Relevanta begrepp från sannolikhetsteori och parameteruppskattning
Introduktion till syntesproblem och generativa modeller
Principer för syntes kontra klassifikation
Regressionsmodeller kontra probabilistiska modeller
Mål med, och utvärdering av, syntesmodeller
Blandningstäthetsnätverk (Mixture density networks, MDNs) Autoregression och stora språkmodeller (LLM)
Normaliserade flödesmodeller (Normalising flows)
Variationella autokodare (Variational autoencoders, VAEs) Diffusionsmodeller och flödesmatchning
Generativa motståndarnätverk (Generative adversarial networks, GANs) Subjektiv utvärdering
Hybridmetoder
Nya rön inom fältet
Etiska aspekter av generativ AI
FDD3601 Djupa generativa modeller och syntes 7,5 hp
Information per kursomgång
Information för HT 2025 Start 2025-08-25 programstuderande
- Studielokalisering
KTH Campus
- Varaktighet
- 2025-08-25 - 2025-10-10
- Perioder
HT 2025: P1 (7.5 hp)
- Studietakt
75%
- Anmälningskod
10353
- Undervisningsform
Normal Dagtid
- Undervisningsspråk
Engelska
- Kurs-PM
- Kurs-PM är inte publicerat
- Antal platser
Ingen platsbegränsning
- Målgrupp
- Ingen information tillagd
- Planerade schemamoduler
- [object Object]
- Schema
- Schema är inte publicerat
- Del av program
- Ingen information tillagd
Kontakt
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan FDD3601 (HT 2025–)Rubriker med innehåll från kursplan FDD3601 (HT 2025–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
Lärandemål
Lärandemål
Efter godkänd kurs ska studenterna kunna:
karakterisera syntesproblem, djupa generativa metoder och deras tillämpningar
särskilja olika mål, prestationsmått och vanliga problem med generativ modellering beskriva förhållandet mellan djupa generativa modeller och regressionsbaserade metoder träna och forbättra djupa generativa modeller på olika datamängder
utvärdera generativa modeller objektivt och subjektivt
diskutera etiska aspekter av särskild relevans för generativ AI
för att
på ett omdömesgillt sätt kunna använda djupa generativa modeller för att lösa problem inom industri och/eller akademi.
Kurslitteratur och förberedelser
Särskild behörighet
Ingen information tillagd
Kurslitteratur
Du hittar information om kurslitteratur antingen i kursomgångens kurs-PM eller i kursomgångens kursrum i Canvas.
Examination och slutförande
Betygsskala
P, F
Examination
- LAB1 - Laborationer, 7,5 hp, betygsskala: P, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter. När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Övriga krav för slutbetyg
Slutbetyget fastställs genom en sammanvägning av resultaten från de enskilda övningarna.
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.
Ytterligare information
Kursrum i Canvas
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Utbildningsnivå
Forskarnivå