IA générative pratique
 |
Description
Introduction au livre
Intelligence artificielle générative : de la théorie à la pratique
Maîtrisez la mise en œuvre pratique de GenAI dans un seul livre avec les développeurs principaux de Hugging Face.
L'auteur qui a développé le Hugging Face Core met personnellement en œuvre les technologies les plus récentes pour combler le fossé entre la théorie et la pratique et répondre à la soif de technologie.
Au-delà de l'ingénierie de la propulsion, cet ouvrage explore la structure interne des transformateurs et des modèles de diffusion, vous permettant de comprendre les principes fondamentaux de l'IA générative et d'apprendre en mettant vous-même en œuvre des technologies de pointe.
Il aborde les principales structures et méthodes de fonctionnement de l'IA générative, en se concentrant sur les transformateurs et les modèles de diffusion, et fournit une explication approfondie du fonctionnement des modèles multimodaux qui génèrent des images, du texte et de l'audio, ainsi que de la manière de les utiliser.
Il organise les concepts fondamentaux tels que les auto-encodeurs, CLIP et U-Net, et est structuré de manière à ce que vous puissiez apprendre à la fois les concepts et leur mise en œuvre grâce à divers exercices axés sur des projets, allant de la génération de texte, la génération d'images conditionnelles et la génération audio.
En particulier, vous pouvez vous entraîner directement sans réglages compliqués en utilisant l'environnement basé sur Hugging Face et Google Colab, et vous pouvez également mettre en œuvre progressivement les dernières technologies telles que Stable Diffusion, Dreambooth et LoRA.
Cet ouvrage présente également les techniques d'apprentissage par transfert nécessaires aux applications pratiques, depuis la classification, la génération et l'ajustement fin de textes par directives jusqu'à la mise en œuvre de la génération par augmentation (RAG), avec des exemples de code. Outre des exemples d'applications créatives comme la restauration d'images, l'édition d'images et les réseaux de contrôle, il examine les tendances de développement des dernières technologies d'IA générative telles que la multimodalité, la vision 3D et la génération vidéo.
Pour les développeurs souhaitant appliquer l'IA générative en pratique, ce livre constituera un guide complet et systématique, couvrant tous les aspects, des principes techniques à la mise en œuvre et à l'application.
Maîtrisez la mise en œuvre pratique de GenAI dans un seul livre avec les développeurs principaux de Hugging Face.
L'auteur qui a développé le Hugging Face Core met personnellement en œuvre les technologies les plus récentes pour combler le fossé entre la théorie et la pratique et répondre à la soif de technologie.
Au-delà de l'ingénierie de la propulsion, cet ouvrage explore la structure interne des transformateurs et des modèles de diffusion, vous permettant de comprendre les principes fondamentaux de l'IA générative et d'apprendre en mettant vous-même en œuvre des technologies de pointe.
Il aborde les principales structures et méthodes de fonctionnement de l'IA générative, en se concentrant sur les transformateurs et les modèles de diffusion, et fournit une explication approfondie du fonctionnement des modèles multimodaux qui génèrent des images, du texte et de l'audio, ainsi que de la manière de les utiliser.
Il organise les concepts fondamentaux tels que les auto-encodeurs, CLIP et U-Net, et est structuré de manière à ce que vous puissiez apprendre à la fois les concepts et leur mise en œuvre grâce à divers exercices axés sur des projets, allant de la génération de texte, la génération d'images conditionnelles et la génération audio.
En particulier, vous pouvez vous entraîner directement sans réglages compliqués en utilisant l'environnement basé sur Hugging Face et Google Colab, et vous pouvez également mettre en œuvre progressivement les dernières technologies telles que Stable Diffusion, Dreambooth et LoRA.
Cet ouvrage présente également les techniques d'apprentissage par transfert nécessaires aux applications pratiques, depuis la classification, la génération et l'ajustement fin de textes par directives jusqu'à la mise en œuvre de la génération par augmentation (RAG), avec des exemples de code. Outre des exemples d'applications créatives comme la restauration d'images, l'édition d'images et les réseaux de contrôle, il examine les tendances de développement des dernières technologies d'IA générative telles que la multimodalité, la vision 3D et la génération vidéo.
