大手笔!吴恩达一口气开放了 3 个 AIGC 教程。。

公众号关注 “GitHubDaily”

设为 “星标”,每天带你逛 GitHub!

2887a876294d04928967554b4344b915.png

一个月前,DeepLearning.ai 创始人吴恩达与 OpenAI 开发者 Iza Fulford 联手推出了一门面向开发者的技术教程:《ChatGPT 提示工程》。

该教程总共分为 9 个章节,总一个多小时,里面主要涵盖:提示词最佳实践、评论情感分类、文本总结、邮件撰写、文本翻译、快速搭建一个聊天机器人等等。

你除了能在这个教程里面学到如何使用 Prompt,你还能学到 GPT 接口调用开发知识。

一个月时间过去了,因课程质量之高,受到了不少开发者赞誉。

于是,DeepLearning.ai 今天又重磅推出了 3 大教程,以便帮助开发者们更好的掌握当下较火的 AI 技术。

每个教程时长 1 小时,会拆分为多个章节,让你能更妥善的安排自己时间进行学习。

下面我们来看下这几个教程都包含哪些内容。

一、使用 ChatGPT API 构建系统

自 GPT-4 API 发布以后,很多人都开始使用它来构建各种 AI 应用。包括各种智能助理、聊天机器人、英语私教等等。

互联网上关于如何开发一个完整的 AI 应用,教程相对较少。

因此,本次吴恩达老师,将再次联手 OpenAI 的开发者 Iza Fulford,推出《使用 ChatGPT API 构建系统》教程。

f3b468af61df6e90b0f6bb0ba03b5543.png

在该教程中,你将学会如何通过链式调用的方式,自动化处理各种复杂的工作流程。

教程核心内容如下:

  • 与上文的提示词交互,搭建完整提示链;

  • 用 Python 编写一个提示词交互系统;

  • 开发一个智能客服 AI 机器人。

你可以将此教程看做是《面向开发者的提示工程》的进阶教程,两个教程结合起来学习,效果会好很多。

除此之外,作者还会教授一些实际场景应用,比如:将用户查询归类为聊天代理的响应、评估用户查询信息的安全性,以及通过思维连、多步推理来处理各种任务。

二、结合 LangChain 开发 LLM 应用

LangChain 是 GitHub 上一个知名的大语言模型开发框架,让你可以组合各种功能,来使用 LLM 开发功能更为丰富的 LLM 应用。

今年 ChatGPT 爆火,间接带动了这一框架的增长,自去年 10 月份开源以来,LangChain 已累积 4.3 万 Star,增长颇为迅猛。

为了让大家都能结合 LangChain,打造出更为强大的 AI 应用,吴恩达老师联合 LangChain CEO Harrison Chase,推出了《结合 LangChain 开发 LLM 应用》教程。

9718db1a9fd198c78cb590228be23f89.png

你可以在该教程中,学习使用 LangChain 框架的基本应用和开发技巧:

  • 模型、提示和解析器:调用 LLM、提供提示和解析响应内容;

  • LLM 内存:存储对话和管理上下文空间内存;

  • 链:创建操作序列;

  • 文档智能问答:将 LLM 应用于专有数据和指定用例;

  • 代理:探索 LLM 作为推理代理的发展与应用。

在你完成这整个教程的学习之后,将收获一个专属的模型,你可以将其当做探索各种 AI 应用的新起点。

开发者可以通过结合 LangChain,为大语言模型扩展更多功能,打破联网查询、数据更新等各种限制,进而开发出更为强大的 AI 应用。

三、Diffusion 模型工作原理

上述两个教程,都不需要了解过多的 AI 技术知识,便能快速上手学习。但是这门教程对 AI 专业知识要求会稍微高点。

该教程将由吴恩达与其高徒 Sharon Zhou 联合教授。Sharon Zhou 是 Lamini 的 CEO。

Lamini 是不久前在 GitHub 上开源的一个项目,主要功能是让开发者可通过少量代码,借助平台数据,快速调教出一个属于自己的大语言模型。

Lamini 主打的就是一个简便、轻快,所有人均可通过微调 Prompt 的方式,造出一个定制化大模型。

3ea5c0e5fe7fa18aface2bc6b2a78aea.png

在这个教程中,作者将向你介绍扩散模型的一些基础原理,并教会你从头构建一个扩散模型。

你可以从中学到:

  • 探索基于扩散的 AIGC 前沿技术,从零创建一个扩散模型;

  • 深入了解扩散过程和驱动模型,而不仅仅是预建模型和 API;

  • 实验采样、扩散模型训练、构建神经网络(噪声预测),生成个性化图像。

用一个小时的时间,便能快速了解扩散模型的构建、训练以及优化流程,可以说性价比极高。

目前上述教程已经在 DeepLearning.ai 正式上线,官网上线提供了可交互式的 Notebook,让你可以一边学习,一边跟着编写代码实践。

地址:https://www.deeplearning.ai/short-courses/

如果你想了解更多实用的 AI 技术与应用,以及 ChatGPT 新进展,可以点击下方链接,加入我们社群进一步交流探讨。

👇 每个进群的人,都会收到我们赠送的一枚 00327ea2dd5926e46c7c22c4e173be4c.png 账号。

社群入口:ChatGPT 社群,正式上线!

不想错过文章推送?点击下面公众号卡片,给 GitHubDaily 公众号加个星标吧!

5755c9ebd1128c8b4c43b6ff51b12946.png

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
吴恩达的机器学习课程中的ex3任务是关于手写数字识别的。在这个任务中,我们使用了一个包含5000个手写数字训练示例的数据集(ex3data1.mat)。每个训练示例都是一个20×20像素的灰度图像,被展开成了一个400维的向量。这些训练示例被存储在数据矩阵X中,其中每一行代表一个手写数字图像的训练示例。 此外,训练集的标签被存储在一个5000维的向量y中。为了与Octave/MATLAB索引兼容,我们把数字零映射为值10,并将数字1至9按其自然顺序标记为1至9。 在导入数据并初始化之后,我们可以开始使用这个数据集进行手写数字识别的任务了。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [【吴恩达】机器学习作业 ex3data1 -- 多分类逻辑回归(Python)](https://blog.csdn.net/calmdownn/article/details/125992325)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [吴恩达机器学习笔记---ex3(python实现)](https://blog.csdn.net/qq_45604750/article/details/107628153)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值