Курс "Нейро-digital Art"
Курс «"Нейро-digital Art"» — это ваш шанс погрузиться в захватывающий мир цифрового искусства, где традиционные техники встречаются с инновациями нейросетей.
Чему вы научитесь
- совмещать работу в графических программах с нейросетевыми технологиями,
- алгоритму создания промтов,
- работе в графических программах
- разработка принта
- последующая обработка изображения для печати
- алгоритму создания промтов,
- работе в графических программах
- разработка принта
- последующая обработка изображения для печати
Для кого этот курс
Курс создан для студентов с опытом работы в графических программах растровой и векторной графики, но не имеющих достаточно знаний в области нейросетей, которые могли бы оптимизировать процесс работы над дизайн-проектом.
Начальные требования
Наличие программ
1
Наличие программ
Установленные графические программы растровой и векторной графики (Photoshop, Paint tool SAI, Illustrator)
Графический планшет для рисования
2
Графический планшет для рисования
Наличие графического планшета приветствуется
Программа курса
Программа курса
⬤ Изучение и применение генеративных нейросетей в сфере искусства
- Нейросети. Генеративные нейросети. История, виды и применение
- Промт. Получение изображение с помощью нейросети.
- Создание эскиза из изображения, полученного с помощью нейросети
⬤ Цифровая живопись
- Создание дизайнерского принта
- Получение арт-продукта
- Нейросети. Генеративные нейросети. История, виды и применение
- Промт. Получение изображение с помощью нейросети.
- Создание эскиза из изображения, полученного с помощью нейросети
- Промт. Получение изображение с помощью нейросети.
- Создание эскиза из изображения, полученного с помощью нейросети
⬤ Цифровая живопись
- Создание дизайнерского принта
- Получение арт-продукта
- Получение арт-продукта
НАШИ ПРЕПОДАВАТЕЛИ
Илья Леонидович Устимов
Регина Рустемовна Фархутдинова
Планируемые результаты обучения
01.
Студенты изучат принципы работы генеративных нейросетевых инструментов для форматов взаимодействия: текст–текст, текст–изображение, изображение–изображение.
02.
Студенты изучат тему объектно-ориентированного проектирования.
03.
Студенты изучают что такое нейросетевые модели, токены, промпты, пайплайны
производства в креативной индустрии. Принципы интерпретации моделей машинного обучения и методики составления задач-подсказок для генеративных нейронный сетей.
производства в креативной индустрии. Принципы интерпретации моделей машинного обучения и методики составления задач-подсказок для генеративных нейронный сетей.
04.
Студенты изучат основы программирования, понятия и принципы, используемые языки программирования и их роль в создании программных решений, познакомятся с основными конструкциями языка Python.
05.
Студенты изучат применение ИИ для продвижения себя или своих проектов, а также иные возможности применения нейросетей в маркетинге.
Навыки, которые Вы получаете после окончания обучения
Работы обучающихся с курса "Нейро-digital Art"
Зачем человечеству генеративные нейросети? Разве мы не справлялись раньше с созданием контента? Нам его было мало?
1. С точки зрения потребителя контента ChatGPT – идеально подойдет под тренд на одиночество.
В США, например, доля взрослых, которые живут одни, за последние пять десятилетий почти удвоилась. А в некоторых скандинавских городах большую часть населения составляют одинокие люди.
Зачем с кем-то что-то обсуждать на сайте таком как vc.ru, в чатах, если есть ЧатГПТ, который будет лучшим собеседником и будет отлично тебя понимать?
Поэтому на месте Телеграма я бы напрягся, как напрягся Гугл: в группах сейчас много движухи, но и в них отпадёт надобность очень скоро.
В США, например, доля взрослых, которые живут одни, за последние пять десятилетий почти удвоилась. А в некоторых скандинавских городах большую часть населения составляют одинокие люди.
Зачем с кем-то что-то обсуждать на сайте таком как vc.ru, в чатах, если есть ЧатГПТ, который будет лучшим собеседником и будет отлично тебя понимать?
Поэтому на месте Телеграма я бы напрягся, как напрягся Гугл: в группах сейчас много движухи, но и в них отпадёт надобность очень скоро.
Также за последнее время наблюдаю тренд на соло-предпринимательство, когда люди не создают команды, а делают в одиночку небольшие сервисы и зарабатывают на них деньги онлайн. ChatGPT может заменить сооснователя-маркетолога и даже в чем-то программиста.
