From 0f7b9164cc1fde8afac0128c66d371864aeaec32 Mon Sep 17 00:00:00 2001 From: kinfey Date: Thu, 9 Nov 2023 10:47:37 +0800 Subject: [PATCH] main --- 00-course-setup/translations/cn/README.md | 2 +- .../translations/cn/README.md | 2 +- .../translations/cn/README.md | 6 ++-- .../translations/cn/README.md | 8 +++--- .../translations/cn/README.md | 2 +- 05-advanced-prompts/translations/cn/README.md | 2 +- .../translations/cn/README.md | 2 +- .../translations/cn/README.md | 4 +-- .../translations/cn/README.md | 4 +-- translation/cn/README.md | 28 +++++++++---------- 10 files changed, 30 insertions(+), 30 deletions(-) diff --git a/00-course-setup/translations/cn/README.md b/00-course-setup/translations/cn/README.md index 39f54d849..f7a0ff563 100644 --- a/00-course-setup/translations/cn/README.md +++ b/00-course-setup/translations/cn/README.md @@ -88,7 +88,7 @@ jupyterhub ## 贡献该内容 -本课程是一项开源计划。 如果您发现需要改进的地方或问题，请创建 [Pull Request](https://github.com/microsoft/generative-ai-for-beginners/pulls) 或记录 [Github 问题](https://github.com/microsoft/generative-ai-for-beginners/issues)。 +本课程是一项开源计划。 如果您发现需要改进的地方或问题，请创建 [Pull Request](https://github.com/microsoft/generative-ai-for-beginners/pulls) 或记录 [Github 问题](https://github.com/microsoft/generative-ai-for-beginners/issues?WT.mc_id=academic-105485-koreyst)。 课程项目团队将跟踪所有贡献，为开源做出贡献是在生成人工智能领域建立职业生涯的绝佳方式。 diff --git a/01-introduction-to-genai/translations/cn/README.md b/01-introduction-to-genai/translations/cn/README.md index b02f870a8..e4605cb6a 100644 --- a/01-introduction-to-genai/translations/cn/README.md +++ b/01-introduction-to-genai/translations/cn/README.md @@ -119,7 +119,7 @@ 你的任务是阅读更多关于生成式人工智能（https://en.wikipedia.org/wiki/Generative_artificial_intelligence）的内容，并尝试找出一个你现在可以添加生成式人工智能但目前还没有的领域。 与用“旧式方法”做有什么不同，你能做一些你以前做不到的事情吗，或者生成的时候速度更快吗？ 写一篇 300 字的摘要，描述您梦想的人工智能初创公司的样子，包括“问题”、“我将如何使用人工智能”、“影响”等标题，还可以选择做一份商业计划。 -如果您完成了此任务，您甚至可以准备好申请 Microsoft 的创业孵化器[Microsoft for Startups Founders Hub](https://www.microsoft.com/zh-cn/startups?WT.mc_id=academic-105485-koreyst)，我们为您提供 Azure 和 OpenAIc redits 以及相关指导等等 +如果您完成了此任务，您甚至可以准备好申请 Microsoft 的创业孵化器[Microsoft for Startups Founders Hub](https://www.microsoft.com/startups?WT.mc_id=academic-105485-koreyst)，我们为您提供 Azure 和 OpenAIc redits 以及相关指导等等 ## 知识检查 diff --git a/02-exploring-and-comparing-different-llms/translations/cn/README.md b/02-exploring-and-comparing-different-llms/translations/cn/README.md index 7258a5ea6..3af4371e8 100644 --- a/02-exploring-and-comparing-different-llms/translations/cn/README.md +++ b/02-exploring-and-comparing-different-llms/translations/cn/README.md @@ -63,9 +63,9 @@ LLM 模型有许多不同类型，您选择的模型取决于您的用途、您 对 LLM 进行分类的另一种方法是它们是开源的还是专有的。 -开源模型是向公众开放并且任何人都可以使用的模型。 它们通常由创建它们的公司或研究团体提供。 这些模型可以针对 LLMs 的各种用例进行检查、修改和定制。 然而，它们并不总是针对生产用途进行优化，并且可能不如专有模型具备高性能。 此外，开源模型的资金可能有限，并且它们可能无法长期维护或可能无法根据最新研究进行更新。 流行的开源模型的例子包括 [Alpaca](https://crfm.stanford.edu/2023/03/13/alpaca.html)、[Bloom](https://sapling.ai/llm/bloom) 和 [ LLaMA](https://sapling.ai/llm/llama)。 +开源模型是向公众开放并且任何人都可以使用的模型。 它们通常由创建它们的公司或研究团体提供。 这些模型可以针对 LLMs 的各种用例进行检查、修改和定制。 然而，它们并不总是针对生产用途进行优化，并且可能不如专有模型具备高性能。 此外，开源模型的资金可能有限，并且它们可能无法长期维护或可能无法根据最新研究进行更新。 流行的开源模型的例子包括 [Alpaca](https://crfm.stanford.edu/2023/03/13/alpaca.html)、[Bloom](https://sapling.ai/llm/bloom) 和 [ LLaMA](https://sapling.ai/llm/llama?WT.mc_id=academic-105485-koreyst)。 -专有模型是公司拥有的模型，不向公众提供。 这些模型通常针对生产用途进行了优化。 但是，不允许针对特定的使用场景进行检查、修改或定制它们。 另外，它们并不总是免费提供，可能需要订阅或付费才能使用。 此外，用户无法控制用于训练模型的数据，这意味着他们应该委托模型所有者确保对数据隐私和负责任地使用人工智能的承诺。 流行的专有模型的例子包括 [OpenAI 模型](https://platform.openai.com/docs/models/overview)、[Google Bard](https://sapling.ai/llm/bard) 或 [Claude 2] （https://www.anthropic.com/index/claude-2）。 +专有模型是公司拥有的模型，不向公众提供。 这些模型通常针对生产用途进行了优化。 但是，不允许针对特定的使用场景进行检查、修改或定制它们。 另外，它们并不总是免费提供，可能需要订阅或付费才能使用。 此外，用户无法控制用于训练模型的数据，这意味着他们应该委托模型所有者确保对数据隐私和负责任地使用人工智能的承诺。 流行的专有模型的例子包括 [OpenAI 模型](https://platform.openai.com/docs/models/overview)、[Google Bard](https://sapling.ai/llm/bard?WT.mc_id=academic-105485-koreyst) 或 [Claude 2] （https://www.anthropic.com/index/claude-2）。 ### 认识嵌入式，图像生成，文本或代码生成 @@ -79,7 +79,7 @@ LLMs 还可以根据其产生的输出进行分类。 ![Image generation](../../images/Image.png?WT.mc_id=academic-105485-koreyst) -文本或代码生成模型主要是生成文本或代码。 这些模型通常用于文本摘要、翻译和问答。 文本生成模型通常在大型文本数据集上进行训练，例如 [BookCorpus](https://www.cv-foundation.org/openaccess/content_iccv_2015/html/Zhu_Aligning_Books_and_ICCV_2015_paper.html)，并且可用于生成新文本或回答问题。 代码生成模型，例如 [CodeParrot](https://huggingface.co/codeparrot)，通常在大型代码数据集（如 GitHub）上进行训练，可用于生成新代码或修复现有代码中的错误。 +文本或代码生成模型主要是生成文本或代码。 这些模型通常用于文本摘要、翻译和问答。 文本生成模型通常在大型文本数据集上进行训练，例如 [BookCorpus](https://www.cv-foundation.org/openaccess/content_iccv_2015/html/Zhu_Aligning_Books_and_ICCV_2015_paper.html)，并且可用于生成新文本或回答问题。 代码生成模型，例如 [CodeParrot](https://huggingface.co/codeparrot?WT.mc_id=academic-105485-koreyst)，通常在大型代码数据集（如 GitHub）上进行训练，可用于生成新代码或修复现有代码中的错误。 ![Text and code generation](../../images/Text.png?WT.mc_id=academic-105485-koreyst) diff --git a/03-using-generative-ai-responsibly/translations/cn/README.md b/03-using-generative-ai-responsibly/translations/cn/README.md index 4662c07c9..d27df06b2 100644 --- a/03-using-generative-ai-responsibly/translations/cn/README.md +++ b/03-using-generative-ai-responsibly/translations/cn/README.md @@ -76,7 +76,7 @@ 现在我们已经确定了负责任的生成式人工智能的重要性，让我们看看我们可以采取的 4 个步骤来负责任地构建我们的人工智能解决方案： -![缓解循环](../../images/mitigate-cycle.png??WT.mc_id=academic-105485-koreyst) +![缓解循环](../../images/mitigate-cycle.png?WT.mc_id=academic-105485-koreyst) ### 衡量潜在危害 @@ -88,7 +88,7 @@ 现在是时候寻找方法来预防或限制模型及其响应造成的潜在危害了。 我们可以从 4 个不同的层面来看待这个问题： -![缓解层](../../images/mitigation-layers.png??WT.mc_id=academic-105485-koreyst) +![缓解层](../../images/mitigation-layers.png?WT.mc_id=academic-105485-koreyst) - **模型**。 为正确的用例选择正确的模型。 当应用于更小、更具体的用例时，更大、更复杂的模型（例如 GPT-4）可能会导致更大的有害内容风险。 使用训练数据进行微调还可以降低有害内容的风险。 @@ -96,11 +96,11 @@ - **元提示**。 元提示和基础是我们可以根据某些行为和信息指导或限制模型的方法。 这可以使用系统输入来定义模型的某些限制。 此外，提供与系统范围或领域更相关的输出。 - 它还可以使用检索增强生成 (RAG) 等技术，让模型仅从选定的可信来源中提取信息。 