Dieser Kurs befasst sich mit den Grundlagen und der Entwicklung moderner generativer Deep-Learning-Systeme und führt Sie vom Lernen latenter Repräsentationen bis hin zu fortgeschrittenen Diffusionsarchitekturen und skalierbaren Strategien für den Einsatz auf GPUs. Durch die Kombination von fundierten konzeptionellen Inhalten mit praktischen Demonstrationen bietet dieser Kurs einen strukturierten Überblick über Paradigmen der generativen Modellierung, architektonische Innovationen und produktionsreife Optimierungstechniken.

Zunächst beschäftigen Sie sich mit Autoencodern und Variational Autoencodern (VAEs) und untersuchen, wie neuronale Netze komprimierte latente Repräsentationen und strukturierte Wahrscheinlichkeitsräume erlernen. Anschließend wenden Sie sich generativen adversarischen Netzwerken (GANs) zu und analysieren die Dynamik des adversarischen Trainings, Herausforderungen hinsichtlich der Instabilität sowie architektonische Verbesserungen wie DCGAN und CycleGAN. Im weiteren Verlauf des Kurses erwerben Sie ein tiefgreifendes Verständnis von Diffusionsmodellen – einschließlich DDPM, U-Net-basierten Rauschunterdrückungssystemen, latenter Diffusion und Techniken der bedingten Generierung, die moderne Text-zu-Bild-Systeme antreiben. Anschließend erweitert sich der Kurs auf GPU-Systeme und skalierbares Deep Learning. Sie werden Workloads zur Objekterkennung und -segmentierung, Training mit gemischter Präzision, verteilte datenparallele Strategien, Modellparallelität sowie den produktionsreifen Einsatz von GPUs untersuchen. Anhand von Demonstrationen und Benchmarking-Übungen werden Sie sehen, wie moderne generative Systeme effizient skalieren und dabei Speicher-, Rechen- und Latenzbeschränkungen ausgleichen. Am Ende dieses Kurses werden Sie in der Lage sein: • zu erklären, wie Autoencoder und VAEs strukturierte latente Darstellungen lernen; • die Trainingsdynamik von GANs zu analysieren und Instabilitätsprobleme wie den Modus-Kollaps zu diagnostizieren; • fortgeschrittene GAN-Architekturen zu vergleichen und Kompromisse bei der Ausgabequalität zu bewerten; • die Grundlagen von Diffusionsmodellen und Prozesse der umgekehrten Rauschunterdrückung zu verstehen; • U-Net-basierte Diffusionssysteme für die bedingte Bildgenerierung zu entwerfen; • textbedingte Diffusion mit geführten Sampling-Techniken zu implementieren; • Strategien für das Training mit gemischter Präzision und verteiltem GPU-Training für groß angelegte Modelle anzuwenden; • Entwerfen Sie produktionsreife Bereitstellungs-Pipelines für generative KI-Systeme. Dieser Kurs ist ideal für KI-Ingenieure, Praktiker im Bereich des maschinellen Lernens, Forscher und fortgeschrittene Studierende, die ein fundiertes Verständnis der generativen Modellierung über die oberflächliche Nutzung von APIs hinaus anstreben. Grundkenntnisse in Python, linearer Algebra und neuronalen Netzen sind von Vorteil. Nehmen Sie an unserem Kurs teil, um generatives Deep Learning zu meistern, Diffusions- und adversarische Systeme zu verstehen und das erforderliche technische Fachwissen zu erwerben, um moderne generative KI-Architekturen zu entwerfen, zu skalieren und bereitzustellen.