برنامه‌ریزی و طراحی معماری شبکه‌های عصبی
این پرامپت به متخصصان هوش مصنوعی، دانشمندان داده و مهندسان یادگیری ماشین کمک می‌کند تا معماری شبکه‌های عصبی را به صورت کارآمد و متناسب با مسائل خاص طراحی و برنامه‌ریزی کنند. پرامپت کاربران را در یک فرآیند ساختاریافته هدایت می‌کند که شامل تعریف ویژگی‌های ورودی، انتخاب لایه‌های مناسب، توابع فعال‌سازی، استراتژی‌های بهینه‌سازی و ساختار خروجی می‌شود. با استفاده از این پرامپت، کاربران می‌توانند پیشنهادات معماری دقیق تولید کنند، پیکربندی‌های مختلف را ارزیابی کرده و تعادل بین پیچیدگی مدل، عملکرد و هزینه محاسباتی را درک کنند. این ابزار به ویژه برای توسعه راه‌حل‌های سفارشی در زمینه‌های طبقه‌بندی، رگرسیون، پردازش زبان طبیعی، بینایی ماشین یا تحلیل سری‌های زمانی مفید است. پرامپت باعث کاهش مرحله آزمون و خطا، ارائه راهنمایی ساختاریافته و اطمینان از در نظر گرفتن نکات کلیدی مانند بیش‌برازش، نیازمندی‌های داده و مقیاس‌پذیری مدل می‌شود. استفاده از این پرامپت به صرفه‌جویی در زمان، بهبود عملکرد مدل و اتخاذ تصمیمات آگاهانه قبل از پیاده‌سازی کمک می‌کند.
پرامپت هوش مصنوعی
نحوه استفاده
1. جایگزین متن‌های داخل کروشه با اطلاعات دقیق مسئله و داده‌های خود کنید.
2. ورودی‌ها و خروجی‌ها را به‌صورت دقیق مشخص کنید تا پیشنهادات معماری دقیق ارائه شود.
3. اهداف عملکرد و محدودیت‌ها را مشخص کنید تا مدل راهکارهای عملی ارائه دهد.
4. معماری پیشنهادی را بررسی کرده و در صورت نیاز اندازه لایه‌ها، توابع فعال‌سازی و استراتژی بهینه‌سازی را تنظیم کنید.
5. در صورت عدم تطابق کامل خروجی اولیه با نیازها، فرآیند را چند بار تکرار کنید.
6. از عباراتی مانند "عملکرد بالا" بدون معیار کمی پرهیز کنید؛ اهداف مشخص نتایج بهتری خواهند داشت.
موارد استفاده
طراحی CNN برای طبقه‌بندی تصاویر
برنامه‌ریزی شبکه‌های LSTM برای پیش‌بینی سری‌های زمانی
ساخت مدل‌های Transformer برای پردازش زبان طبیعی
ایجاد مدل‌های رگرسیون برای داده‌های جدولی
بهینه‌سازی شبکه‌ها تحت محدودیت‌های سخت‌افزاری
نمونه‌سازی سریع مدل‌های سفارشی برای تحقیقات
ارزیابی گزینه‌های مختلف معماری برای مقیاس‌پذیری
ارائه مشاوره در انتخاب لایه‌ها و پیکربندی هایپرپارامترها
نکات حرفه‌ای
شکل و نوع داده‌ها را دقیق مشخص کنید تا توصیه‌های دقیق دریافت شود.
محدودیت‌های حافظه و تأخیر را لحاظ کنید تا معماری قابل اجرا باشد.
درخواست گزینه‌ها یا مقایسه‌های جایگزین برای بررسی ملاحظات طراحی کنید.
خروجی را به‌عنوان الگو استفاده کرده و قبل از آموزش کامل با آزمایش‌های کوچک اعتبارسنجی کنید.
با اهداف عملکرد مختلف تکرار کنید تا تأثیر تغییرات بر معماری را مشاهده کنید.
