- Relevanta begrepp från sannolikhetsteori och parameteruppskattning
- Introduktion till syntesuppgifter 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:er)
- Normaliserade flödesmodeller (Normalising flows)
- Variationskodningsnätverk (Variational autoencoders, VAEs)
- Diffusionsmodeller och flödesmatchning
- Generativa antagonistiska nätverk (Generative adversarial networks, GANs)
- Subjektiv utvärdering
- Hybridmetoder
- Nya rön inom fältet
- Etiska och samhälleliga aspekter av generativ AI
FDD3601 Djupa generativa modeller och syntes 7,5 hp
Generativ AI förändrar just nu världen. Den här kursen lär dig de huvudsakliga paradigmerna inom djupa generativa modeller jämte nyckelprinciper för att använda och utvärdera sådana modeller med syntes som ändamål.
Läs den här kursen om du vill…
- Lära dig generativ modellering och djupa generativa modeller
- Lära dig principerna bakom GenAI och andra syntestillämpningar av maskininlärning
- Lära dig träna och anpassa generativa modeller
Omvänt, var medveten om att den här kursen inte lär dig att…
- Prompta befintliga GenAI-verktyg och använda dem för att skapa innehåll
- Utveckla ny teori och nya paradigmer inom generativa modeller
- Bli expert på generativa modeller för ett specifikt tillämpningsområde, till exempel bilder eller text
Kursen förutsätter kunskaper inom djupinlärning (se förkunskapskraven), och kommer således inte att lära dig hur olika djupinlärningsarkitekturer såsom RNN:er och transformers ser ut på insidan.
Information per kursomgång
Information för HT 2026 Start 2026-08-24 programstuderande
- Studielokalisering
KTH Campus
- Varaktighet
- 2026-08-24 - 2026-10-23
- Perioder
HT 2026: P1 (7.5 hp)
- Studietakt
50%
- Anmälningskod
12597
- 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
- 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 2026–)Rubriker med innehåll från kursplan FDD3601 (HT 2026–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
Lärandemål
Efter godkänd kurs ska studenterna kunna:
- karakterisera syntesuppgifter, 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 förbättra djupa generativa modeller på olika datamängder
- utvärdera generativa modeller objektivt och subjektivt
- diskutera etiska och samhälleliga 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
Rekommenderade förkunskaper
Vänligen se den engelska kurshemsidan för en detaljerad lista över rekommenderade förkunskaper.
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.
Examinationen baseras på flera övningar som omfattar både programmeringsuppgifter och teoretiska frågor samt innehåller olika delar för högre betyg.
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
Huvudområde
Denna kurs tillhör inget huvudområde.
Utbildningsnivå
Forskarnivå