Pilt redaktori poolt
14. märtsil 2023 tõi OpenAI turule GPT-4, mis on nende keelemudeli uusim ja võimsaim versioon.
Vaid mõne tunni jooksul pärast käivitamist jahmatas GPT-4 inimesi, keerates a käsitsi joonistatud sketš funktsionaalseks veebisaidiks, advokatuuri eksami sooritamineja Wikipedia artiklite täpsete kokkuvõtete loomine.
Samuti edestab see oma eelkäijat GPT-3.5 matemaatikaülesannete lahendamise ning loogikal ja arutluskäikudel põhinevatele küsimustele vastamise osas.
ChatGPT, vestlusbot, mis ehitati GPT-3.5 peale ja avaldati avalikkusele, oli kurikuulus hallutsinatsioonide poolest. See genereeriks vastuseid, mis olid näiliselt õiged, ja kaitseks oma vastuseid "faktidega", kuigi need olid täis vigu.
Üks kasutaja kasutas Twitterit pärast seda, kui modell väitis, et elevandimunad on maismaaloomadest suurimad:
Pilt FioraAeterna
Ja see ei piirdunud sellega. Algoritm kinnitas oma vastust väljamõeldud faktidega, mis mind hetkeks peaaegu veensid.
GPT-4 seevastu treeniti harvemini hallutsineerima. OpenAI uusimat mudelit on raskem petta ja see ei tekita enesekindlalt valesid nii sageli.
Andmeteadlasena nõuab minu töö asjakohaste andmeallikate leidmist, suurte andmekogude eeltöötlemist ja väga täpsete masinõppemudelite loomist, mis loovad ettevõtte väärtust.
Veedan suure osa oma päevast erinevatest failivormingutest andmete eraldamiseks ja nende ühte kohta koondamiseks.
After ChatGPT was first launched in November 2022, I looked to the chatbot for some guidance with my daily workflows. I used the tool to save the amount of time spent on menial work - so that I could focus on coming up with new ideas and creating better models instead.
Kui GPT-4 välja anti, tundsin huvi, kas see muudaks minu tehtavat tööd. Kas GPT-4 kasutamisel oli eelkäijatega võrreldes olulisi eeliseid? Kas see aitaks mul säästa rohkem aega kui GPT-3.5 puhul?
Selles artiklis näitan teile, kuidas ma kasutan ChatGPT-d andmeteaduse töövoogude automatiseerimiseks.
Loon samad viiped ja sisestan need nii GPT-4-sse kui ka GPT-3.5-sse, et näha, kas esimene toimib tõepoolest paremini ja säästab rohkem aega.
Kui soovite jälgida kõike, mida selles artiklis teen, peab teil olema juurdepääs GPT-4-le ja GPT-3.5-le.
GPT-3.5
GPT-3.5 on avalikult saadaval OpenAI veebisaidil. Lihtsalt navigeerige saidile https://chat.openai.com/auth/login, täitke nõutud üksikasjad ja teil on juurdepääs keelemudelile:
Pilt ChatGPT
GPT-4
GPT-4 seevastu on praegu peidetud tasulise seina taha. Mudelile juurdepääsemiseks peate üle minema ChatGPTPlusile, klõpsates nuppu „Uuenda Plusile”.
Igakuine liitumistasu on 20 dollarit kuus, mille saab igal ajal tühistada:
Pilt ChatGPT
Kui te ei soovi kuutasu maksta, saate ka liituda API ootenimekiri GPT-4 jaoks. Kui olete API-le juurdepääsu saanud, saate seda jälgida see juhend selle kasutamiseks Pythonis.
Pole hullu, kui teil pole praegu juurdepääsu GPT-4-le.
Saate seda õpetust siiski jälgida ChatGPT tasuta versiooniga, mis kasutab taustaprogrammis GPT-3.5.
1. Andmete visualiseerimine
Uurimusliku andmeanalüüsi tegemisel aitab Pythonis kiire visualiseerimise loomine mul sageli andmestikku paremini mõista.
Unfortunately, this task can become incredibly time-consuming - especially when you don’t know the right syntax to use to get the desired result.
Tihti leian end otsimas Seaborni ulatuslikku dokumentatsiooni ja kasutama ühe Pythoni süžee loomiseks StackOverflow'i.
Vaatame, kas ChatGPT aitab seda probleemi lahendada.
Me hakkame kasutama Pima indiaanlaste diabeet andmestik selles jaotises. Saate andmestiku alla laadida, kui soovite jälgida ChatGPT loodud tulemusi.
Pärast andmestiku allalaadimist laadime selle Pandase teegi abil Pythoni ja prindime andmeraami pea:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
Selles andmekogumis on üheksa muutujat. Üks neist, "Tulemus", on sihtmuutuja, mis ütleb meile, kas inimesel tekib diabeet. Ülejäänud on sõltumatud muutujad, mida kasutatakse tulemuse ennustamiseks.
Okei! Seega tahan näha, millised neist muutujatest mõjutavad seda, kas inimesel tekib diabeet.
Selle saavutamiseks saame luua rühmitatud tulpdiagrammi, et visualiseerida muutujat „Diabeet” kõigi andmestiku sõltuvate muutujate lõikes.
