|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ai-prompt-engineering-corso-completo/
课程评论：没有评论
**课程名称：AI Prompt Engineering - 从入门到精通** **课程概述：** 本课程适合所有水平的学习者，特别是初学者。我们将深入探讨提示工程（Prompt Engineering）的高级技术和概念，旨在帮助您充分利用大型语言模型（LLM）的输出结果。您将学习如何分析模型的响应，并根据模型的性能和您期望的输出，优化您的提示。 课程内容包括： * **模型性能的批判性分析：** 评估LLM的响应，并将其与可靠的参考资料进行比较。 * **提高模型性能的技术：** 学习如何通过评估特定提示的响应、多轮标注者一致性等方法来改进模型。 * **模型优化技术：** 探索迭代式优化、数据增强和主动学习等方法。 * **在线LLM实践平台：** 利用Huggingface和OpenAssistant等平台进行在线LLM实践。 **核心技术与概念：** * **N-shot Prompting：** 通过提供少量示例，使LLM能够学习并生成更有意义的响应，提高泛化能力。 * **思维链（Chain-of-Thought, CoT）：** 引导LLM模仿人类思考过程，分步推演，生成更复杂、更自然的回答。 * **生成式知识提示（Generated Knowledge Prompting）：** 利用LLM的内置知识，产生深度和准确的信息，适用于信息检索任务。 * **定向刺激提示（Directed Stimulus Prompting）：** 通过提供明确的指示，引导LLM生成个性化和高度定制的响应。 **课程亮点：** 课程包含一个**实践操作环节**，让您能够亲手应用所学的提示工程技术，实现理论与实践的完美结合。
In questo corso, adatto anche ai principianti, esploreremo alcune delle tecniche e dei concetti più avanzati di Prompt Engineering per sfruttare al meglio i risultati ottenuti in output da un Large Language Model (LLM).Scopriremo come è possibile analizzare le risposte date in output da un modello nell'ottica di migliorare i prompt in base alle capacità del modello e alle risposte che si vogliono ottenere.Comprende un'analisi critica delle prestazioni dei modelli linguistici e delle tecniche di miglioramento, come la valutazione delle risposte a prompt specifici, il confronto con riferimenti attendibili e l'inter-annotator agreement.Vengono esplorate tecniche di perfezionamento iterativo, data augmentation e suggerimento attivo per ottimizzare i modelli.Piattaforme come Huggingface ed OpenAssistant vengono utilizzate nel corso per lavorare online con i LLM.Tra gli argomenti trattati troviamo:N-shot prompting: Questo approccio consente agli LLM di apprendere da un numero limitato di esempi, migliorando la loro capacità di generalizzare e generare risposte significative.Catena di pensieri (CoT): Gli LLM seguono una serie di passaggi autoconsistenti, simili ai processi di pensiero umani, per fornire risposte più elaborate.Generated knowledge prompting: Sfruttando le conoscenze preesistenti nei LLM, si ottengono risposte approfondite e accurate, utili per attività di ricerca di informazioni.Directed stimulus prompting: Fornendo indicazioni specifiche nei prompt, è possibile guidare gli LLM a generare risposte personalizzate e mirate.Comprende una parte finale hands-on che si concentra sull'applicazione pratica delle tecniche studiate.
