Prompt Engineering and Few-Shot Fine-Tuning

• 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

Prompt Engineering 和 Few-Shot Fine-Tuning 为参与者提供了使用提示工程技术和 Few-shot 学习来有效指导大型语言模型 （LLM） 的实践知识。该课程强调无需大量微调即可获得最佳结果，从而能够有效地调整预训练模型以执行各种任务。

这种由讲师指导的现场培训（在线或现场）面向希望利用快速工程和少量学习的力量来优化实际应用的 LLM 性能的中级专业人士。

在本次培训结束时，参与者将能够：

• 了解快速工程和小样本学习的原则。
• 为各种 NLP 任务设计有效的提示。
• 利用小样本技术以最少的数据调整 LLM。
• 针对实际应用优化 LLM 性能。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在即时实验室环境中动手实施。

课程自定义选项

• 要申请本课程的定制培训，请联系我们进行安排。

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