本课程后面有一章关于[构建搜索应用程序](../../../08-building-search-applications/translations/cn/README.md)的内容 + 它还可以使用检索增强生成 (RAG) 等技术，让模型仅从选定的可信来源中提取信息。 本课程后面有一章关于[构建搜索应用程序](../../../08-building-search-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst)的内容 - **用户体验**。 最后一层是用户通过应用程序界面以某种方式直接与模型交互的地方。 通过这种方式，我们可以设计 UI/UX 来限制用户可以发送到模型的输入类型以及向用户显示的文本或图像。 在部署人工智能应用程序时，我们还必须透明地了解我们的生成式人工智能应用程序可以做什么和不能做什么。 -我们有一章内容致力于[为人工智能应用程序设计用户体验](../../../12-designing-ux-for-ai-applications/translations/cn/README.md) +我们有一章内容致力于[为人工智能应用程序设计用户体验](../../../12-designing-ux-for-ai-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) - **评估模型**。 与 LLMs 合作可能具有挑战性，因为我们并不总是能够控制模型训练的数据。 无论如何，我们应该始终评估模型的性能和输出。 衡量模型的准确性、相似性、基础性和输出的相关性仍然很重要。 这有助于为应用相关人员和用户提供透明度和信任。 diff --git a/04-prompt-engineering-fundamentals/translations/cn/README.md b/04-prompt-engineering-fundamentals/translations/cn/README.md index b118ba106..e0902c3c9 100644 --- a/04-prompt-engineering-fundamentals/translations/cn/README.md +++ b/04-prompt-engineering-fundamentals/translations/cn/README.md @@ -85,7 +85,7 @@ LLM 将提示视为标记序列，其中不同的模型（或模型的版本） Once a prompt is tokenized, the primary function of the ["Base LLM"](https://blog.openai.com/an-introduction-to-base-and-instruction-tuned-large-language-models-8de102c785a6?WT.mc_id=academic-105485-koreyst) (or Foundation model) is to predict the token in that sequence. Since LLMs are trained on massive text datasets, they have a good sense of the statistical relationships between tokens and can make that prediction with some confidence. Not that they don't understand the _meaning_ of the words in the prompt or token; they just see a pattern they can "complete" with their next prediction. They can continue predicting the sequence till terminated by user intervention or some pre-established condition. -Want to see how prompt-based completion works? Enter the above prompt into the Azure OpenAI Studio [_Chat Playground_](https://oai.azure.com/playground) with the default settings. The system is configured to treat prompts as requests for information - so you should see a completion that satisfies this context. +Want to see how prompt-based completion works? Enter the above prompt into the Azure OpenAI Studio [_Chat Playground_](https://oai.azure.com/playground?WT.mc_id=academic-105485-koreyst) with the default settings. The system is configured to treat prompts as requests for information - so you should see a completion that satisfies this context. But what if the user wanted to see something specific that met some criteria or task objective? This is where _instruction-tuned_ LLMs come into the picture. diff --git a/05-advanced-prompts/translations/cn/README.md b/05-advanced-prompts/translations/cn/README.md index ee5ec1c4b..e44f9d19d 100644 --- a/05-advanced-prompts/translations/cn/README.md +++ b/05-advanced-prompts/translations/cn/README.md @@ -597,7 +597,7 @@ LLM 本质上是不确定的，这意味着每次运行相同的提示时都会 > [!TIP] > 短语提示要求它改进，限制改进的数量是个好主意。 您还可以要求以某种方式改进它，例如架构、性能、安全性等。 -[Solution](../../solution.py) +[Solution](../../../solution.py) ## 知识检查 diff --git a/06-text-generation-apps/translations/cn/README.md b/06-text-generation-apps/translations/cn/README.md index 63c1d1002..d162d9035 100644 --- a/06-text-generation-apps/translations/cn/README.md +++ b/06-text-generation-apps/translations/cn/README.md @@ -93,7 +93,7 @@ pip install openai 您需要执行以下步骤： - 在 Azure [https://azure.microsoft.com/free/](https://azure.microsoft.com/free/?WT.mc_id=academic-105485-koreyst) 上创建帐户。 -- 访问 Azure Open AI。 进入到 [https://learn.microsoft.com/zh-cn/azure/ai-services/openai/overview#how-do-i-get-access-to-azure-openai](https://learn.microsoft.com/zh-cn/azure/ai-services/openai/overview#how-do-i-get-access-to-azure-openai?WT.mc_id=academic-105485-koreyst) 并请求访问权限。 +- 访问 Azure Open AI。 进入到 [https://learn.microsoft.com/azure/ai-services/openai/overview#how-do-i-get-access-to-azure-openai](https://learn.microsoft.com/azure/ai-services/openai/overview#how-do-i-get-access-to-azure-openai?WT.mc_id=academic-105485-koreyst) 并请求访问权限。 > [!注意] > 您需要申请访问 Azure Open AI Service 的访问。 diff --git a/08-building-search-applications/translations/cn/README.md b/08-building-search-applications/translations/cn/README.md index ff0833813..8e6ff5058 100644 --- a/08-building-search-applications/translations/cn/README.md +++ b/08-building-search-applications/translations/cn/README.md @@ -66,7 +66,7 @@ Today we are going to learn about Azure Machine Learning. 这些脚本执行以下操作： -1. 下载 [AI Show](https://www.youtube.com/playlist?list=PLlrxD0HtieHi0mwteKBOfEeOYf0LJU4O1) 播放列表中每个 YouTube 视频的文字记录。 +1. 下载 [AI Show](https://www.youtube.com/playlist?list=PLlrxD0HtieHi0mwteKBOfEeOYf0LJU4O1?WT.mc_id=academic-105485-koreyst) 播放列表中每个 YouTube 视频的文字记录。 2. 使用[OpenAI Functions](https://learn.microsoft.com/azure/ai-services/openai/how-to/function-calling?WT.mc_id=academic-105485-koreyst)，尝试 从 YouTube 记录的前 3 分钟中提取演讲者姓名。 每个视频的演讲者姓名存储在名为 `embedding_index_3m.json` 的嵌入索引中。 3. 然后将转录文本分成 **3 分钟的文本片段**。 该片段包含大约 20 个与下一个片段重叠的单词，以确保该片段的嵌入不会被切断并提供更好的搜索上下文。 4. 然后，每个文本片段都会传递到 OpenAI Chat API，将文本总结为 60 个单词。 摘要也存储在嵌入索引 `embedding_index_3m.json` 中。 @@ -74,7 +74,7 @@ Today we are going to learn about Azure Machine Learning. ### 向量数据库 -为了简单起见，嵌入索引存储在名为 `embedding_index_3m.json` 的 JSON 文件中，并加载到 Pandas Dataframe 中。 但是，在生产中，嵌入索引将存储在向量数据库中，例如 [Azure Cognitive Search](https://learn.microsoft.com/training/modules/improve-search-results-vector-search?WT.mc_id=academic-105485-koreyst), [Redis](https://cookbook.openai.com/examples/vector_databases/redis/readme?WT.mc_id=academic-105485-koreyst), [Pinecone](https://cookbook.openai.com/examples/vector_databases/pinecone/readme), [Weaviate](https://cookbook.openai.com/examples/vector_databases/weaviate/readme) +为了简单起见，嵌入索引存储在名为 `embedding_index_3m.json` 的 JSON 文件中，并加载到 Pandas Dataframe 中。 