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.