2. С точки зрения бизнеса – генеративные нейросети помогают проявиться в онлайне все большему числу бизнесов. Те, кто раньше не знал, как рассказать о себе смогут это сделать в более-менее приемлемой форме. Это приведет к лучшей оцифровке офлайна.
2. С точки зрения бизнеса – генеративные нейросети помогают проявиться в онлайне все большему числу бизнесов. Те, кто раньше не знал, как рассказать о себе смогут это сделать в более-менее приемлемой форме. Это приведет к лучшей оцифровке офлайна.
Потенциал генеративного ИИ для высшего образования
Несмотря на возможные вызовы, правильно обученные генеративные модели открывают широкие возможности для отработки необходимых навыков и компетенций. Так, в конце ноября 2023 г. нейросеть YandexGPT добавлена не только в обучающие пособия «Яндекс Практикум», но и в практические тренажёры по программированию. По замыслу создателей, нейросеть должна помогать ученикам искать ошибки в коде. Разработчики утверждают, что ИИ-помощник будет предлагать обучающие материалы, объяснять сложные методы и проблемные места, но не будет «давать готовых ответов». На базе ИИ уже создаются тренажёры для отработки навыков специального перевода, а также для отработки навыка формирования переговорной позиции и ведения переговоров (например, генеративная модель The Negotiator от Open AI). Кроме того, инструменты адаптивного обучения на базе искусственного интеллекта могут помочь отслеживать прогресс учащихся и определять, где учащимся нужна помощь, а где они преуспевают. Однако при этом важно не забывать о возможно политической предвзятости генеративных моделей.
Из исследований Б. Блума мы знаем, что традиционное обучение в классе «один ко многим» не дает таких позитивных результатов, как индивидуальное обучение. Инновации в области генеративного искусственного интеллекта делают персонализированное индивидуальное обучение масштабируемым и доступным для больших групп студентов. Именно эта идея лежит в основе ИИ-тьюторинга.
Вместе с тем современные достижения в области нейронаук способны внести коррективы в данную модель. В частности, исследования показывают, что восприятие новой информации во взаимодействии с человеком в разы выше, чем во взаимодействии с ИИ. Таким образом, ИИ-тьюторинг может лишь дополнить, но не заменить межличностное общение, так же как и дистанционные форматы обучения, технологии виртуальной и дополненной реальности.
Для максимально полной реализации преимуществ ИИ при нивелировании возможных рисков необходима выработка приоритетов и регулирование их использования.
Вместе с тем современные достижения в области нейронаук способны внести коррективы в данную модель. В частности, исследования показывают, что восприятие новой информации во взаимодействии с человеком в разы выше, чем во взаимодействии с ИИ. Таким образом, ИИ-тьюторинг может лишь дополнить, но не заменить межличностное общение, так же как и дистанционные форматы обучения, технологии виртуальной и дополненной реальности.
Для максимально полной реализации преимуществ ИИ при нивелировании возможных рисков необходима выработка приоритетов и регулирование их использования.
Как работают генеративно-состязательные и другие нейросети
Генеративный искусственный интеллект работает на основе обучения алгоритмов — генеративно-состязательных сетей (GANs). GANs обучаются на больших объемах данных, а затем генерируют новые образцы.
Генеративно-состязательные сети состоят из двух частей: генератора и дискриминатора, которые «состязаются» друг с другом. Генератор создает новые данные, а дискриминатор пытается отличить сгенерированные данные от реальных.
Например, генератор учится рисовать котов. Он показывает результаты дискриминатору и старается его обмануть. Задача дискриминатора — научиться различать настоящие данные и подделки.
Вначале генератор создает картинки, которые совсем не похожи на кошек. Дискриминатор отвергает такие рисунки и косвенно подсказывает генератору, что нужно изменить. Генератор раз за разом переделывает рисунки, пока не добивается реалистичного изображения. Дискриминатор не может отличить его от настоящего и пропускает.
Генеративно-состязательные сети состоят из двух частей: генератора и дискриминатора, которые «состязаются» друг с другом. Генератор создает новые данные, а дискриминатор пытается отличить сгенерированные данные от реальных.
Например, генератор учится рисовать котов. Он показывает результаты дискриминатору и старается его обмануть. Задача дискриминатора — научиться различать настоящие данные и подделки.
Вначале генератор создает картинки, которые совсем не похожи на кошек. Дискриминатор отвергает такие рисунки и косвенно подсказывает генератору, что нужно изменить. Генератор раз за разом переделывает рисунки, пока не добивается реалистичного изображения. Дискриминатор не может отличить его от настоящего и пропускает.