Pour les développeurs souhaitant appliquer l'IA générative en pratique, ce livre constituera un guide complet et systématique, couvrant tous les aspects, des principes techniques à la mise en œuvre et à l'application.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
[Partie 1 : Utilisation du modèle ouvert]
Chapitre 1 : Introduction aux médias génératifs
_1.1 Création d'images
_1.2 Génération de texte
1.3 Création d'un clip audio
_1.4 Impacts éthiques et sociaux
_1.5 Passé et présent des modèles de génération
1.6 Comment développer un modèle d'IA générative
_1.7 Résumé
Chapitre 2 Transformers
_2.1 Cas d'utilisation du modèle de langage
2.2 Bloc transformateur
_2.3 Lignée du modèle Transformer
_2.4 Le pouvoir du préapprentissage
_2.5 Résumé des Transformers
2.6 Projet de génération de texte utilisant des modèles de langage
_2.7 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 3 Compression et représentation de l'information
_3.1 Autoencodeur
_3.2 Auto-encodeur variationnel
_3.3 CLIP
3.4 Alternatives à CLIP
_3.5 Projet de recherche d'images sémantique
_3.6 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 4 Modèle de diffusion
_4.1 Principe fondamental : Amélioration itérative
4.2 Apprentissage par modèle de diffusion
4.3 Analyse approfondie des programmes de bruit
_4.4 Analyse approfondie du réseau U-Net et des solutions alternatives
4.5 Analyse approfondie des objectifs de diffusion
4.6 Projet d'apprentissage du modèle de diffusion inconditionnelle
4.7 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 5 Diffusion stable et génération conditionnelle
5.1 Ajout de conditions au modèle de diffusion conditionnelle
5.2 Diffusion potentielle pour accroître l'efficacité
5.3 Analyse approfondie des composants de diffusion stable
5.4 Boucle d'échantillonnage annotée
5.5 Données ouvertes, modèle ouvert
5.6 Création d'une démonstration interactive d'apprentissage automatique avec le projet Gradio
_5.7 Résumé
_Problèmes pratiques
_Défi
_Références
Apprentissage par transfert pour les modèles génératifs - Partie 2
Chapitre 6 : Réglage fin des modèles de langage
6.1 Classification des textes
_6.2 Génération de texte
_6.3 Instructions
_6.4 Introduction à l'adaptateur
_6.5 Introduction à la quantification
_6.6 Mise en œuvre intégrée
6.7 Compréhension approfondie des méthodes d'évaluation
_6.8 Projet de génération d'augmentation de la recherche
_6.9 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 7 : Réglage fin de la diffusion stable
_7.1 Réglage fin du modèle complet de diffusion stable
_7.2 Cabine de rêve
_7.3 Apprentissage LoRA
7.4 Ajout de nouvelles fonctionnalités à la diffusion stable
Projet d'apprentissage LoRa Dreambooth SDXL 7.5
_7.6 Résumé
_Problèmes pratiques
_Défi
_Références
[Partie 3 : Passer à autre chose]
Chapitre 8 : Utilisation créative des modèles de conversion texte-image
8.1 Conversion d'image à image
_8.2 Inpainting
_8.3 Modification des poids et des images des invites
8.4 Modification d'images réelles par inversion
_8.5 ControlNet
8.6 Invitation et transformation d'images
_8.7 Projet de création de dessins créatifs
_8.8 Résumé
_Problèmes pratiques
_Références
Chapitre 9 : Génération audio
_9.1 Données audio
_9.2 Conversion de la parole en texte à l'aide d'une architecture basée sur un transformateur
_9.3 Synthèse vocale, audio généré
_9.4 Évaluation du système de génération audio
9.5 Orientation future du développement
_9.6 Projet de système de dialogue de bout en bout
_9.7 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 10 : Progrès et tendances récentes en IA générative
_10.1 Optimisation des préférences
_10.2 Contexte long
_10.3 Mélange expert
10.4 Optimisation et quantification
_10.5 données
_10.6 Un modèle unique qui résout tout
10.7 Vision par ordinateur
Vision par ordinateur 3D _10.8
_10.9 Création vidéo
_10.10 Multimodalité
Communauté _10.11
ANNEXE A.
outils open source
ANNEXE B. Exigences de mémoire pour le LLM
ANNEXE C.
