نحوه کار با LLM و هوش مصنوعی را بیاموزید. ما به شما تضمین می کنیم که این دوره جامع ترین و به روزترین دوره بوت کمپ مهندسی پرامپت است. شما مهارت های لازم برای قرار گرفتن در 10 درصد برتر استفاده از هوش مصنوعی در دنیای واقعی را خواهید آموخت.
درست همانطور که برای کار در محیط اداری مدرن باید بدانید که چگونه از Microsoft Word و Excel استفاده کنید، باید بدانید که چگونه LLM ها را درخواست کنید و با آنها کار کنید.
یادگیری مهندسی پرامپت درها را به روی فرصت ها در هر شغلی باز می کند. و یادگیری نحوه صحیح کار با LLM تضمین می کند که خود را از افرادی که برای شغل با آنها رقابت می کنید متمایز می کنید.
در دوره Prompt Engineering Bootcamp (Working With LLMs): Zero to Mastery چه چیزی یاد خواهید گرفت؟
آنچه شما یاد خواهید گرفت:
اصول اولیه اعلان و کاربردهای عملی آن، از جمله نمونه های واقعی از ناسا را بیاموزید
از طریق تمرینات عملی، تجربه عملی و درک عمیق تری از نحوه کار LLM ها (و نحوه عملکرد آنها) به دست آورید.
یاد بگیرید که از LLM های منبع بسته پیشرو مانند GPT و Claude استفاده کنید و حتی LLM های منبع باز خود را تنظیم کنید
تسلط بر تکنیک های تحریک تجربی اثبات شده برای بهبود اثربخشی و سودمندی تعاملات خود با LLM ها
مهارت های خود را در سناریوهای دنیای واقعی از طریق پروژه های متعدد هدایت شده و هدایت نشده که به شما می آموزد مهارت های خود را به کار ببرید.
با آخرین پیشرفتهای هوش مصنوعی و مهندسی پرامپت، با به‌روزرسانی مداوم دوره‌ها به‌روز باشید تا اطمینان حاصل کنید که همیشه در لبه‌های برتر هستید
این دوره آموزشی بر اساس 6 اصل اصلی را آموزش می دهد
- تحقیقات تجربی و مطالعات همتا
این دوره بر علم پشت سر گذاشتن انگیزه و کار با LLM متمرکز است، نه تبلیغات.
بنابراین، آنچه را که محققان هوش مصنوعی در دانشگاه‌ها و شرکت‌های پیشرو مانند OpenAI، Google DeepMind و Anthropic انجام می‌دهند را برای بهبود و اجرای درخواست‌های خود بررسی خواهیم کرد.
- دموها و تمرینات عملی
شما واقعا نمی توانید کار با LLM ها را یاد بگیرید مگر اینکه واقعاً با آنها کار کنید! به همین دلیل است که این بوت کمپ پر از تمرین هایی است که به شما امکان می دهد دستان خود را کثیف کنید و محدودیت های کاری را که LLM می توانند انجام دهند را آزمایش کنید.
- پروژه های هدایت شده و هدایت نشده
به کار بردن مهارت‌های خود و ساختن چیزی واقعی – چیزی مفید – نه تنها احساس بسیار خوبی دارد، بلکه بهترین راه برای تقویت دانش شما است و به شما امکان می‌دهد آن را در سناریوهای دنیای واقعی خود به کار ببرید.
به همین دلیل این دوره دارای پروژه های هدایت شده و هدایت نشده متعددی است که به شما این امکان را می دهد که این کار را انجام دهید.
- فرصت استفاده از مدل های بسته و منبع باز پیشرو
این دوره به گونه ای طراحی شده است که به شما امکان می دهد از هر LLM که ترجیح می دهید، چه رایگان و چه پولی استفاده کنید. حتی به شما نشان داده می شود که چگونه LLM های منبع باز خود را که به صورت محلی در رایانه شما اجرا می شوند بارگیری و تنظیم کنید.
- ابزارها و تکنیک های پیشرفته
مهندسی پرامپت در هسته آن بسیار اساسی است: یک سوال بپرسید و پاسخ بگیرید!
