آموزش ایجاد مهارت با هسته معنایی
Building Skills with Semantic Kernel
آیا به دنبال شروع با Semantic Kernel (SK)، جدیدترین افزوده شده به اکوسیستم هوش مصنوعی مایکروسافت هستید؟ زمان آن رسیده است که با ابزار کاملاً جدید و پرمخاطب که توسعه نرم افزار را کاملاً متحول می کند، سرعت خود را افزایش دهید.
جان مائدا، طراح و مهندس برنده جوایز، به شما نشان می‌دهد که برای ارتقاء مجموعه مهارت‌های هوش مصنوعی و گنجاندن SK در گردش کار روزانه محصول خود چه چیزی لازم است. قبل از غواصی عمیق‌تر در چهره جدید هوش مصنوعی، که قابلیت‌های هوش مصنوعی LLM را مستقیماً در برنامه‌ها ادغام می‌کند، یک نمای کلی از مفاهیم اصلی SK مانند مهارت‌ها، حافظه‌ها، رابط‌ها و هسته‌ها دریافت کنید. در طول مسیر، جان توصیه‌ها و بینش‌های عملی در مورد عملکردهای کلیدی از جمله نوت‌بوک‌های در حال اجرا، خلاصه چت ساده، ایجاد کتاب، Microsoft Graph و GitHub Repo Q A Bot را به اشتراک می‌گذارد.
معرفی Introduction
-
چرا از Semantic Kernel استفاده کنیم؟ Why use Semantic Kernel?
-
چطور اینجا اومدی؟ How did you get here?
-
استفاده از Semantic Kernel برای بهبود تفکر طراحی Using Semantic Kernel to improve design thinking
1. مفاهیم SK 1. SK Concepts
-
تعریف مفاهیم هسته معنایی Defining Semantic Kernel concepts
-
مهارت های ساختن Building skills
-
استفاده از خاطرات Using memories
-
افزودن کانکتورها Adding connectors
-
آتش زدن هسته Firing up the kernel
2. غواصی در SK 2. Diving into SK
-
دانلود SK و اجرای نوت بوک Downloading SK and running notebooks
-
در حال اجرای خلاصه چت ساده Running Simple Chat Summary
-
در حال اجرا خالق کتاب Running Book Creator
-
اجرای مایکروسافت گراف Running Microsoft Graph
-
اجرای ربات پرسش و پاسخ GitHub Repo Running GitHub Repo Q&A Bot
نتیجه Conclusion
-
بیشتر بیاموزید Learning more
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/9e62a7
آموزش یادگیری بدون کد AI
Learning No-Code AI
قدرت بدون کد را برای ساخت مدل‌های هوش مصنوعی سریع، آسان و مؤثر که می‌تواند نتایج کسب‌وکار شما را بهبود بخشد، کشف کنید.
آموزش هوش مصنوعی دستی: یک مدل زبان مولد از ابتدا بسازید
Hands-On AI: Build a Generative Language Model from Scratch
بیاموزید که چگونه برنامه های هوش مصنوعی خود را از ابتدا بسازید.
آموزش مقدمه ای بر حسابرسی سیستم های هوش مصنوعی
Introduction to Auditing AI Systems
در این ویدیو یاد بگیرید که داده مصنوعی چیست و چگونه ایجاد می شود. دانستن محدودیت‌ها و فرصت‌هایی که داده‌های مصنوعی فراهم می‌کنند می‌تواند به شما کمک کند تا بدانید چه زمانی می‌توان به داده‌های مصنوعی اعتماد کرد و چه زمانی از گزینه‌های دیگر استفاده کرد.
John Maeda
LinkedIn Influencer
معاون طراحی و هوش مصنوعی مایکروسافت
جان در حال حاضر معاون طراحی و هوش مصنوعی در مایکروسافت. او که یک نویسنده بین المللی شناخته شده است، چگونه ماشین صحبت کنیم، قوانین سادگی و چندین کتاب دیگر نوشته است. جان دریافت‌کننده جایزه طراحی ملی کاخ سفید برای تجسم‌های الگوریتمی تولید شده توسط داده‌ها است، و آثار او در مجموعه‌های دائمی موزه هنر مدرن شهر نیویورک و بنیاد کارتیه در پاریس ارائه شده است. او همچنین در هیئت مدیره شرکت‌هایی مانند Sonos و Wieden+Kennedy کار کرده است، به عنوان مدیر تجسم داده‌ها در آزمایشگاه رسانه MIT کار کرده است، و به عنوان شانزدهمین رئیس دانشکده طراحی رود آیلند (RISD) خدمت کرده است.
Linkedin (لینکدین)
لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.
لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.