Génération d'augmentation de recherche de bout en bout
Chapitre 1 : Introduction aux médias génératifs
_1.1 Création d'images
_1.2 Génération de texte
1.3 Création d'un clip audio
_1.4 Impacts éthiques et sociaux
_1.5 Passé et présent des modèles de génération
1.6 Comment développer un modèle d'IA générative
_1.7 Résumé
Chapitre 2 Transformers
_2.1 Cas d'utilisation du modèle de langage
2.2 Bloc transformateur
_2.3 Lignée du modèle Transformer
_2.4 Le pouvoir du préapprentissage
_2.5 Résumé des Transformers
2.6 Projet de génération de texte utilisant des modèles de langage
_2.7 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 3 Compression et représentation de l'information
_3.1 Autoencodeur
_3.2 Auto-encodeur variationnel
_3.3 CLIP
3.4 Alternatives à CLIP
_3.5 Projet de recherche d'images sémantique
_3.6 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 4 Modèle de diffusion
_4.1 Principe fondamental : Amélioration itérative
4.2 Apprentissage par modèle de diffusion
4.3 Analyse approfondie des programmes de bruit
_4.4 Analyse approfondie du réseau U-Net et des solutions alternatives
4.5 Analyse approfondie des objectifs de diffusion
4.6 Projet d'apprentissage du modèle de diffusion inconditionnelle
4.7 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 5 Diffusion stable et génération conditionnelle
5.1 Ajout de conditions au modèle de diffusion conditionnelle
5.2 Diffusion potentielle pour accroître l'efficacité
5.3 Analyse approfondie des composants de diffusion stable
5.4 Boucle d'échantillonnage annotée
5.5 Données ouvertes, modèle ouvert
5.6 Création d'une démonstration interactive d'apprentissage automatique avec le projet Gradio
_5.7 Résumé
_Problèmes pratiques
_Défi
_Références
Apprentissage par transfert pour les modèles génératifs - Partie 2
Chapitre 6 : Réglage fin des modèles de langage
6.1 Classification des textes
_6.2 Génération de texte
_6.3 Instructions
_6.4 Introduction à l'adaptateur
_6.5 Introduction à la quantification
_6.6 Mise en œuvre intégrée
6.7 Compréhension approfondie des méthodes d'évaluation
_6.8 Projet de génération d'augmentation de la recherche
_6.9 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 7 : Réglage fin de la diffusion stable
_7.1 Réglage fin du modèle complet de diffusion stable
_7.2 Cabine de rêve
_7.3 Apprentissage LoRA
7.4 Ajout de nouvelles fonctionnalités à la diffusion stable
Projet d'apprentissage LoRa Dreambooth SDXL 7.5
_7.6 Résumé
_Problèmes pratiques
_Défi
_Références
[Partie 3 : Passer à autre chose]
Chapitre 8 : Utilisation créative des modèles de conversion texte-image
8.1 Conversion d'image à image
_8.2 Inpainting
_8.3 Modification des poids et des images des invites
8.4 Modification d'images réelles par inversion
_8.5 ControlNet
8.6 Invitation et transformation d'images
_8.7 Projet de création de dessins créatifs
_8.8 Résumé
_Problèmes pratiques
_Références
Chapitre 9 : Génération audio
_9.1 Données audio
_9.2 Conversion de la parole en texte à l'aide d'une architecture basée sur un transformateur
_9.3 Synthèse vocale, audio généré
_9.4 Évaluation du système de génération audio
9.5 Orientation future du développement
_9.6 Projet de système de dialogue de bout en bout
_9.7 Résumé
_Problèmes pratiques
_Défi
_Références
Chapitre 10 : Progrès et tendances récentes en IA générative
_10.1 Optimisation des préférences
_10.2 Contexte long
_10.3 Mélange expert
10.4 Optimisation et quantification
_10.5 données
_10.6 Un modèle unique qui résout tout
10.7 Vision par ordinateur
Vision par ordinateur 3D _10.8
_10.9 Création vidéo
_10.10 Multimodalité
Communauté _10.11
ANNEXE A.
outils open source
ANNEXE B. Exigences de mémoire pour le LLM
ANNEXE C.
Génération d'augmentation de recherche de bout en bout
Image détaillée
Avis de l'éditeur
Un guide pratique de pointe sur l'IA générative, comprenant des exercices pratiques permettant de concevoir l'intérieur et l'extérieur des modèles.
