台大資訊 深度學習之應用 | ADL 6.6: Prompting Paradigm 基於提示的研究大補帖

摘要

介紹深度學習演進歷程，從傳統 supervised learning 到神經網路架構變化，再到預訓練語言模型與提示工程（Prompt Engineering）的興起。觀眾可了解不同訓練策略（如 fine-tuning、prompt tuning）的差異與應用場景。

This talk explains the evolution of deep learning paradigms, focusing on pretraining and prompting strategies for large language models.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 深度學習演進經歷從特徵工程到神經網路架構再到預訓練模型。
• 提示工程透過調整 prompt 設計來最佳化大型語言模型表現。
• 可根據資料量選擇參數調整、提示調整或固定模型訓練策略。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00從傳統特徵工程到預訓練語言模型
2. 03:55提示形式與參數調整的演進
3. 11:59Soft Prompt 節省儲存與訓練成本

提到的工具與公司

• BERT
• GPT
• T5
• Bart
• LMBF

適合誰看

正在學習深度學習演進歷程或想掌握提示工程技術的開發者。

摘要依據

講者

陳縕儂

依據

語音轉文字

為什麼排在這裡

人氣

0.39

新鮮

0.94

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• 台大資訊 深度學習之應用 | ADL 3.4: RNN Applications RNN各式應用影片 ・ 陳縕儂 Vivian NTU MiuLab ・ 7 分鐘
• 台大資訊 深度學習之應用 | ADL 4.2: Self-Attention & Transformer 自注意力機制之模型影片 ・ 陳縕儂 Vivian NTU MiuLab ・ 23 分鐘