.2 Apprentissage par renforcement
_12.3 Aperçu du modèle mondial
_12.4 Collecte de données de déploiement aléatoire
Formation VAE _12.5
_12.6 Collecte des données d'entraînement MDN-RNN
_12.7 Entraînement MDN-RNN
_12.8 Formation des contrôleurs
_12.9 Formation par les rêves
Résumé du 12.10

CHAPITRE 13 Modèles multimodaux
_13.1 Introduction
_13.2 DALL?E 2
_13.3 Image
13.4 Diffusion stable
_13.5 Flamant rose
_13.6 Résumé

CHAPITRE 14 CONCLUSION
_14.1 Chronologie de l'IA générée
14.2 État actuel de l'IA générative
_14.3 L'avenir de l'IA générative
_14.4 Commentaires finaux

Deuxième partie de « Apprentissage profond par GAN dans un musée d'art : un projet pratique »
Le passé, le présent et l'avenir de l'IA générative qui a changé le monde.

David Foster est de retour et explique l'IA générative de manière claire et convaincante.
La première édition de cet ouvrage, « GAN Deep Learning Practical Project for Art Museums », était consacrée aux GAN, mais le domaine de l'IA générative a considérablement progressé depuis sa publication.
Nous avons mis à jour la 2e édition afin de rendre compte des progrès fulgurants de l'IA générative qui ont stupéfié le monde.
Nous avons mis à jour le contenu existant avec les dernières informations techniques, ajouté des descriptions plus détaillées des transformateurs et intégré du nouveau contenu pour les modèles multimodaux.
La deuxième édition mise à jour est désormais disponible sous le nouveau titre « Apprendre l’IA générative en créant », car elle ne couvre pas le contenu spécifique aux GAN.

Grâce à une technologie de pointe, ce livre fera de vous un expert en intelligence artificielle générative, avec des récits captivants, des exemples concrets et des applications pratiques.
Apprenez à utiliser les techniques créatives assistées par ordinateur les plus avancées.
Ce n'est pas grave si vous n'avez aucune expérience en intelligence artificielle générative.
Nous vous guiderons pas à pas dès le début afin que vous puissiez acquérir les compétences nécessaires.
Il vous suffit d'avoir une certaine expérience en programmation Python.
Après avoir assimilé les principes fondamentaux des modèles génératifs, apprenez l'IA générative en programmant directement avec Python et Keras.


Qu'est-ce qui a changé dans la 2e édition ?

-Le chapitre 1 présente différents modèles génératifs et contient un système de classification qui montre leurs relations.
-Le chapitre 2 propose des illustrations améliorées et explique les concepts clés plus en détail.
-Le chapitre 3 contient de nouveaux exemples et explications.
-Le chapitre 4 explique l'architecture GAN conditionnelle.
-Le chapitre 5 décrit les modèles autorégressifs pour les images (par exemple, PixelCNN).
-Le chapitre 6 est un chapitre entièrement nouveau, expliquant le modèle RealNVP.
-Le chapitre 7 est également nouveau et se concentre sur des techniques telles que la dynamique de Langevin et la divergence contrastive.
-Le chapitre 8 est un chapitre nouvellement rédigé pour les modèles de diffusion de suppression du bruit, qui constituent la base de nombreuses applications modernes aujourd'hui.
-Le chapitre 9 développe le dernier chapitre de la première édition, en fournissant une couverture approfondie des différentes architectures de modèles StyleGAN et un nouveau contenu sur VQ-GAN.
-Le chapitre 10 est un nouveau chapitre qui examine de plus près l'architecture du transformateur.
-Le chapitre 11 traite de la dernière architecture de transformateur, remplaçant le modèle LSTM de la première édition.
-Le chapitre 12 contient des illustrations et des explications mises à jour, et présente la manière dont cette approche influence l'apprentissage par renforcement de pointe d'aujourd'hui.
-Le chapitre 13 est un nouveau chapitre qui détaille le fonctionnement de modèles impressionnants tels que DALL·E 2, Imagen, Stable Diffusion et Flamingo.
Le chapitre 14 reflète les progrès remarquables accomplis dans le domaine de l'IA générative depuis la première édition et offre une vision plus complète et détaillée de l'évolution future de ce domaine.

Public cible

- Les étudiants de premier cycle et les développeurs qui souhaitent comprendre le fonctionnement de l'IA générative et l'essayer eux-mêmes.
Ingénieurs en apprentissage automatique, scientifiques des données et chercheurs intéressés par les dernières technologies d'apprentissage profond.

Contenu principal

-Modifier les expressions faciales sur les photos avec VAE
- Générer des images à l'aide d'un GAN entraîné sur son propre ensemble de données.
-Création de nouveaux types de fleurs à l'aide d'un modèle de diffusion
-Entraîner son propre GPT pour la génération de texte
Apprenez à entraîner ChatGPT, un modèle de langage à grande échelle.
-Étudier les architectures de pointe telles que StyleGAN2 et ViT VQ-GAN.
-Composition de musique polyphonique à l'aide de Transformers et de MuseGAN
- Comprendre comment les modèles du monde résolvent les tâches d'apprentissage par renforcement.
-Apprenez-en davantage sur les modèles multimodaux tels que DALL·E 2, Imagen et la diffusion stable.