پرامپت‌های مرتبط
طراحی خط لوله آموزش یادگیری عمیق
این پرامپت به کاربران کمک می‌کند تا یک خط لوله کامل و حرفه‌ای برای آموزش مدل‌های یادگیری عمیق طراحی کنند. …
یک خط لوله کامل برای آموزش مدل یادگیری عمیق برای \[توضیح پروژه یا حوزه مسئله] …
توسعه استراتژی یادگیری ماشینی خودکار
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع برای یادگیری ماشینی خودکار (AutoML) طراحی کنند که متناسب با …
یک استراتژی دقیق برای یادگیری ماشینی خودکار (AutoML) برای \[پروژه مشخص، مسئله کسب‌وکار یا مجموعه …
توسعه و پیاده‌سازی پردازش زبان طبیعی
این پرامپت برای کمک به متخصصان هوش مصنوعی و دانشمندان داده طراحی شده است تا راهکارهای پیشرفته پردازش زبان طبیعی …
یک پیاده‌سازی کامل پردازش زبان طبیعی (NLP) برای \[مثال: تحلیل احساسات، طبقه‌بندی متن، شناسایی موجودیت‌ها] …
طراحی استراتژی آموزش مدل هوش مصنوعی
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع و حرفه‌ای برای آموزش مدل‌های هوش مصنوعی طراحی کنند که …
به‌عنوان یک کارشناس هوش مصنوعی عمل کن و یک استراتژی آموزش جامع برای مدل هوش …
طراحی استراتژی بهینه‌سازی ابرپارامترها
این پرامپت برای کمک به متخصصان هوش مصنوعی، دانشمندان داده و مهندسان یادگیری ماشین طراحی شده است تا یک استراتژی …
یک استراتژی بهینه‌سازی ابرپارامتر برای مدل \[نوع مدل، مثال: شبکه عصبی، Random Forest، XGBoost] با …
طراحی سیستم بینایی ماشین
این پرامپت برای کمک به متخصصان هوش مصنوعی، دانشمندان داده و مهندسان یادگیری ماشین طراحی شده است تا بتوانند یک …
یک سیستم کامل بینایی ماشین برای \[نوع کاربرد مشخص، مثال: تشخیص نقص‌های صنعتی، هدایت خودران …
بیشتر از هوش مصنوعی و یادگیری ماشین
ایجاد چارچوب انتخاب مدل یادگیری ماشین
این پرامپت برای داده‌کاوان، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی طراحی شده است تا فرآیندی ساختاریافته برای انتخاب مناسب‌ترین …
شما یک مشاور خبره در زمینه یادگیری ماشین هستید. یک چارچوب جامع برای انتخاب مدل‌های …
توسعه استراتژی خط لوله پیش‌پردازش داده‌ها
این پرامپت برای کمک به دانشمندان داده، مهندسین یادگیری ماشین و تحلیلگران طراحی شده است تا یک استراتژی جامع برای …
یک استراتژی جامع برای پیش‌پردازش داده‌های من توسعه بده. داده‌ها شامل \[توضیح کوتاه از مجموعه …
طراحی استراتژی آموزش مدل هوش مصنوعی
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع و حرفه‌ای برای آموزش مدل‌های هوش مصنوعی طراحی کنند که …
به‌عنوان یک کارشناس هوش مصنوعی عمل کن و یک استراتژی آموزش جامع برای مدل هوش …
توسعه و پیاده‌سازی پردازش زبان طبیعی
این پرامپت برای کمک به متخصصان هوش مصنوعی و دانشمندان داده طراحی شده است تا راهکارهای پیشرفته پردازش زبان طبیعی …
یک پیاده‌سازی کامل پردازش زبان طبیعی (NLP) برای \[مثال: تحلیل احساسات، طبقه‌بندی متن، شناسایی موجودیت‌ها] …
طراحی سیستم بینایی ماشین
این پرامپت برای کمک به متخصصان هوش مصنوعی، دانشمندان داده و مهندسان یادگیری ماشین طراحی شده است تا بتوانند یک …
یک سیستم کامل بینایی ماشین برای \[نوع کاربرد مشخص، مثال: تشخیص نقص‌های صنعتی، هدایت خودران …
طراحی خط لوله آموزش یادگیری عمیق
این پرامپت به کاربران کمک می‌کند تا یک خط لوله کامل و حرفه‌ای برای آموزش مدل‌های یادگیری عمیق طراحی کنند. …
یک خط لوله کامل برای آموزش مدل یادگیری عمیق برای \[توضیح پروژه یا حوزه مسئله] …
ایجاد ارزیابی اخلاق و تعصب در هوش مصنوعی
این پرامپت به کاربران امکان می‌دهد تا ارزیابی جامعی از جنبه‌های اخلاقی و تعصبات احتمالی در سیستم‌های هوش مصنوعی انجام …
یک ارزیابی کامل از اخلاق و تعصب هوش مصنوعی برای سیستم \[نام سیستم یا مدل …
توسعه استراتژی یادگیری ماشینی خودکار
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع برای یادگیری ماشینی خودکار (AutoML) طراحی کنند که متناسب با …
یک استراتژی دقیق برای یادگیری ماشینی خودکار (AutoML) برای \[پروژه مشخص، مسئله کسب‌وکار یا مجموعه …