آموزش مهندسی پرامپت برای مدل‌های زبانی بزرگ (LLMs) - آخرین آپدیت

دانلود Prompt Engineering for LLMs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره یک کاوش جامع و عملی در زمینه مهندسی پرامپت به عنوان یک مهارت کلیدی برای کار مؤثر با مدل‌های زبانی بزرگ (LLMs) ارائه می‌دهد. تمرکز این دوره بر این است که چگونه پرامپت‌ها را به صورت هدفمند طراحی، ساختاربندی، ارزیابی و مقیاس‌بندی کنیم تا رفتار مدل را هدایت کرده، کیفیت استدلال را بهبود بخشیم و اپلیکیشن‌های مبتنی بر هوش مصنوعی قابل اعتماد بسازیم—بدون اینکه نیاز به تغییر وزن‌های مدل باشد. از طریق پیشروی در مفاهیم بنیادی، استراتژی‌های پیشرفته و نمایش‌های کاربردی، شما خواهید آموخت که چگونه پرامپت‌های باکیفیت بنویسید، الگوهای اثبات شده مانند Few-Shot و Chain-of-Thought را به کار ببرید، کانتکست و حافظه را مدیریت کنید و به صورت سیستماتیک عملکرد پرامپت‌ها را ارزیابی و اصلاح نمایید. این دوره بر گردش‌های کاری عملی با استفاده از ابزارهای مدرنی مانند LangChain، قالب‌های پرامپت (Prompt Templates)، چارچوب‌های ارزیابی و تکنیک‌های اتوماسیون تأکید دارد. در پایان این دوره، شما قادر خواهید بود: - اصول و اهداف مهندسی پرامپت و نقش آن در کنترل رفتار LLM را توضیح دهید. - ساختارهای مؤثر پرامپت را با استفاده از تکنیک‌هایی مانند Few-Shot Prompting، استدلال زنجیره افکار (Chain-of-Thought) و پرامپت‌های مبتنی بر نقش طراحی کنید. - کانتکست‌های طولانی و حافظه مکالمه‌ای را برای ایجاد تعاملات منسجم و چندمرحله‌ای با LLM مدیریت کنید. - پرامپت‌ها را با استفاده از معیارهای کیفی، بازخوردهای خودکار و روش‌های رتبه‌بندی ارزیابی، تست و اصلاح کنید. - سیستم‌های پرامپت مقیاس‌پذیر و قابل استفاده مجدد بسازید که از ورودی‌های چندوجهی (Multimodal)، موارد استفاده خاص هر دامنه و گردش‌های کاری تولیدی پشتیبانی کنند. این دوره برای توسعه‌دهندگان نرم‌افزار، مهندسان یادگیری ماشین، متخصصان هوش مصنوعی، طراحان پرامپت و دانشمندان داده‌ای که می‌خواهند از پرامپت‌نویسی‌های اتفاقی فراتر رفته و راهکارهای سیستماتیک، تست‌پذیر و قابل بازیافت برای اپلیکیشن‌های LLM توسعه دهند، ایده‌آل است. برای بهره‌مندی حداکثری از این دوره، داشتن درک پایه از پایتون، آشنایی با مفاهیم LLM و تجربه کار با مدل‌های هوش مصنوعی مولد توصیه می‌شود. به ما بپیوندید تا در هنر و مهندسی پرامپت‌ها تسلط یابید—از دستورالعمل‌های ساده تا سیستم‌های قدرتمند و مقیاس‌پذیر که موتور محرک اپلیکیشن‌های مبتنی بر LLM هستند.

