chatgpt promt engineer for developer

Chatgpt prompt Engineering für Entwickler

Dieses Repository dokumentiert meinen Fortschritt und meine Erkenntnisse aus dem Kurs „Chatgpt prompt Engineering for Developer 'von Deeplearning.ai. Der Kurs behandelt wesentliche Techniken, um effektive Aufforderungen für ChatGPT zu erstellen und sich auf verschiedene Aspekte zu konzentrieren, z. B. zusammenzufassen, abzuleiten, zu transformieren und vieles mehr.

Überblick

In ChatGPT Proportion Engineering für Entwickler lernen Sie, wie Sie ein großes Sprachmodell (LLM) verwenden, um schnell neue und leistungsstarke Anwendungen zu erstellen. Mit der OpenAI-API können Sie schnell Fähigkeiten erstellen, die lernen, innovativ zu sein und Wert auf eine Weise zu schaffen, die zuvor kostenintensiv, hochtechnisch oder einfach unmöglich war. Dieser kurze Kurs von Isa Fulford (OpenAI) und Andrew NG (Deeplearning.AI) beschreibt, wie LLMs funktioniert, Best Practices für schnelle Engineering bereitstellen und wie LLM -APIs in Anwendungen für eine Vielzahl von Aufgaben verwendet werden können, darunter:

• Zusammenfassung (z. B. Zusammenfassung der Benutzerbewertungen für Kürze)
• Abschluss (z. B. Sentiment -Klassifizierung, Themenextraktion)
• Texte transformierender (z. B. Übersetzung, Rechtschreibung und Grammatikkorrektur)
• Erweiterung (z. B. automatisch Schreiben von E -Mails)

Darüber hinaus lernen Sie zwei wichtige Prinzipien für das Schreiben effektiver Eingabeaufforderungen, wie man systematisch gute Eingabeaufforderungen entwickelt und auch lernen, einen benutzerdefinierten Chatbot zu erstellen. Alle Konzepte werden mit zahlreichen Beispielen veranschaulicht, mit denen Sie direkt in unserer Jupyter-Notebook-Umgebung spielen können, um praktische Erfahrungen mit promptem Engineering zu sammeln.

Dieser Kurs verwendet eine App von Drittanbietern, Chatgpt Prompt Engineering für Entwickler, um Ihre Lernerfahrung zu verbessern. Die App verweist auf grundlegende Informationen wie Ihren Namen, Ihre E -Mail- und Coursera -ID.

Inhaltsverzeichnis

1. Einführung
2. Richtlinien
3. Iterativ
4. Zusammenfassung
5. Schließen
6. Verwandeln
7. Expandieren
8. Chatbot
9. Abschluss

Beispiele

Für jeden Abschnitt finden Sie praktische Beispiele und Übungen, indem Sie Python -Code im Code finden und ausführen oder mit dem Jupyter -Notizbuch in den Notebook -Verzeichnissen spielen.

So führen Sie Beispiele aus

1. Installieren Sie Python und Pip
2. Installieren Sie Jupyter Notebook:
   • Neue Notebook -Version: pip install notebook
   • Altes Notizbuch: pip install jupyterlab
3. Jupyter Notebook ausführen: Öffnen und ändern Sie das Verzeichnis in diesem Repository und führen Sie jupyter lab aus
4. Greifen Sie auf das Jupyter Notebook Web UI unter localhost:8888 | http: // localhost: 8888/lab/baum/Notebook/
5. Öffnen Sie in der linken Leiste den Dateibrowser (Strg/Befehl + Shift + F) und öffnen Sie das Notizbuch für den entsprechenden Abschnitt
6. Zeigen Sie auf jeden Codeblock, klicken Sie in der Symbolleiste auf [ausführen] oder drücken Sie [SHIFT + ENTER].

Zusätzliche Ressourcen

Weitere Lesematerialien und Tools im Zusammenhang mit schnellem Engineering finden Sie in den zusätzlichen Ressourcen.

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert - Einzelheiten finden Sie in der Lizenzdatei.

Beitragen

Beiträge sind willkommen! Bitte öffnen Sie ein Problem oder senden Sie eine Pull -Anfrage für Verbesserungen oder Vorschläge.

Kontakt

Wenn Sie Fragen haben, können Sie sich gerne über Github -Probleme wenden.