اما این دوره بسیار فراتر از اصول اولیه است، به طوری که شما تکنیک های تایید شده تجربی را یاد خواهید گرفت که سودمندی و اثربخشی درخواست شما را افزایش می دهد.
این به شما این امکان را می دهد که برنامه های کوچک کامپیوتری را با استفاده از هیچ چیزی جز زبان طبیعی (یک اعلان) ایجاد کنید. اگر از LLM برای کار یا برای تقویت برنامه های هوش مصنوعی خود استفاده می کنید، بسیار مهم است.
- آخرین اطلاعات و به روز رسانی
دنیای هوش مصنوعی هر هفته با اطلاعات جدید به سرعت در حال پیشرفت است. ما متعهد هستیم که دائماً این دوره را به روز کنیم تا شما آخرین اطلاعات را یاد بگیرید و بتوانید در لبه پیشرفت بمانید.
در حالی که برخی از دوره‌های آموزشی ممکن است نوید ماه را بدهند، ما اینجا هستیم تا آن را ثابت نگه داریم.
دوره ما به گونه ای طراحی شده است که شما را با مهارت های عملی و بی معنی مورد نیاز برای تعامل موثر با LLM ها مسلح کند.
چه بخواهید بهره‌وری خود را افزایش دهید، پروژه‌های خلاقانه را تقویت کنید یا راه‌حل‌های فناوری هوشمندتر را توسعه دهید، درک تفاوت‌های ظریف دستورات ساخت بسیار مهم است.
مهندسی پرامپت چیست و چرا مفید است؟
مهندسی پرامپت مهارت برقراری ارتباط موثر با هوش مصنوعی برای به حداکثر رساندن کاربرد و دقت آن است.
در نظر بگیرید که به شما یاد می دهد نجواگر هوش مصنوعی باشید، به زبانی صحبت کنید که تغییرات به ظاهر کوچک می تواند کیفیت نتایجی را که از مدل های زبان بزرگ مانند ChatGPT، Claude و Llama به دست می آورید را به شدت تغییر دهد.
چرا این مهم است؟
زیرا توانایی تنظیم دقیق تعاملات شما می تواند تفاوت بین دریافت یک پاسخ عمومی و باز کردن بینش های واقعا ارزشمند باشد.
چه یک توسعه‌دهنده، یک بازاریاب، یک محقق یا صرفاً یک علاقه‌مند به هوش مصنوعی باشید، تسلط بر اعلان‌ها به شما این امکان را می‌دهد که هوش مصنوعی را با اطمینان بیشتر و خلاقانه‌تر هدایت کنید.
در اینجا چیزی است که این دوره آموزشی بوت کمپ مهندسی پرامپت پوشش می دهد
بیایید به جزئیات دقیقاً آنچه در این دوره مهندسی پرامپت یاد خواهید گرفت، بپردازیم
بخش 1: مقدمه ای بر مهندسی پرامپت
ما با نگاهی عمیق به تعریف و اهمیت مهندسی پرامپت شروع خواهیم کرد.
ما دلیل وجود آن، کاربردهای عملی، و مطالعات موردی در دنیای واقعی، از جمله نحوه اعمال ناسا از آن را بررسی خواهیم کرد.
شما یاد خواهید گرفت که به طور انتقادی نقش مهندسی پرامپت در زندگی خود را ارزیابی کنید و با بحث های جاری در این زمینه تعامل داشته باشید.
بخش 2: LLM خود را انتخاب کنید
وقت آن است که LLM خود را انتخاب کنید. این مانند زمانی است که جیمز باند از Q بازدید می کند و می تواند انتخاب کند که از کدام ابزارهای پیشرفته برای ماموریت خود استفاده کند.
ما گزینه های شما را برای استفاده از LLM های پیشرو، از جمله به شما امکان انتخاب گزینه های رایگان یا پولی را بررسی خواهیم کرد.
نمایش ابزارهایی را که مربی ترجیح می دهد، از جمله زمین بازی OpenAI تماشا خواهید کرد. این بخش همچنین قابلیت های متنوع LLM ها از جمله ویژگی های چندوجهی را پوشش می دهد.
