آنچه در این دوره خواهید آموخت

این دوره به دقت طراحی شده است تا مهارت‌های کاربردی و عمیقی را در زمینه مهندسی پرامپت به شما منتقل کند. با اتمام این دوره، شما قادر خواهید بود:

• مفاهیم بنیادی مدل‌های زبان بزرگ (LLM) و نحوه کارکرد آن‌ها را درک کنید.
• اصول مهندسی پرامپت و اهمیت آن در دستیابی به نتایج دقیق و کارآمد را بیاموزید.
• انواع تکنیک‌های پرامپت‌نویسی، از جمله پرامپت‌های تک‌شات، چند‌شات، و زنجیره فکری (Chain-of-Thought) را به کار بگیرید.
• استراتژی‌های پیشرفته‌ای مانند بازیابی اطلاعات افزوده (RAG) را برای افزایش دقت و کاهش خطا در پاسخ‌های LLM پیاده‌سازی کنید.
• پرامپت‌های خود را برای وظایف مختلف مانند خلاصه‌سازی، تولید محتوا، ترجمه، و حل مسئله بهینه سازی کنید.
• با ابزارهای قدرتمندی مانند LangChain و LlamaIndex برای ساخت برنامه‌های کاربردی پیچیده بر پایه LLM آشنا شوید.
• مسائل اخلاقی و بایاس‌های احتمالی در LLMها را شناسایی کرده و راهکارهای کاهش آن‌ها را فرا بگیرید.
• پروژه‌های عملی با استفاده از APIهای معروف مانند OpenAI را توسعه دهید و مهارت‌های خود را در محیط واقعی به کار بگیرید.

مزایای شرکت در این دوره

شرکت در دوره جامع مهندسی پرامپت، مزایای بی‌شماری را برای شما به ارمغان می‌آورد و شما را برای ورود به بازار کار پر رقابت هوش مصنوعی آماده می‌سازد:

• کسب مهارت‌های تقاضامحور: مهندسی پرامپت یکی از پرتقاضاترین مهارت‌ها در صنایع مرتبط با هوش مصنوعی است.
• افزایش بهره‌وری: با یادگیری نحوه تعامل مؤثر با LLMها، می‌توانید وظایف روزمره را سریع‌تر و با کیفیت بهتری انجام دهید.
• نوآوری و خلاقیت: مهارت در پرامپت‌نویسی به شما امکان می‌دهد تا ایده‌های جدیدی را با کمک هوش مصنوعی پیاده‌سازی کنید.
• آمادگی برای آینده: با درک عمیق LLMها، در خط مقدم پیشرفت‌های هوش مصنوعی قرار خواهید گرفت.
• یادگیری عملی و پروژه محور: دوره شامل پروژه‌های عملی متعددی است که به شما کمک می‌کند دانش تئوری را به مهارت‌های عملی تبدیل کنید.
• دسترسی آفلاین: ارائه دوره بر روی فلش مموری ۳۲ گیگابایتی، امکان دسترسی به محتوا را در هر زمان و مکانی بدون نیاز به اینترنت فراهم می‌آورد. این ویژگی برای کسانی که دسترسی محدود به اینترنت دارند یا ترجیح می‌دهند بدون حواس‌پرتی آنلاین مطالعه کنند، بسیار ایده‌آل است.

پیش‌نیازهای دوره

این دوره با هدف دسترس‌پذیری برای طیف وسیعی از علاقه‌مندان طراحی شده است. هیچ پیش‌نیازی در زمینه هوش مصنوعی یا یادگیری ماشین برای شروع این دوره لازم نیست.

• آشنایی اولیه با کامپیوتر: توانایی کار با سیستم عامل و نرم‌افزارهای رایج.
• مفاهیم پایه برنامه‌نویسی (اختیاری): اگرچه بخش‌هایی از دوره شامل کدنویسی نیست، اما آشنایی با مفاهیم اولیه برنامه‌نویسی (ترجیحاً پایتون) می‌تواند به درک بهتر برخی از پروژه‌های عملی کمک کند. با این حال، تمام کدها به صورت گام به گام توضیح داده می‌شوند و برای مبتدیان نیز قابل پیگیری هستند.
• اشتیاق به یادگیری: مهم‌ترین پیش‌نیاز، علاقه و تمایل به کاوش در دنیای هوش مصنوعی و مدل‌های زبان بزرگ است.

بخش‌های اصلی دوره

دوره «مهندسی پرامپت از صفر تا استادی» به صورت ماژولار و ساختاریافته طراحی شده است تا فرآیند یادگیری را برای شما آسان و لذت‌بخش کند:

• ماژول ۱: مقدمه‌ای بر LLMها و مهندسی پرامپت

  • تعریف و تاریخچه LLMها
  • کاربردهای LLM در دنیای واقعی
  • مبانی مهندسی پرامپت: چرا پرامپت‌نویسی اهمیت دارد؟
  • ساختار یک پرامپت مؤثر

• ماژول ۲: تکنیک‌های پایه پرامپت‌نویسی

  • پرامپت‌های تک‌شات (Zero-Shot Prompting): دریافت پاسخ با یک دستور ساده
  • پرامپت‌های چند‌شات (Few-Shot Prompting): ارائه مثال برای بهبود پاسخ‌ها
  • نوشتن پرامپت‌های واضح و مختصر
  • نحوه استفاده از نقش (Role-Playing) در پرامپت‌ها

• ماژول ۳: تکنیک‌های پیشرفته پرامپت‌نویسی

  • زنجیره فکری (Chain-of-Thought): هدایت LLM به تفکر گام به گام
  • درخت فکر (Tree-of-Thought) و کاربردهای آن
  • استفاده از سیستم‌های پیشرفته مانند RAG برای دقت بالاتر
  • تکنیک‌های پرامپت‌نویسی برای وظایف تخصصی (مانند کدنویسی، تحلیل داده)

• ماژول ۴: بهینه‌سازی و ارزیابی پرامپت‌ها

  • عیب‌یابی پرامپت‌ها: چه زمانی پرامپت من کار نمی‌کند؟
  • متدولوژی‌های ارزیابی پاسخ‌های LLM
  • بهینه‌سازی پرامپت برای کاهش هزینه و افزایش سرعت
  • تست A/B برای پرامپت‌ها

• ماژول ۵: کار با ابزارها و APIهای LLM

  • مقدمه‌ای بر OpenAI API و نحوه استفاده از آن
  • آشنایی با LangChain: فریم‌ورکی برای ساخت برنامه‌های LLM
  • معرفی LlamaIndex: راهکاری برای اتصال LLMها به داده‌های سفارشی شما
  • ساخت یک پروژه ساده با LangChain

• ماژول ۶: ملاحظات اخلاقی و کاربردهای واقعی

  • شناسایی و کاهش بایاس در LLMها
  • مسائل حریم خصوصی و امنیت داده
  • کاربردهای عملی مهندسی پرامپت در صنعت (مثال‌های واقعی)
  • ساخت پورتفولیو و نمایش مهارت‌های کسب شده

نمونه‌های عملی و کاربردی

در طول دوره، مثال‌های عملی بی‌شماری برای درک عمیق‌تر مفاهیم ارائه می‌شود. به عنوان مثال، فرض کنید می‌خواهید از یک LLM برای تولید ایده‌های محتوا استفاده کنید:

• پرامپت ساده: “ایده‌هایی برای پست‌های وبلاگ درباره هوش مصنوعی بنویس.” (پاسخ عمومی)
• پرامپت چند‌شات: با ارائه چند نمونه از پست‌های موفق قبلی، مدل را به سمت تولید ایده‌های مرتبط‌تر و جذاب‌تر هدایت می‌کنید.
• پرامپت زنجیره فکری: “من می‌خواهم یک پست وبلاگ درباره آینده هوش مصنوعی در زمینه سلامت بنویسم. ابتدا، سه چالش اصلی در این زمینه را لیست کن. سپس، برای هر چالش، یک راه حل بالقوه که هوش مصنوعی می‌تواند ارائه دهد، پیشنهاد کن. در نهایت، با استفاده از این اطلاعات، سه عنوان جذاب برای پست وبلاگ پیشنهاد بده.” (این پرامپت مدل را مجبور به تفکر مرحله‌ای می‌کند.)
• پرامپت RAG: شما می‌توانید اسناد مربوط به جدیدترین تحقیقات در زمینه هوش مصنوعی و سلامت را به مدل ارائه دهید و سپس از آن بخواهید تا بر اساس اطلاعات “بازیابی شده”، ایده‌های محتوا تولید کند. این روش دقت و ارتباط پاسخ‌ها را به طور چشمگیری افزایش می‌دهد.

همچنین، در ماژول‌های پایانی، پروژه‌های عملی مانند ساخت یک چت‌بات هوشمند یا یک سیستم خلاصه‌سازی متن با استفاده از ابزارهایی مانند LangChain آموزش داده می‌شود تا دانش شما به مهارت‌های قابل ارائه تبدیل شود.