سرفصل ها و درس ها

مبانی طراحی پرامپت Fundamentals of Prompt Design

  • معرفی تخصص Specialization Introduction

  • معرفی دوره Course Introduction

  • آشنایی با مهندسی پرامپت Introduction to Prompt Engineering

  • دمو: ایجاد پرامپت‌های مؤثر با استفاده از LangChain PromptTemplate Demonstration: Creating Effective Prompts Using LangChain PromptTemplate

  • دمو: مقایسه خروجی‌های پرامپت از نظر وضوح و لحن Demonstration: Comparing Prompt Outputs for Clarity and Tone

  • تکنیک‌های پیشرفته پرامپت‌نویسی Advanced Prompting Techniques

  • دمو: پیاده‌سازی پرامپت‌های Few Shot برای تولید متن Demonstration: Implementing Few-Shot Prompts for Text Generation

  • دمو: افزودن مراحل استدلالی به پرامپت‌های زنجیره افکار (CoT) Demonstration: Adding Reasoning Steps to Chain-of-Thought Prompts

  • معیارهای کلیدی برای اثربخشی پرامپت Key Metrics for Prompt Effectiveness

  • دمو: تست پرامپت با ابزارهای ارزیابی LangChain Demonstration: Prompt Testing with LangChain Evaluation Tools

  • دمو: اتوماسیون بازخورد و رتبه‌بندی پرامپت‌ها Demonstration: Automating Prompt Feedback and Ranking

استراتژی‌های پیشرفته پرامپت Advanced Prompt Strategies

  • طراحی پرامپت برای کانتکست‌های طولانی و مکالماتی Long-Context and Conversational Prompt Design

  • دمو: پرامپت‌های خلاصه‌سازی برای حفظ کانتکست Demonstration: Summarization Prompts for Context Retention

  • دمو: تزریق کانتکست پویا با استفاده از حافظه LangChain Demonstration: Injecting Dynamic Context with LangChain Memory

  • آشنایی با پارامتریک کردن پرامپت‌ها Introduction to Prompt Parameterization

  • دمو: پیاده‌سازی API در LangChain PromptTemplate Demonstration: Implementing LangChain PromptTemplate API

  • دمو: متغیرهای پویای پرامپت در سناریوهای چند ورودی Demonstration: Dynamic Prompt Variables in Multi-Input Scenarios

  • جلوگیری از نشت داده‌ها و سوگیری (Bias) Preventing Data Leakage and Bias

  • دمو: تست تیم قرمز (Red Team) برای امنیت پرامپت Demonstration: Red Team Testing for Prompt Safety

  • دمو: ایمن‌سازی ورودی‌ها و خروجی‌های پرامپت - بخش اول Demonstration: Securing Prompt Inputs and Outputs - I

  • دمو: ایمن‌سازی ورودی‌ها و خروجی‌های پرامپت - بخش دوم Demonstration : Securing Prompts Inputs and Outputs - II

ساخت سیستم‌های پرامپت قابل استفاده مجدد Building Reusable Prompt Systems

  • اتوماسیون تولید پرامپت Automating Prompt Generation

  • دمو: ساخت تابع تولیدکننده پرامپت در پایتون Demonstration: Building a Prompt Generator Function in Python

  • دمو: ادغام قالب‌های پرامپت در گردش‌های کاری CI/CD Demonstration: Integrating Prompt Templates in CI/CD Workflows

  • پرامپت برای تصاویر، کدها و اسناد Prompts for Images, Code, and Documents

  • دمو: گردش کار پرامپت برای شرح تصاویر (Image Captioning) Demonstration: Image-Captioning Prompt Workflow

  • دمو: نمونه تنظیم پرامپت برای دامنه‌های خاص Demonstration: Domain-Specific Prompt Tuning Example

  • تست سیستماتیک مجموعه‌های پرامپت Systematic Testing of Prompt Collections

  • دمو: بنچ‌مارک کتابخانه‌های پرامپت با استفاده از LangChain Eval Demonstration: Benchmarking Prompt Libraries Using LangChain Eval

  • دمو: اتوماسیون تست A/B پرامپت‌ها برای بهبود عملکرد Demonstration: Automating A/B Prompt Testing for Performance

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

  • خلاصه دوره: مهندسی پرامپت برای مدل‌های زبانی بزرگ Course Summary: Prompt Engineering for LLMs

نمایش نظرات

آموزش مهندسی پرامپت برای مدل‌های زبانی بزرگ (LLMs)
جزییات دوره
9h 52m
31
(آخرین آپدیت)
1,009
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده