مهندسی پرامپت: مهارت‌های ضروری برای استفاده حرفه‌ای از هوش‌مصنوعی

%99 تخفیف!

این دوره شما را با مهندسی پرامپت (Prompt Engineering) آشنا می‌کند. یک مهارت حیاتی برای استفاده بهینه از مدل‌های هوش مصنوعی و زبانی بزرگ (LLMs). در این دوره، یاد می‌گیرید که چگونه پرامپت‌های دقیق و بهینه بنویسید تا پاسخ‌های بهتر، مرتبط‌تر و قابل اعتمادتر از مدل‌های هوش مصنوعی دریافت کنید. از اصول اولیه تا تکنیک‌های پیشرفته مانند زنجیره تفکر (Chain of Thought)، استفاده از متن مرجع، و بهینه‌سازی خروجی، تمامی نکات ضروری را با مثال‌های عملی و کاربردی بررسی خواهیم کرد. این دوره مناسب همه افرادی است که می‌خواهند تعاملات خود با هوش مصنوعی را به سطح بالاتری برسانند.

در دنیایی که هوش مصنوعی به بخشی جدایی‌ناپذیر از زندگی و کار ما تبدیل شده است، مهندسی پرامپت دیگر فقط یک مهارت تخصصی برای برنامه‌نویسان نیست، بلکه ابزاری ضروری برای همه است. چه یک مدیر باشید که بخواهد گزارش‌های دقیق‌تری از داده‌ها دریافت کند، چه یک نویسنده که بخواهد ایده‌های جدیدی خلق کند، یا حتی یک دانشجو که برای تحقیق و یادگیری از مدل‌های هوش مصنوعی استفاده می‌کند. توانایی نوشتن پرامپت‌های مؤثر به شما کمک می‌کند تا از این فناوری بیشترین بهره را ببرید. یادگیری این مهارت به شما امکان می‌دهد نتایج دقیق‌تر، سریع‌تر و باکیفیت‌تری دریافت کنید و از هوش مصنوعی به‌عنوان یک دستیار واقعی در کار و زندگی روزمره استفاده کنید. در دنیایی که اطلاعات با سرعتی سرسام‌آور در حال پردازش است، کسانی که مهندسی پرامپت را بلد باشند، مزیت رقابتی بزرگی خواهند داشت.

سرفصل دوره

فصل اول: مهندسی پرامپت چیست؟
پرامپت و مهندسی پرامپت چیست؟​
مثالی از مهندسی پرامپت (پرامپت خوب و پرامپت بد)
چرا باید از مهندسی پرامپت استفاده کنیم؟
چرخه‌ی تولید پرامپت
جمع بندی
آزمون فصل اول: مقدمه‌ای بر مهندسی پرامپت
مقدمه‌ای بر هوش مصنوعی، مدل‌های زبانی و کاربردهای آن
مدل‌های زبانی و نحوه‌ی کار آن‌ها
جمع‌بندی
آزمون فصل دوم: مدل‌های زبانی بزرگ (LLMs)
اجزای یک پرامپت خوب
نوشتن دستورات شفاف و مشخص. تکنیک اول: ذکر جزئیات
تکنیک دوم: نقش دادن به مدل
تکنیک سوم: استفاده از جداکننده‌ها
تکنیک تعیین مراحل مورد نیاز انجام کار
تکنیک ذکر مثال
تکنیک تعیین طول خروجی
اصطلاحات پرامپت‌نویسی
آزمون فصل سوم: اصول پرامپت‌نویسی
ارائه متن مرجع. تکنیک اول: درخواست از مدل برای پاسخ‌دهی با استفاده از متن مرجع
درخواست از مدل برای پاسخ‌دهی با ارجاع به متن مرجع
فرصت دادن به مدل برای فکر کردن: تکنیک اول: یافتن راه‌حل قبل از پاسخ
فرصت دادن به مدل برای فکر کردن: تکنیک دوم: استفاده از مونولوگ داخلی
فرصت دادن به مدل برای فکر کردن: تکنیک سوم: سوالات پیگیری
جستجو، قبل از پاسخگویی! (Generated Knowledge Prompting)
تقسیم مسائل بزرگ به مسائل کوچک‌تر (Least to Most Prompting)
احساساتی کردن مدل! (Emotional Prompting)
جمع‌بندی
آزمون فصل چهارم: تکنیک‌های پرامپت‌نویسی
نحوه انجام کارهای پیچیده: تکنیک طبقه‌بندی
نحوه انجام کارهای پیچیده: تکنیک خلاصه‌سازی مکالمات طولانی
تکنیک خلاصه‌سازی بازگشتی
تکنیک اجرای کد برای انجام محاسبات دقیق‌تر
آزمون فصل پنجم: نحوه انجام کارهای پیچیده
خروجی های متناقض
توهم یا Hallucinations
سوگیری یا Bias در LLM ها
خطرات و نگرانی‌های اخلاقی هوش مصنوعی
آزمون فصل ششم: چالش‌ها و محدودیت‌های مدل‌های زبانی
اگر انگلیسی خوبی ندارم، چه کنم؟ (استفاده از مدل‌ها برای مهندسی پرامپت)
بخش پایانی
cafe-invest (2)

مهندسی پرامپت: مهارت‌های ضروری برای استفاده حرفه‌ای از هوش‌مصنوعی