فلش‌کارت‌های آموزشی تکنیک‌های Few-shot و Zero-shot در Prompting پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های Few-shot و Zero-shot در Prompting پیشرفته

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تکنیک‌های Few-shot و Zero-shot Learning با Prompt

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشینی و مدل‌های زبانی بزرگ
• 2. مبانی Prompt Engineering
• 3. تفاوت Prompting و Fine-tuning
• 4. مفهوم Few-shot Learning
• 5. مفهوم Zero-shot Learning
• 6. انواع Few-shot Learning (N-shot, K-shot)
• 7. تکنیک‌های Prompting برای Few-shot Learning
• 8. یادگیری مبتنی بر مثال (Example-based Learning)
• 9. یادگیری مبتنی بر مبتنی (Meta-Learning)
• 10. تکنیک‌های Prompting برای Zero-shot Learning
• 11. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 12. یادگیری انتقالی (Transfer Learning)
• 13. مدل‌های زبانی پیش‌آموزش‌دیده (Pre-trained Language Models)
• 14. معماری ترنسفورمر (Transformer Architecture)
• 15. مکانیزم توجه (Attention Mechanism)
• 16. مدل‌های مبتنی بر ترنسفورمر (BERT, GPT, T5)
• 17. کاربردهای مدل‌های زبانی بزرگ
• 18. کاربرد در تولید متن
• 19. کاربرد در خلاصه‌سازی متن
• 20. کاربرد در ترجمه ماشینی
• 21. کاربرد در پاسخ به سوال (Question Answering)
• 22. کاربرد در تحلیل احساسات (Sentiment Analysis)
• 23. کاربرد در دسته‌بندی متن (Text Classification)
• 24. کاربرد در استخراج اطلاعات (Information Extraction)
• 25. کاربرد در درک مطلب (Reading Comprehension)
• 26. Prompting برای وظایف تولید متن خلاقانه
• 27. Prompting برای تولید شعر و داستان
• 28. Prompting برای تولید کد
• 29. Prompting برای تولید محتوای آموزشی
• 30. Prompting برای وظایف خلاصه‌سازی پیشرفته
• 31. روش‌های ارزیابی خلاصه‌سازی
• 32. Prompting برای وظایف پاسخ به سوال پیچیده
• 33. پرسش‌های چند مرحله‌ای (Multi-hop QA)
• 34. استنتاج در پاسخ به سوال
• 35. Prompting برای وظایف تحلیل احساسات دقیق
• 36. تشخیص احساسات ظریف
• 37. تحلیل احساسات در مقیاس بزرگ
• 38. Prompting برای وظایف دسته‌بندی متن با کلاس‌های زیاد
• 39. دسته‌بندی سلسله مراتبی (Hierarchical Classification)
• 40. Prompting برای استخراج اطلاعات ساختاریافته
• 41. تشخیص موجودیت نام‌گذاری شده (NER)
• 42. رابطه استخراج (Relation Extraction)
• 43. Prompting برای وظایف درک مطلب عمیق
• 44. استنتاج منطقی در متن
• 45. درک زمینه (Contextual Understanding)
• 46. تکنیک‌های پیشرفته Prompting
• 47. Prompt Chaining
• 48. Self-Consistency
• 49. Chain-of-Thought Prompting
• 50. Tree-of-Thoughts Prompting
• 51. Automatic Prompt Engineering
• 52. Prompt Tuning
• 53. Parameter-Efficient Fine-Tuning (PEFT)
• 54. LoRA (Low-Rank Adaptation)
• 55. Prefix Tuning
• 56. Adapter Tuning
• 57. Prompting برای وظایف چندوجهی (Multimodal)
• 58. پردازش زبان طبیعی و بینایی ماشین
• 59. Prompting برای تصویر به متن (Image Captioning)
• 60. Prompting برای متن به تصویر (Text-to-Image Generation)
• 61. Prompting برای ویدئو به متن
• 62. Prompting برای وظایف صوتی
• 63. Prompting برای تبدیل گفتار به متن (Speech-to-Text)
• 64. Prompting برای تبدیل متن به گفتار (Text-to-Speech)
• 65. Prompting برای تشخیص گفتار
• 66. Prompting در مدل‌های زبانی کوچک (Smaller Language Models)
• 67. بهینه‌سازی Prompt برای مدل‌های محدود
• 68. Prompting برای کاربردهای خاص صنعتی
• 69. Prompting در حوزه سلامت (با رعایت پروتکل‌های وزارت بهداشت)
• 70. Prompting در حوزه آموزش (با رعایت چارچوب‌های رسمی)
• 71. Prompting در حوزه حقوق (با رعایت قوانین)
• 72. Prompting در حوزه مالی (با رعایت مقررات بانک مرکزی)
• 73. Prompting برای وظایف اخلاقی و مسئولانه
• 74. تشخیص و کاهش سوگیری (Bias Detection and Mitigation)
• 75. Prompting برای حفظ حریم خصوصی
• 76. Prompting برای امنیت سایبری (با تمرکز بر دفاع)
• 77. Prompting برای جلوگیری از اطلاعات نادرست (Misinformation)
• 78. Prompting برای تولید محتوای ایمن و مناسب
• 79. ملاحظات اخلاقی در Prompt Engineering
• 80. مسئولیت‌پذیری در طراحی Prompt
• 81. شفافیت در استفاده از مدل‌های زبانی
• 82. ارزیابی جامع Prompting
• 83. معیارهای ارزیابی Few-shot و Zero-shot
• 84. ارزیابی قابلیت تعمیم‌پذیری (Generalization)
• 85. ارزیابی مقاومت در برابر حملات (Robustness)
• 86. آینده Prompt Engineering
• 87. روندهای نوظهور در Prompting
• 88. تاثیر Prompt Engineering بر هوش مصنوعی عمومی
• 89. جمع‌بندی و چشم‌انداز آینده