Este curso ilustra la importancia de desarrollar modelos matemáticos para realizar diversas tareas de visión artificial. Comienza ilustrando la noción de diferentes modelos generativos en el aprendizaje profundo. Estudiarás el panorama del aprendizaje automático y determinarás la importancia de los modelos generativos en el esquema de los métodos de aprendizaje profundo. Esta sección incluye el procedimiento para calcular los patrones en un conjunto de datos utilizando métodos de aprendizaje no supervisado. Observa cómo las redes generativas antagónicas (GAN) utilizan dos redes diferentes para generar nuevos datos idénticos a varios modelos de datos en los conjuntos de datos de entrenamiento. Además, se explica el proceso de entrenamiento y evaluación de varios tipos de redes generativas antagónicas. Comprenderás la importancia de los autoencoders variacionales (VAE) en los modelos generativos profundos. Se describen las múltiples aplicaciones y el procedimiento para entrenar estos autoencoders utilizando técnicas de visión artificial. 

Los autoencoders variacionales se utilizan para tratar la irregularidad del espacio latente. Este curso explica este concepto, incluyendo el proceso de determinación de los parámetros de la distribución utilizando modelos gaussianos. Se te enseñarán los diversos métodos que unifican varios modelos generativos profundos utilizando redes antagónicas y autoencoders variacionales. Explora el proceso de mapeo de las imágenes generadas por GAN utilizando VAE para mejorar el estándar. Este proceso comprende el procedimiento para mejorar la calidad de la imagen integrando autoencoders variacionales y redes generativas antagónicas. Se discute el proceso de normalización del código latente utilizando un mecanismo de pérdida antagónica, incluyendo el uso de clasificadores para distinguir entre datos originales y datos creados anticipados por la red generativa. Posteriormente, estudiarás cómo VAE-GAN supera a los autoencoders variacionales convencionales. Se explica el reemplazo del decodificador de los VAE utilizando un discriminador GAN para determinar la función de pérdida. 

Finalmente, se describe el procedimiento para mejorar la calidad de la imagen integrando autoencoders variacionales y redes generativas antagónicas. A continuación, se destacan los diversos modelos generativos profundos que han tenido éxito a lo largo de los años. Descubre el proceso de modelado y transformación de densidades complejas utilizando la estimación de componentes independientes no lineales y métodos de preservación no volumétrica de valor real. Después de esto, se describe el proceso de convertir una distribución simple en una multifacética, incluyendo el uso de modelos basados en flujo para modelar una distribución de probabilidad influyendo en el flujo normalizador. Posteriormente, se describe la integración de alteraciones animadas con variaciones manejables en las distribuciones de probabilidad utilizando flujos autorregresivos. Por último, el curso explica los diversos métodos para estimar los píxeles a lo largo de sus ejes y el proceso de elegir una distribución y su función de pérdida conforme para modelar los píxeles de salida. Estudia las fascinantes formas de entrenar distribuciones extremadamente complicadas para predecir la secuencia o patrones futuros utilizando grandes muestras en un conjunto de datos.