MIT 6.S191 (2025): Deep Generative Modeling

摘要

深入介紹生成式建模的基礎原理，涵蓋自動編碼器與生成式對抗網路。觀眾將學習如何從資料中提取潛在變數，理解密度估計與對抗訓練的機制，並掌握如何利用這些模型進行資料生成與異常檢測。

This lecture explains the fundamentals of generative modeling, covering autoencoders and GANs to teach how to learn data distributions and generate new instances.

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

• 學習自動編碼器如何壓縮資料並重建以提取特徵。
• 理解生成式對抗網路中生成器與識別器的競爭機制。
• 掌握潛在變數建模中正規化對資料連續性的重要性。

章節

依話題轉折切分，標題由 AI 產生

1. 00:09真實感驚人的 AI 生成臉部範例
2. 02:52透過密度估計學習資料分佈
3. 06:52柏拉圖洞穴寓言與隱變數概念
4. 09:34自編碼器如何壓縮並重建資料
5. 15:23變分自編碼器引入隨機性與多樣性
6. 22:51確保隱空間連續與完整的先驗設定
7. 25:41解決變分自編碼器梯度回傳問題
8. 28:40VAE 端到端訓練與可解釋性特徵分析
9. 32:58GAN 將隨機噪音轉換為真實資料分佈
10. 38:43CycleGAN 實現無配對影像風格遷移
11. 43:02GAN 聯合訓練原理與穩定性挑戰
12. 47:43Office Hours 時段與助教答疑安排

提到的工具與公司

• TensorFlow
• PyTorch
• CNN
• KL divergence

適合誰看

適合正在學習深度學習、想理解生成式 AI 原理或從事相關研究開發的學生與工程師。

摘要依據

依據

自動字幕

為什麼排在這裡

人氣

0.57

新鮮

0.11

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 (2024): Deep Generative Modeling影片 ・ Alexander Amini ・ 56 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）
• Stanford CS229 Machine Learning | Spring 2026 | Lecture 11: Diffusion Models影片 ・ Stanford Online ・ 1 小時 23 分
• Stanford CME296 Diffusion & Large Vision Models | Spring 2026 | Lecture 8 - Trending Topics影片 ・ Stanford Online ・ 1 小時 50 分
• MSRNE Generative Modeling & Sampling Workshop | Day 2影片 ・ Microsoft Research ・ 4 小時 19 分（在新分頁開啟原站）