شما همچنین می توانید انتخاب کنید که از LLM منبع باز برای این دوره استفاده کنید و تنظیمات فضای کاری خود را برای انجام این کار انجام دهید.
بخش 3: پروژه هدایت شده – اولین بازی خود را بسازید (بازی مار)
شما حتی یاد نگرفته‌اید که چگونه اعلان کنید، اما وقت آن رسیده که دست‌هایتان را کثیف کنید!
این یک استراتژی است – ما می خواهیم که شما در مورد نحوه کار این LLM ها، میزان شهودی بودن آنها (قبل از اینکه به شما آموزش دهیم چقدر غیر شهودی می توانند باشند) احساس کنید.
بنابراین شما ابتدا با استفاده از LLM انتخابی خود وارد کدنویسی بازی کلاسیک Snake خود خواهید شد.
بخش 4: پروژه هدایت نشده – دومین بازی خود را بسازید (Tic-Tac-Toe با AI Opponent)
وقت آن است که چرخ های تمرینی خود را بردارید و به شما اجازه دهید بدون راهنمایی یک بازی بسازید.
بخش 5: نحوه کار LLM
برای اینکه بتوانید واقعاً با LLM ها به طور مؤثر کار کنید، باید بدانید که آنها در واقع چگونه کار می کنند. بنابراین ما همه چیز را به شیوه ای مبتدی و بدون نیاز به تخصص فنی توضیح خواهیم داد.
شما بررسی خواهید کرد که آیا این مدل‌ها ماشین‌های حدس‌زن کلمه هستند یا خیر، در مورد مدل ترانسفورماتور پیشرفتی که این فناوری را فعال می‌کند، معماری پشت GPT، و مقایسه مدل‌های پایه با همتایان به‌خوبی آنها آشنا خواهید شد.
سپس تمرینات جذابی را انجام خواهید داد تا به شما در تجسم معماری LLM و درک فرآیند آموزش کمک کند.
ما حتی روی پل بالقوه هوش عمومی مصنوعی (AGI) نیز دست خواهیم زد تا بتوانید نظرات خود را شکل دهید و با اطمینان در مورد هوش مصنوعی صحبت کنید.
بخش 6: چارچوب تشویقی ما
ما با معرفی چارچوبی که یاد می گیریم، و شما می توانید از آن برای ایجاد اعلان های دقیق و جامع استفاده کنید، یک رویکرد ساختاریافته برای تعامل با LLM ها در پیش خواهیم گرفت.
بعلاوه، شما به «کتابخانه پرامپت» دسترسی خواهید داشت، منبعی که مملو از اعلان‌های مختلف است و شما را با مثال‌های عملی برای تقویت مهارت‌های مهندسی پرامپت خود مجهز می‌کند.
بخش 7: مبانی راه اندازی – راه اندازی
در اینجاست که ما به نحوه ایجاد اعلان های مؤثر می پردازیم.
شامل:
درک “پیام سیستم”
اهمیت زمینه در LLM
مفهوم «شخصیت‌ها و نقش‌ها» برای اصلاح لحن، سبک و صدای اعلان‌ها
و تمرینات خلاقانه ای مانند نوشتن فیلمنامه برای اعمال این مفاهیم ارائه می دهد
شما حتی با بررسی محدودیت‌های توانایی‌های LLM برای حفظ محرمانگی، مهارت‌های جدید خود را آزمایش خواهید کرد.
بخش 8: مبانی تحریک – دستورالعمل
این بخش نگاهی دقیق به ایجاد پیام های کاربر دارد که LLM ها می توانند با دقت تفسیر کنند.
شما در مورد اهمیت وضوح و ویژگی، و نحوه استفاده از جداکننده ها برای ساختاردهی اطلاعات، نحوه غلبه بر محدودیت های انسان (بله، ما نیز آنها را داریم!) یاد خواهید گرفت تا اطمینان حاصل کنید که درخواست های شما موثر هستند.
