原文：
www.kdnuggets.com/2023/04/free-ebook-mastering-generative-ai-prompt-engineering.html
掌握生成式 AI 和提示工程：数据科学家的实用指南 电子书封面
自 2022 年 11 月底发布以来，ChatGPT 已经主导了个人、职业和公共讨论。每个人都在谈论它，它能做什么，我们如何利用它……以及为什么我们应该对它感到担忧。
1. 谷歌网络安全证书 - 快速开启网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你组织的 IT 需求
GPT 代表生成式预训练变换器，指的是一类在现有文本数据上进行训练的大型语言模型（LLMs），这些模型能够统计性地预测词序列中的下一个词或标记。这样描述起来确实没什么特别的。但 GPT 已经对我们的生活、工作和娱乐产生了深远的影响。我甚至不需要在这里引用任何例子，因为你已经熟悉了许多实例。
GPT（和其他 LLMs）并不是唯一的生成式 AI。在它们出现之前，已经有自然语言处理模型能够执行类似的任务，有些今天仍在使用。然而，在这种任务的最前沿现在完全是 GPT 的领域，它们在最近几个月迅速流行，尽管它们在 ChatGPT 爆发之前以较小的形式存在了多年。
文本并不是唯一的生成模型。你可能听说过并使用过图像生成模型，如 DALL-E、Stable Diffusion 和 Midjourney。它们同样依赖于精心设计的提示来进行有效的生成。
简而言之，生成型 AI —— 以及驱动它们的提示 —— 无处不在。但除了基础知识外，你对这些了解多少？也许你会发现一本简明、聚焦的电子书在这些主题上很有用。如果是这样，掌握生成型 AI 和提示工程：数据科学家的实用指南 来自 Data Science Horizons 是一个很好的起点。
本电子书将深入探讨生成型 AI 和提示工程的关键概念、最佳实践以及实际应用。它将探讨流行 AI 模型的能力和局限性，详细说明设计有效提示的过程，并讨论在使用这些技术时出现的伦理问题。[...] 阅读完本电子书后，你将对生成型 AI 和提示工程有一个扎实的理解，使你能够有效地将这些技术应用到自己的项目中。
这本书将深入探讨“生成型 AI 和提示工程的关键概念、最佳实践以及实际应用。”很好。但也许我们应该首先更清楚地阐明这两个虽然相关但又分开的主题，以避免误解。以下是本电子书对生成型 AI 的定义：
生成型 AI 包括一系列旨在基于现有输入数据生成新数据的模型和技术。这些模型在自然语言处理、图像生成等领域展现了显著的能力。通过理解生成型 AI 的机制和细节，数据科学家可以利用其力量为众多问题创造创新解决方案。
提示工程的定义如下：
提示工程另一方面涉及到有效提示的艺术，以指导 AI 模型生成期望的输出。随着 AI 模型变得越来越复杂，对于高效且精准的提示工程的需求变得愈加重要。通过掌握这一技能，数据科学家可以更好地引导 AI 模型产生目标结果，从而提高应用的有效性。
我们被承诺将查看上述概念、最佳实践和应用，但实际实施呢？这是一本提示手册吗？虽然书中涵盖了一些具体的提示示例，但它更好地提供了生成型 AI 和提示工程主题的高级视角。其主要章节包括：
-
理解生成型 AI
-
提示工程介绍
-
提示工程的实际应用
-
提示工程的挑战和局限性
-
提示工程的未来方向和新兴趋势
-
提示工程的实用技巧和最佳实践
在提供的指导中，值得注意的是，在对 GPT 的不切实际的高期望（和恐惧）的新时代背景下，他们的局限性得到了现实的阐述。从伦理到可预测性，一些主要的关注点被提及，以确保读者了解这些问题，并能进一步研究。
虽然提示工程可以显著提高生成式 AI 模型的性能和可用性，但必须承认这些模型固有的局限性和偏差。理解这些局限性可以帮助数据科学家设定现实的期望，做出明智的决策，并开发出更稳健、更可靠的 AI 解决方案。
如果你想了解更多关于通过掌握提示工程来利用生成式 AI 的信息，可以立即查看免费的电子书 掌握生成式 AI 和提示工程：数据科学家的实用指南。它包含了大量有用的信息，可以快速消化… 而且价格合理。你可能会发现它是你一直在寻找的相关指南。
Matthew Mayo (@mattmayo13) 是数据科学家及 KDnuggets 的主编，KDnuggets 是开创性的在线数据科学和机器学习资源。他的兴趣包括自然语言处理、算法设计与优化、无监督学习、神经网络以及自动化机器学习方法。Matthew 拥有计算机科学硕士学位和数据挖掘研究生文凭。他可以通过 editor1 at kdnuggets[dot]com 联系。