Dasar-Dasar Kecerdasan Buatan Generatif dalam Python

Panduan komprehensif untuk memahami dan menerapkan Kecerdasan Buatan Generatif dan Model Bahasa Besar (LLM). Kursus ini membahas transisi dari fondasi teoretis hingga pengembangan praktis berbasis Python, mencakup GAN, model difusi, transformer, fine-tuning, serta penempatan produksi.

Kelola prinsip dasar dan aplikasi praktis LLM modern serta teknik generatif dengan Python.

Penulis: Carlos Rodriguez

Ucapan Terima Kasih: Ucapan khusus kepada istri penulis, Jill, orang tua penulis, serta para reviewer teknis Morgan Boyce, Eric Rui, dan Samira Shaikh (penulis kata pengantar).

1. Membedakan antara paradigma pembelajaran mesin klasik (diskriminatif) dan model AI generatif.
2. Mengidentifikasi arsitektur dasar AI generatif, termasuk GAN, model difusi, dan Transformer.
3. Menerangkan peran dan evolusi Model Bahasa Besar (LLM) dalam lingkup kecerdasan buatan yang lebih luas.
4. Membedakan fitur unik dan paradigma arsitektur GAN, model difusi, dan transformer.
5. Menganalisis kemajuan dan keterbatasan setiap jenis model, termasuk masalah spesifik seperti kolaps mode atau kecepatan sampling.
6. Menerapkan pipeline Stable Diffusion dan mengevaluasi hasil generasi menggunakan logits dan probabilitas berbasis CLIP.
7. Melacak evolusi NLP dari metode berbasis hitungan awal dan RNN hingga representasi terdistribusi modern dan pembelajaran transfer.
8. Menerangkan mekanisme teknis Multi-head Attention (MHA), Self-attention, Masking, dan Jaringan Feed-Forward (FFN).
9. Menerapkan arsitektur model Transformer lengkap, termasuk tokenisasi data, encoding posisi, dan fungsi pelatihan/inferensi.
10. Menghubungkan fitur prototipe (misalnya Google Colab) ke lingkungan siap produksi menggunakan Docker dan VS Code.