Tässä haasteessa rakennetaan ja koulutetaan **variaatiollinen autoenkooderi (VAE)** MNIST-aineistolla vaihe vaiheelta. Määrittele arkkitehtuuri, toteuta reparametrisointikikka, luo mukautettu häviöfunktio ja suorita koko koulutusprosessi.

Voit valita seuraavista vaihtoehdoista koodin kanssa työskentelyyn:

* <a href="https://content-media-cdn.codefinity.com/courses/37287944-3858-4d25-b5b4-8963c453781b/mnist_vae_notebook.ipynb" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> Lataa muistikirja</a> ja suorita se paikallisesti haluamassasi ympäristössä (esim. VSCode, Jupyter, PyCharm);
* <a href="https://drive.google.com/file/d/1AQiu8DIV5inr1A4K6W8-KcVC8T1Cr-kG/view?usp=sharing" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> <b>Avaa Google Colabissa</b></a> – yhdellä klikkauksella kaikki on valmiina ajettavaksi verkossa.

Kun avaat muistikirjan, näet sarjan tehtäviä.
Jokainen tehtävä sisältää:

* Selkeät ohjeet;
* Koodia, jossa on täytettäviä kohtia;
* Tarkistimet, jotka varmistavat ratkaisusi.

Kun toteutuksesi on oikea, tarkistin näyttää lyhyen avainkoodin.
Kerää **kaikki avaimet** jokaisesta vaiheesta — tarvitset niitä lopuksi.

Tämä kurssi tarjoaa kattavan johdannon generatiiviseen tekoälyyn, käsitellen sen teoreettisia perusteita, käytännön sovelluksia ja eettisiä näkökulmia. Oppijat tutustuvat erilaisiin generatiivisiin malleihin, niiden koulutusmenetelmiin ja todellisiin käyttötapauksiin sekä tekoälyn tuottaman sisällön haasteisiin ja riskeihin.

Tässä osiossa esitellään generatiivisen tekoälyn keskeiset käsitteet, selitetään sen eroavaisuudet perinteiseen tekoälyyn sekä sen merkitys nykyaikaisessa teknologiassa. Oppijat tutustuvat generatiivisten mallien historiaan varhaisista sääntöpohjaisista järjestelmistä kehittyneisiin syväoppimisarkkitehtuureihin, kuten GAN-verkkoihin ja Transformereihin. Osion lopussa opiskelijoilla on selkeä käsitys keskeisistä malleista ja niiden vaikutuksesta reaalimaailmassa.

Tässä osiossa perehdytään generatiivisen tekoälyn taustalla vaikuttaviin matemaattisiin ja laskennallisiin periaatteisiin. Käsiteltäviä aiheita ovat muun muassa todennäköisyysjakaumat, bayesiläinen päättely ja neuroverkot, jotka muodostavat generatiivisten mallien perustan. Opiskelijat saavat ymmärrystä siitä, miten syväoppimistekniikat mahdollistavat tekoälyjärjestelmien realistisen tekstin, kuvien ja muun synteettisen datan tuottamisen.

Tässä osiossa opiskelijat oppivat, miten generatiivisia malleja koulutetaan, optimoidaan ja arvioidaan. Keskeisiä aiheita ovat datan keruu, esikäsittelytekniikat, tappiotoiminnot sekä suorituskykymittarit, joita käytetään tekoälyn tuottaman sisällön arviointiin. Käytännön näkökulmia GAN- ja VAE-mallien koulutukseen auttaa ymmärtämään mallien kehittämisen haasteita ja kompromisseja.

Tässä osiossa tarkastellaan generatiivisen tekoälyn keskeisiä haasteita, kuten eettisiä huolia, oikeudellisia kysymyksiä ja ympäristövaikutuksia. Lisäksi tuodaan esiin kehittyvää sääntelyä ja tulevaisuuden suuntauksia, jotka muovaavat vastuullista tekoälyn kehitystä.

Haaste: Rakenna Yksinkertainen VAE