Модель выдает пользователю изображения кота, которые прошли через фильтр дискриминатора. У него нет полных знаний о строении кошек, поэтому сеть часто предлагает изображения, далекие от реальности.
Кроме генеративно-состязательных сетей существуют другие генеративные архитектуры: Машина Больцмана (Boltzmann machine), автокодировщик (Variational autoencoder), скрытая марковская модель (СММ), модели, которые предсказывают следующее слово в последовательности, например, GPT-2, диффузные модели (Stable Diffusion).
Генеративно-состязательные сети привлекают больше внимания, чем другие архитектуры, потому что показывают впечатляющие результаты в создании визуального контента.
Кроме генеративно-состязательных сетей существуют другие генеративные архитектуры: Машина Больцмана (Boltzmann machine), автокодировщик (Variational autoencoder), скрытая марковская модель (СММ), модели, которые предсказывают следующее слово в последовательности, например, GPT-2, диффузные модели (Stable Diffusion).
Генеративно-состязательные сети привлекают больше внимания, чем другие архитектуры, потому что показывают впечатляющие результаты в создании визуального контента.
Нейросети и дизайн
Подход и принципы — объясняем:
Список литературы
Рекомендуемая основная литература
• Паттерны объектно-ориентированного проектирования - 978-5-4461-1595-2 - Э. Гамма, Р. Хелм, Р. Джонсон, Дж. Влиссидес - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/371734 - 371734 - iBOOKS
• Симулякры и симуляции, Бодрийяр, Ж., 2018
• Паттерны объектно-ориентированного проектирования - 978-5-4461-1595-2 - Э. Гамма, Р. Хелм, Р. Джонсон, Дж. Влиссидес - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/371734 - 371734 - iBOOKS
• Симулякры и симуляции, Бодрийяр, Ж., 2018
Рекомендуемая дополнительная литература
• Омельяненко, Я. Эволюционные нейросети на языке Python : руководство / Я. Омельяненко , перевод с английского В. С. Яценкова. — Москва : ДМК Пресс, 2020. — 310 с. — ISBN 978-5-97060-854-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179494 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Омельяненко, Я. Эволюционные нейросети на языке Python : руководство / Я. Омельяненко , перевод с английского В. С. Яценкова. — Москва : ДМК Пресс, 2020. — 310 с. — ISBN 978-5-97060-854-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179494 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
Отзывы учащихся
Инара Баязитова
Студент, преподаватель в художественной школе
Суперсовременный и практичный курс! 🎨✨ Больше всего понравилась система обучения — от простого к сложному, с реальными проектами и обратной связью от преподавателей. Научилась создавать потрясающие иллюстрации, освоила базовые принципы композиции и цветоведения. Круто, что давали не только технические навыки работы с нейросетями, но и учили понимать искусство в целом.
Зиля Арсланова
Студент, преподаватель в школе
Курс крутой! Я научилась создавать уникальные референсы, экспериментировать со стилями и значительно ускорила рабочий процесс. Преподаватели щедро делились профессиональными секретами и лайфхаками. Особенно понравились практические задания и разбор работ в группе.
Павел Румянцев
Студент, специалист в мебельной компании
Как профессионал в сфере креатива, я скептически относился к нейросетям, но решил разобраться в теме. Курс помог не только освоить новые инструменты, но и переосмыслить подход к творческому процессу.
Екатерина Каргапольцева
Студент, преподаватель в школе
Я пришла на курс с нулевыми знаниями в области искусства, но с большим желанием научиться создавать уникальные дизайн-продукты. Результат превзошел все ожидания!
Глеб Михайлов
Студент, графический дизайнер
"Курс «Нейро-диджитал Арт» полностью изменил мое представление о современном искусстве! За время обучения я освоил не только базовые принципы работы с Midjourney, но и научился создавать уникальные художественные композиции, совмещая традиционные техники с генерацией нейросетей. Теперь я использую полученные навыки в коммерческих проектах. Однозначно рекомендую всем, кто хочет быть в тренде современного искусства!»
00
Дней
00
Часов
00
Минут
00
Секунд
До старта курса осталось совсем немного!
Успейте записаться со скидкой до конца декабря
Оставить заявку До старта курса осталось совсем немного!
Успейте записаться со скидкой до конца декабря
Контакты
(843)206-52-30 (доб: 5500)
ifmk@kpfu.ru
Казанский федеральный университет
Институт филологии и межкультурной коммуникации
Казань, ул. Татарстан, 2
Институт филологии и межкультурной коммуникации
Казань, ул. Татарстан, 2