همچنین شروع به یادگیری تکنیک‌های تحریک تجربی تأیید شده‌ای خواهید کرد، از جمله صفر، یک و چند شات که یک زنجیره فکری را برای دستیابی به پاسخ‌های منسجم‌تر و آگاهانه‌تر از هوش مصنوعی تحریک می‌کند.
بخش 9: پروژه هدایت شده – مربی شغلی خود را ایجاد کنید
وقت یک پروژه دیگر است! و این یکی از جالبترین است.
شما از تمام مهارت‌هایی که تاکنون در مورد آن یاد گرفته‌اید برای ایجاد یک پیام واحد و جامع استفاده خواهید کرد که مربی شغلی شخصی شما را ایجاد می‌کند تا به شما در یادگیری پایتون (یا هر موضوعی که ترجیح می‌دهید) کمک کند.
این مربی شغلی شامل حالت‌های مختلفی است که می‌توان آنها را فراخوانی کرد، از جمله
یک حالت یادگیری که استفاده از تکنیک فاینمن را به شما آموزش می دهد
حالت مسابقه ای که آزمون هایی را در مورد همان موضوع ایجاد می کند
حالت چالشی که چالش‌های کدنویسی شخصی‌سازی شده را ایجاد می‌کند و بازخورد پاسخ‌های شما را ارائه می‌کند و حتی یک سیستم امتیاز XP را برای گیمیفی کردن و ایجاد انگیزه در یادگیری شما معرفی می‌کند.
بخش 10: مبانی محرک – خروجی
این بخش بر آنچه پس از زدن “enter” می آید تمرکز می کند: پاسخ مدل.
شما یاد خواهید گرفت که چگونه طول و قالب خروجی های LLM را مدیریت و تحت تاثیر قرار دهید، و مطمئن شوید که آنها نیازهای خاص شما را برآورده می کنند.
تمرینات عملی شما را از طریق تولید خروجی های ساختاریافته، مانند فایل های اکسل و فلوچارت ها راهنمایی می کند.
این بخش همچنین به تکنیک‌های پیشرفتهای مانند Jailbreaking و Prompt Injection می‌پردازد و محدودیت‌های (خوب و بد) نحوه شکل‌دهی کاربران به ماهیت و جهت خروجی‌ها را به شما آموزش می‌دهد.
بخش 11: فراپارامترهای OpenAI Playground و LLM
این بخش همه چیز در مورد بهینه سازی شماره گیری ها و سوئیچ هایی است که رفتار مدل های زبان را کنترل می کنند.
با معرفی OpenAI Playground که به شما امکان می دهد این شماره گیری ها و سوئیچ ها را کنترل کنید شروع می شود.
با تنظیمات «دما» و «P بالا» برای تنظیم خلاقیت و قاطعیت پاسخ‌ها، و همچنین «جریمه‌های فراوانی و حضور» برای اصلاح ارتباط خروجی، و استفاده از «توالی‌های توقف» برای مدیریت مکان و زمان آشنا خواهید شد. پاسخ های هوش مصنوعی باید پایان یابد.
این بخش برای هر کسی که به دنبال تنظیم LLM با وظایف و ترجیحات خاص خود است، کلیدی است.
بخش 12: درخواست با عوامل مستقل (AutoGPT)
در اینجا با آینده هوش مصنوعی و مدل‌های زبان بزرگ آشنا می‌شوید: عوامل مستقل.
این عوامل به شما این امکان را می‌دهند که یک اعلان را وارد کنید و سپس برای انجام وظیفه‌تان با درخواست‌های محدود یا بدون درخواست بیشتر، حرکت کنید.
شما یاد خواهید گرفت که یک عامل مستقل خود را تنظیم کنید و سپس کارهایی مانند ایجاد یک وب سایت ساده و توسعه یک برنامه پایتون برای بررسی palindrom ها را انجام دهید.
سپس شما عوامل مستقل را در کاری که خودتان انتخاب می کنید، آزمایش خواهید کرد، که به شغل شما مربوط است.
این قسمتی است که نمی توان آن را از دست داد یا کسی که می خواهد آینده هوش مصنوعی را بفهمد.