但是，在生产中，嵌入索引将存储在向量数据库中，例如 [Azure Cognitive Search](https://learn.microsoft.com/training/modules/improve-search-results-vector-search?WT.mc_id=academic-105485-koreyst), [Redis](https://cookbook.openai.com/examples/vector_databases/redis/readme?WT.mc_id=academic-105485-koreyst), [Pinecone](https://cookbook.openai.com/examples/vector_databases/pinecone/readme), [Weaviate](https://cookbook.openai.com/examples/vector_databases/weaviate/readme?WT.mc_id=academic-105485-koreyst) ## 理解余弦相似度 diff --git a/13-continued-learning/translations/cn/README.md b/13-continued-learning/translations/cn/README.md index 634bbb515..0504f6c24 100644 --- a/13-continued-learning/translations/cn/README.md +++ b/13-continued-learning/translations/cn/README.md @@ -90,9 +90,9 @@ 🔗 [OpenAI's CLIP paper](https://arxiv.org/pdf/2103.00020.pdf?wt.mc_id=github_S-1231_webpage_reactor) -🔗 [OpenAI's DALL-E and CLIP 101: A Brief Introduction](https://towardsdatascience.com/openais-dall-e-and-clip-101-a-brief-introduction-3a4367280d4e) +🔗 [OpenAI's DALL-E and CLIP 101: A Brief Introduction](https://towardsdatascience.com/openais-dall-e-and-clip-101-a-brief-introduction-3a4367280d4e?wt.mc_id=github_S-1231_webpage_reactor) -🔗 [OpenAI's CLIP paper](https://arxiv.org/pdf/2103.00020.pdf) +🔗 [OpenAI's CLIP paper](https://arxiv.org/pdf/2103.00020.pdf?wt.mc_id=github_S-1231_webpage_reactor) ## 第十章 - 创建低代码的人工智能应用 diff --git a/translation/cn/README.md b/translation/cn/README.md index 6d1bce7bc..ac90a8946 100644 --- a/translation/cn/README.md +++ b/translation/cn/README.md @@ -47,20 +47,20 @@ | | 课程链接 | 相关教学内容 | 学习目标 | | :---: | :------------------------------------: | :---------------------------------------------------------: | ----------------------------------------------------------- | -| 00 | [课程介绍和学习环境设置](../../00-course-setup/translations/cn/README.md) | 学习环境配置和课程结构 | 在学习本课程的同时帮助您取得成功 | -| 01 | [生成式人工智能和 LLMs 介绍](../../01-introduction-to-genai//translations/cn/README.md) | **知识点**: 生成式人工智能以及我们如何适应当前的技术格局 | 了解什么是生成式人工智能 以及 LLMs 的工作原理。 | -| 02 | [探索和比较不同的 LLMs](../../02-exploring-and-comparing-different-llms/translations/cn/README.md) | **知识点**: 测试、迭代和比较不同的 LLMs 模型 | 为您的应用场景选择正确的模型 | -| 03 | [负责任地使用生成式人工智能](../../03-using-generative-ai-responsibly/translations/cn/README.md)| **知识点:** 了解基础模型的局限性和人工智能背后的风险 | 了解如何负责任地构建生成式人工智能应用程序 -| 04 | [提示工程基础](../../04-prompt-engineering-fundamentals/translations/cn/README.md) | **代码/知识点:** 提示工程最佳实践| 了解提示结构和用法| -| 05 | [创建高级的提示工程技巧](../../05-advanced-prompts/translations/cn/README.md) | **代码/知识点:** 通过在提示中应用不同的技术来扩展您的提示工程知识 | 应用提示工程技术来改善提示结果。| -| 06 | [创建文本生成应用](../../06-text-generation-apps/translations/cn/README.md) | **代码:** 使用 Azure OpenAI 构建文本生成应用程序 | 了解如何有效地使用令牌和温度来改变模型的输出 | | -| 07 | [创建聊天应用](../../07-building-chat-applications/translations/cn/README.md)| **代码**: 有效构建和集成聊天应用程序的技术。 | 确定关键指标和注意事项，以有效监控和维护人工智能聊天应用程序的质量| -| 08 | [创建搜索应用](../../08-building-search-applications/translations/cn/README.md) | **代码**: 语义搜索与关键字搜索。 什么是文本嵌入以及它们如何应用于搜索 | 创建一个使用嵌入来搜索数据的应用程序。 | -| 09 | [创建图像生成应用](../../09-building-image-applications/translations/cn/README.md) | **代码:** 图像生成及其在构建应用程序中的作用| 构建图像生成应用程序 | -| 10 | [创建低代码的人工智能应用](../../10-building-low-code-ai-applications/translations/cn/README.md) | **低代码:** Power Platform 中的生成式 AI 简介 | 使用低代码为我们的教育初创公司构建学生作业跟踪应用程序 | | -| 11 | [为生成式 AI 添加 function calling](../../11-integrating-with-function-calling/transaltions/cn/README.md) | **代码:** 什么是 Function Calling 及其在应用程序中的使用示例 | 设置 Function Calling 以从外部 API 检索数据 | | -| 12 | [为人工智能应用程序添加用户体验](../../12-designing-ux-for-ai-applications/translations/cn/README.md) | **知识点:** 设计人工智能应用程序以实现信任和透明度 | 开发生成式人工智能应用时用户体验设计的相关原则 | | -| xx | [拓展学习](../../13-continued-learning/translations/cn/README.md) | 包含每章内容的的拓展链接！ | 掌握生成式人工智能相关技能 | | +| 00 | [课程介绍和学习环境设置](../../00-course-setup/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | 学习环境配置和课程结构 | 在学习本课程的同时帮助您取得成功 | +| 01 | [生成式人工智能和 LLMs 介绍](../../01-introduction-to-genai//translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **知识点**: 生成式人工智能以及我们如何适应当前的技术格局 | 了解什么是生成式人工智能 以及 LLMs 的工作原理。 | +| 02 | [探索和比较不同的 LLMs](../../02-exploring-and-comparing-different-llms/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **知识点**: 测试、迭代和比较不同的 LLMs 模型 | 为您的应用场景选择正确的模型 | +| 03 | [负责任地使用生成式人工智能](../../03-using-generative-ai-responsibly/translations/cn/README.md?WT.mc_id=academic-105485-koreyst)| **知识点:** 了解基础模型的局限性和人工智能背后的风险 | 了解如何负责任地构建生成式人工智能应用程序 +| 04 | [提示工程基础](../../04-prompt-engineering-fundamentals/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **代码/知识点:** 提示工程最佳实践| 了解提示结构和用法| +| 05 | [创建高级的提示工程技巧](../../05-advanced-prompts/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **代码/知识点:** 通过在提示中应用不同的技术来扩展您的提示工程知识 | 应用提示工程技术来改善提示结果。| +| 06 | [创建文本生成应用](../../06-text-generation-apps/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **代码:** 使用 Azure OpenAI 构建文本生成应用程序 | 了解如何有效地使用令牌和温度来改变模型的输出 | | +| 07 | [创建聊天应用](../../07-building-chat-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst)| **代码**: 有效构建和集成聊天应用程序的技术。 | 确定关键指标和注意事项，以有效监控和维护人工智能聊天应用程序的质量| +| 08 | [创建搜索应用](../../08-building-search-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **代码**: 语义搜索与关键字搜索。 什么是文本嵌入以及它们如何应用于搜索 | 创建一个使用嵌入来搜索数据的应用程序。 | +| 09 | [创建图像生成应用](../../09-building-image-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **代码:** 图像生成及其在构建应用程序中的作用| 构建图像生成应用程序 | +| 10 | [创建低代码的人工智能应用](../../10-building-low-code-ai-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **低代码:** Power Platform 中的生成式 AI 简介 | 使用低代码为我们的教育初创公司构建学生作业跟踪应用程序 | | +| 11 | [为生成式 AI 添加 function calling](../../11-integrating-with-function-calling/transaltions/cn/README.md?WT.mc_id=academic-105485-koreyst) | **代码:** 什么是 Function Calling 及其在应用程序中的使用示例 | 设置 Function Calling 以从外部 API 检索数据 | | +| 12 | [为人工智能应用程序添加用户体验](../../12-designing-ux-for-ai-applications/translations/cn/README.md?WT.mc_id=academic-105485-koreyst) | **知识点:** 设计人工智能应用程序以实现信任和透明度 | 开发生成式人工智能应用时用户体验设计的相关原则 | | +| xx | [拓展学习](../../13-continued-learning/translations/cn/README.md?WT.mc_id=academic-105485-koreyst?WT.mc_id=academic-105485-koreyst) | 包含每章内容的的拓展链接！ | 掌握生成式人工智能相关技能 | | ## 🎒 更多系列课程