« L'IA générative pratique » est un guide pratique conçu pour vous aider à comprendre les principes fondamentaux de l'IA générative, à les mettre en œuvre vous-même et à les appliquer en pratique.
Nous expliquerons les technologies clés telles que les transformateurs, les auto-encodeurs et les modèles de diffusion, et nous apprendrons l'ensemble du processus de génération de données multimodales diverses telles que du texte, des images et de l'audio, ainsi que le code proprement dit.
La première partie du livre explique les concepts et la structure de base de l'IA générative et présente des méthodes de génération de texte et d'images à l'aide de modèles pré-entraînés.
La seconde partie aborde les techniques de réglage fin basées sur les transformateurs et les modèles de diffusion, l'implémentation RAG et des exemples pratiques utilisant des technologies de pointe telles que LoRA et Dreambooth, vous aidant ainsi à acquérir une compréhension plus approfondie des principes de l'IA générative.
La seconde partie présente diverses stratégies d'application pratique de l'IA générative, avec des cas d'utilisation créatifs tels que la génération audio, la génération d'images conditionnelles et les applications de conversion de texte en image.
Nous abordons également les dernières évolutions et tendances dans le domaine de l'IA générative, vous aidant ainsi à devenir un développeur responsable utilisant cette technologie.
Ce livre vous permettra d'acquérir une solide compréhension de l'IA générative, de ses principes fondamentaux à ses applications pratiques, et de renforcer vos compétences en développement pour suivre le rythme des dernières tendances technologiques.
À qui s'adresse ce livre ?
● Les développeurs qui souhaitent comprendre en profondeur les principes de fonctionnement des modèles d'IA générative
● Ceux qui souhaitent aller au-delà des simples appels d'API et affiner directement un modèle adapté à un domaine spécifique
Chercheurs et ingénieurs souhaitant construire leurs propres modèles génératifs à l'aide de l'écosystème Hugging Face.
● Les titulaires d'un LLM qui ont lu les articles les plus récents sur les modèles de diffusion mais qui ont des difficultés à les implémenter dans du code réel
« L'IA générative pratique » est un guide pratique conçu pour vous aider à comprendre les principes fondamentaux de l'IA générative, à les mettre en œuvre vous-même et à les appliquer en pratique.
Nous expliquerons les technologies clés telles que les transformateurs, les auto-encodeurs et les modèles de diffusion, et nous apprendrons l'ensemble du processus de génération de données multimodales diverses telles que du texte, des images et de l'audio, ainsi que le code proprement dit.
La première partie du livre explique les concepts et la structure de base de l'IA générative et présente des méthodes de génération de texte et d'images à l'aide de modèles pré-entraînés.
La seconde partie aborde les techniques de réglage fin basées sur les transformateurs et les modèles de diffusion, l'implémentation RAG et des exemples pratiques utilisant des technologies de pointe telles que LoRA et Dreambooth, vous aidant ainsi à acquérir une compréhension plus approfondie des principes de l'IA générative.
La seconde partie présente diverses stratégies d'application pratique de l'IA générative, avec des cas d'utilisation créatifs tels que la génération audio, la génération d'images conditionnelles et les applications de conversion de texte en image.
Nous abordons également les dernières évolutions et tendances dans le domaine de l'IA générative, vous aidant ainsi à devenir un développeur responsable utilisant cette technologie.
Ce livre vous permettra d'acquérir une solide compréhension de l'IA générative, de ses principes fondamentaux à ses applications pratiques, et de renforcer vos compétences en développement pour suivre le rythme des dernières tendances technologiques.
À qui s'adresse ce livre ?
● Les développeurs qui souhaitent comprendre en profondeur les principes de fonctionnement des modèles d'IA générative
● Ceux qui souhaitent aller au-delà des simples appels d'API et affiner directement un modèle adapté à un domaine spécifique
Chercheurs et ingénieurs souhaitant construire leurs propres modèles génératifs à l'aide de l'écosystème Hugging Face.
● Les titulaires d'un LLM qui ont lu les articles les plus récents sur les modèles de diffusion mais qui ont des difficultés à les implémenter dans du code réel
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 30 juin 2025
Nombre de pages, poids, dimensions : 472 pages | 1 086 g | 183 × 235 × 24 mm
- ISBN13 : 9791169213981
- ISBN10 : 1169213987
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