بخش 13: استفاده از مدل های منبع باز
مدل‌های منبع باز به سرعت در حال رشد هستند و به قابلیت‌های مشابه مدل‌های منبع بسته شرکت‌های پیشرو هوش مصنوعی مانند OpenAI و Anthropic نزدیک می‌شوند.
این بخش با توضیح اهمیت این مدل‌ها و تأثیر آنها بر حوزه هوش مصنوعی، از جمله جدول امتیازات Chatbot Arena که در آن می‌توانید مدل‌های مختلف را در برابر یکدیگر قرار دهید، آغاز می‌شود.
اما این همه ماجرا نیست. همچنین یاد خواهید گرفت که از LMStudio برای دانلود و راه اندازی LLM منبع باز خود به صورت محلی در رایانه خود استفاده کنید، که به شما امکان می دهد بدون نگرانی در مورد اشتراک گذاری اطلاعات خصوصی، بدون حفاظ های سختگیرانه و بدون محدودیت نرخ، از LLM استفاده کنید.
بخش 14: تکنیک‌های پیشنهادی پیشرفته
این بخش شامل فرآیندهای گام به گام برای استفاده از برخی از تکنیک های پیشرو و تجربی اثبات شده برای بهبود کاربرد LLM است.
ما حتی به مقالات تحقیقاتی که این تکنیک‌ها را کشف کرده‌اند نیز می‌پردازیم. به علاوه، با کشف تکنیک های جدید، این بخش به طور مداوم به روز می شود و گسترش می یابد.
بخش 15: پروژه هدایت نشده: بازی سوم خود را بسازید (Flappy Bird)
این یک بار دیگر زمان آن است که دستان خود را کثیف کنید!
شما قبلاً چند بازی ساده با استفاده از کدهای تولید شده توسط LLM ساخته‌اید، اما اکنون زمان آن رسیده است که از تمام مهارت‌های خود استفاده کنید و چیز پیچیده‌تری ایجاد کنید: یک بازی Flappy Bird.
این کار مستلزم زمان قابل توجهی و تکرار درخواست است، اما شما از آنچه می توانید با مهارت های خود به دست آورید شگفت زده خواهید شد.
بخش 16: تست پرامپت و ارزیابی مدل
موثر بودن در Prompt Engineering به این معنی است که بتوانید درخواست‌های خود را آزمایش کنید و آنچه را که در مدل‌های مختلف بهتر عمل می‌کند ارزیابی کنید. این به این دلیل است که شرکت‌ها به دنبال اعلان‌ها و مدل‌هایی هستند که خروجی‌های قابل اعتماد ارائه می‌کنند.
در این بخش روش‌های مختلف تست و ارزیابی از جمله درجه‌بندی مبتنی بر کد، درجه‌بندی انسانی و درجه‌بندی مبتنی بر مدل را بررسی خواهید کرد.
بعلاوه، ما به تحقیقاتی می پردازیم که مزایا و معایب LLM ها را به عنوان داور در ارزیابی خروجی ها نشان می دهد. این بخش برای هر کسی که به دنبال تسلط بر جنبه های کنترل کیفیت کار با LLM است ضروری است.
به روز رسانی نامحدود: این دوره، مانند تمام دوره های صفر تا تسلط، یک چیز زنده و نفس گیر است.
این بدان معناست که دائماً در حال به‌روزرسانی و گسترش است تا جایی که می‌توانید بهترین روش‌ها را در حین پیشرفت و رشد شغلی خود بیابید و یاد بگیرید.
خط پایین چیست؟
این دوره به این منظور نیست که لیستی تصادفی از دستورات را به شما ارائه دهد یا اینکه شما را مجبور کند چند فیلم را تماشا کنید تا وقتی دوره را تمام کردید ندانید به جز تماشای یک آموزش دیگر چه کاری انجام دهید.
در عوض، این دوره شما را تشویق می کند و شما را به چالش می کشد تا از مبتدی به جزء 10 درصد از افرادی که از LLM استفاده می کنند قرار بگیرید.
