توضیح درباره دوره:
این دوره از نظر محتوای آموزشی  به شیوه جدید کاملا منحصر به فرد و برای اولین بار توسط اپن آکادمی و فیوچرمیشن با همکاری و مشارکت دانشگاه آزاد اسلامی در ایران بصورت مجازی برگزار می شود.

اهداف دوره:
هدف از دوره مهندسی پرامپت ( ارتباط با هوش مصنوعی) آموزش نحوه طراحی و بهینه سازی پرامپت های موثر برای مدل های هوش مصنوعی، بهبود عملکرد و دقت آنها در رسیدن به بهترین نتایج است.

مخاطبان دوره:
اقشار مختلف جامعه که علاقمند هوش مصنوعی هستند از جمله دانش آموزان -دانشجویان – اساتید - تجار- مدیران  صنایع ، سازمان ها و نهاد های دولتی و خصوصی

پیش نیاز دوره:
آشنایی با کامپیوتر

ملزومات سخت افزاری دوره (در صورت نیاز):
کامپیوتر

مدل آموزشی دوره:
پروژه محور

سطح دوره:
جامع

ارائه گواهینامه:
دارد

سرفصل‌های درس:
جلسه 1: مقدمه ای بر مهندسی پرامپت
1.    تعریف و اهمیت مهندسی پرامپت در هوش مصنوعی
2.    تاریخچه و تکامل درخواست ها در هوش مصنوعی
3.    انواع درخواست ها (متن، تصویر، صدا و غیره)
4.    مثال‌های عملی: استفاده از دستورات در دستیاران مجازی و روبات‌های خدماتی
جلسه 2: درک مدل های هوش مصنوعی و محدودیت های آنها
1.    مقدمه ای بر مدل های هوش مصنوعی (مدل های زبان، مدل های بینایی کامپیوتری و غیره)
2.    چگونه مدل‌های هوش مصنوعی درخواست‌ها را پردازش می‌کنند
3.    محدودیت های مدل های هوش مصنوعی و نحوه غلبه بر آنها با اعلان ها
4.    مثال‌های عملی: استفاده از اعلان‌ها برای بهبود تحلیل احساسات مدل‌های زبان
جلسه 3: طراحی اعلان های موثر برای مدل های هوش مصنوعی
1.    اصول طراحی پرامپت خوب
2.    نوشتن دستورات واضح و مختصر
3.    اجتناب از ابهام و عدم قطعیت در اعلانات
4.    مثال‌های عملی: طراحی اعلان‌های موثر برای دستیاران مجازی در خدمات مشتری
جلسه 4: تکنیک های پیشرفته مهندسی پرامپت
1.    استفاده از اطلاعات متنی در Prompts
2.    مثال های خصمانه برای بهبود استحکام پرامپت
3.    تکنیک های ورودی خارج از دامنه
4.    مثال های عملی: استفاده از تکنیک های پیشرفته برای بهبود تشخیص اشیا در مدل های بینایی کامپیوتری
جلسه 5: کاربردهای مهندسی پرامپت در پردازش زبان طبیعی
1.    استفاده از دستورات در مدل های زبان برای بهبود دقت و کارایی
2.    مثال های عملی: استفاده از دستورات در ترجمه ماشینی و خلاصه سازی متن
3.    چالش ها و محدودیت های استفاده از Prompt در NLP
4.    دستورالعمل های آینده برای مهندسی پرامپت در NLP
جلسه ششم: کاربردهای مهندسی پرامپت در بینایی کامپیوتر
1.    استفاده از Prompts در مدل های بینایی کامپیوتری برای بهبود دقت و کارایی
2.    مثال های عملی: استفاده از اعلان ها در تشخیص اشیا و ردیابی اشیا
3.    چالش ها و محدودیت های استفاده از Prompt در بینایی کامپیوتر
4.    دستورالعمل های آینده برای مهندسی پرامپت در چشم انداز کامپیوتر
جلسه هفتم: کاربردهای مهندسی پرامپت در رباتیک و سیستم های خودمختار
1.    استفاده از دستورات در رباتیک و سیستم های خودمختار برای بهبود دقت و کارایی
2.    مثال‌های عملی: استفاده از اعلان‌ها در روبات‌های خدماتی و سیستم‌های مستقل
3.    چالش ها و محدودیت های استفاده از دستورات در رباتیک و سیستم های خودمختار
4.    دستورالعمل های آینده برای مهندسی پرامپت در رباتیک و سیستم های خودمختار
جلسه هشتم: چالش ها و محدودیت های مهندسی پرامپت
1.    چالش ها و محدودیت های استفاده از دستورات در هوش مصنوعی
2.    غلبه بر چالش ها و محدودیت های مهندسی پرامپت
3.    مثال‌های عملی: چالش‌ها و محدودیت‌های استفاده از دستورات در تحلیل احساسات
4.    دستورالعمل هایی برای پیشرفت بیشتر در مهندسی پرامپت