课程大纲

介绍 Prompt Engineering

  • 什么是提示工程?
  • 提示设计在 LLM 中的重要性
  • 零样本、单次和少数样本方法的比较

设计有效的提示

  • 制作高品质提示的原则
  • 试验提示变体
  • 提示设计中的常见挑战

Few-Shot 微调

  • 小样本学习概述
  • 特定任务 LLM 适应中的应用
  • 将few-shot示例整合到 Prompt 中

动手操作 Prompt Engineering 工具

  • 使用 OpenAI API 进行提示实验
  • 使用 Hugging Face Transformers 探索提示设计
  • 评估提示变体的影响

优化 LLM 性能

  • 评估输出和优化提示
  • 结合上下文以获得更好的结果
  • 处理 LLM 回应中的歧义和偏见

Prompt Engineering 的应用

  • 文本生成和摘要
  • 情感分析和分类
  • 创意写作和代码生成

部署基于提示的解决方案

  • 将提示整合到应用程式中
  • 监控性能和可扩充性
  • 案例研究和真实示例

总结和后续步骤

要求

  • 对自然语言处理 (NLP) 的基本了解
  • 熟悉 Python 程式设计
  • 具有大型语言模型 (LLM) 经验者优先

观众

  • AI 开发人员
  • NLP 工程师
  • 机器学习从业者
 14 小时

即将举行的公开课程

课程分类