Este repositório contém materiais e exemplos práticos da palestra "No PhD Required: Rumo a IA Generativa", onde discutimos como cientistas e não-cientistas podem iniciar a criação de IAs generativas utilizando o Keras.
O objetivo da palestra foi desmistificar os conceitos por trás de modelos generativos, mostrando, através de uma demonstração prática, como os Autoencoders Variacionais (VAEs) podem ser utilizados para gerar novas amostras de dados semelhantes a um conjunto de dados original.
Demo_Variational_Autoencoders.ipynb: Este notebook contém o exemplo prático utilizado durante a palestra. Nele, mostramos:- Os fundamentos teóricos dos Autoencoders Variacionais (VAEs) e sua utilização em tarefas de geração de dados.
- Implementação passo a passo de um VAE em Keras, com explicações sobre cada etapa do processo.
- Visualização e análise dos resultados, incluindo a criação de novas amostras baseadas nos dados de entrada.
Nesta demonstração, usamos o Keras para construir e treinar um VAE com o objetivo de gerar dados em um espaço latente controlado. Alguns dos principais tópicos abordados incluem:
- Codificação Variacional: Explicação sobre como a codificação dos dados é feita no espaço latente, permitindo que a rede aprenda representações compactas e interpretáveis.
- Reparametrização e Sampling: Detalhes sobre como o VAE lida com a variância no espaço latente e amostra novas representações para a geração de dados.
- Reconstrução e Geração de Novas Amostras: Como o VAE reconstrói os dados de entrada e gera novos exemplos, aproximando-se da distribuição original dos dados.
Para executar o notebook, você precisará dos seguintes pacotes:
tensorflowkerasnumpymatplotlib
-
Clone este repositório:
git clone https://github.com/ahirtonlopes/DevFest-Triangulo.git cd DevFest-Triangulo