MIT 6.S191 (2024): Deep Generative Modeling

摘要

深入探討生成式模型的基礎，涵蓋自動編碼器、變分自編碼器與生成式對抗網路等架構。學員將學習如何從資料中學習潛在結構，並掌握利用這些模型進行資料生成、去偏與異常檢測的具體原理與應用。

This lecture covers the fundamentals of deep generative modeling, including autoencoders, VAEs, and GANs, and their applications in data generation and fairness.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 介紹生成式模型如何學習資料分佈以產生新樣本。
• 解析變分自編碼器與生成式對抗網路的核心機制。
• 說明這些技術在去偏、異常檢測與領域翻譯中的應用。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00Introduction
2. 06:10Why care about generative models?
3. 08:16Latent variable models
4. 10:50Autoencoders
5. 17:02Variational autoencoders
6. 23:25Priors on the latent distribution
7. 32:31Reparameterization trick
8. 34:36Latent perturbation and disentanglement
9. 37:40Debiasing with VAEs
10. 39:37Generative adversarial networks
11. 42:09Intuitions behind GANs
12. 44:57Training GANs
13. 48:28GANs: Recent advances
14. 50:57CycleGAN of unpaired translation
15. 55:03Diffusion Model sneak peak

提到的工具與公司

• Autoencoders
• CycleGAN

適合誰看

正在修讀或研究深度學習、機器學習理論的學生與研究者。

摘要依據

依據

自動字幕

為什麼排在這裡

人氣

0.51

新鮮

0.04

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• MIT 6.S191 (2025): Deep Generative Modeling影片 ・ Alexander Amini ・ 49 分鐘
• MIT 6.S191: Deep Generative Modeling影片 ・ Alexander Amini ・ 50 分鐘（在新分頁開啟原站）
• Flow-based Deep Generative Models文章 ・ Lilian Weng（部落格）
• Lesson 11 2022: Deep Learning Foundations to Stable Diffusion影片 ・ Jeremy Howard ・ 1 小時 48 分（在新分頁開啟原站）
• 【生成式AI導論 2024】第18講：有關影像的生成式AI (下) — 快速導讀經典影像生成方法 (VAE, Flow, Diffusion, GAN) 以及與生成的影片互動影片 ・ Hung-yi Lee ・ 37 分鐘
• Lesson 15: Deep Learning Foundations to Stable Diffusion影片 ・ Jeremy Howard ・ 1 小時 37 分（在新分頁開啟原站）