Seda on tegelikult üsna lihtne välja kodeerida, kuid alustame lihtsast. Artikli edenedes liigume edasi keerukamate juhiste juurde.
Andmete visualiseerimine GPT-3.5 abil
Kuna mul on ChatGPT tasuline tellimus, võimaldab tööriist mul valida aluseks oleva mudeli, mida soovin kasutada iga kord, kui sellele juurde pääsen.
Ma valin GPT-3.5:
Pilt ChatGPT Plusist
Kui teil pole tellimust, saate kasutada ChatGPT tasuta versiooni, kuna vestlusbot kasutab vaikimisi GPT-3.5.
Nüüd tippige diabeediandmestiku abil visualiseerimise loomiseks järgmine viip:
I have a dataset with 8 independent variables and 1 dependent variable. The dependent variable, "Outcome", tells us whether a person will develop diabetes.
The independent variables, "Pregnancies", "Glucose", "BloodPressure", "SkinThickness", "Insulin", "BMI", "DiabetesPedigreeFunction", and "Age" are used to predict this outcome.
Can you generate Python code to visualize all these independent variables by outcome? The output should be one clustered bar chart that is colored by the "Outcome" variable. There should be 16 bars in total, 2 for each independent variable.
Siin on mudeli vastus ülaltoodud viipale:
Üks asi, mis kohe silma paistab, on see, et mudel eeldas, et tahame Seabornist andmestiku importida. Tõenäoliselt tegi see selle oletuse, kuna palusime tal kasutada Seaborni raamatukogu.
See pole suur probleem, enne koodide käivitamist peame lihtsalt muutma ühe rea.
Siin on GPT-3.5 loodud täielik koodilõik:
import seaborn as sns
import matplotlib.pyplot as plt # Load the dataset
dataset = pd.read_csv("diabetes.csv") # Create the bar chart
sns.barplot( x="variable", y="value", hue="Outcome", data=pd.melt(dataset, id_vars=["Outcome"]), ci=None,
) # Set the title and labels
plt.title("Dependent Variables by Outcome")
plt.xlabel("Independent Variables")
plt.ylabel("Value") # Show the chart
plt.show()
Saate selle oma Pythoni IDE-sse kopeerida ja kleepida.
Siin on tulemus, mis genereeriti pärast ülaltoodud koodi käivitamist:
See diagramm näeb täiuslik välja! See on täpselt selline, nagu ma seda ChatGPT-sse viipa tippides ette kujutasin.
Üks probleem, mis paistab aga silma, on see, et selle diagrammi tekst kattub. Küsin mudelilt, kas see aitab meil seda probleemi lahendada, tippides järgmise viipa:
Algoritm selgitas, et saaksime seda kattumist vältida, pöörates diagrammi silte või kohandades joonise suurust. Samuti genereeris see uue koodi, mis aitab meil seda saavutada.
Käivitame selle koodi, et näha, kas see annab meile soovitud tulemusi:
import seaborn as sns
import matplotlib.pyplot as plt # Load the dataset
dataset = pd.read_csv("diabetes.csv") # Create the bar chart
sns.barplot( x="variable", y="value", hue="Outcome", data=pd.melt(dataset, id_vars=["Outcome"]), ci=None,
) # Set the title and labels
plt.title("Dependent Variables by Outcome")
plt.xlabel("Independent Variables")
plt.ylabel("Value") # Rotate the x-axis labels by 45 degrees and set horizontal alignment to right
plt.xticks(rotation=45, ha="right") # Show the chart
plt.show()
Ülaltoodud koodiread peaksid genereerima järgmise väljundi:
See näeb hea välja!
Saan andmestikku nüüd palju paremini aru, vaadates lihtsalt seda diagrammi. Näib, et kõrgema glükoosi- ja insuliinitasemega inimestel on suurem tõenäosus haigestuda diabeeti.
Samuti pange tähele, et muutuja „DiabetesPedigreeFunction” ei anna meile selles diagrammis mingit teavet. Seda seetõttu, et funktsioon on väiksemas skaalas (vahemikus 0–2.4). Kui soovite ChatGPT-ga edasi katsetada, saate selle probleemi lahendamiseks paluda tal luua ühes diagrammis mitu alamplokki.
Andmete visualiseerimine GPT-4 abil
Nüüd sisestame samad viibad GPT-4-sse, et näha, kas saame teistsuguse vastuse. Ma valin ChatGPT-s GPT-4 mudeli ja sisestan sama viipa nagu varem:
Pange tähele, kuidas GPT-4 ei eelda, et kasutame Seaborni sisseehitatud andmeraami.
See ütleb meile, et see kasutab visualiseerimise koostamiseks andmeraami nimega "df", mis on GPT-3.5 genereeritud vastuse edasiarendus.
Siin on selle algoritmi loodud täielik kood:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt # Assuming your DataFrame is called df
# First, you need to melt the DataFrame to make # it suitable for creating a clustered bar chart
melted_df = pd.melt( df, id_vars=["Outcome"], var_name="Independent Variable", value_name="Value",
) # Create the clustered bar chart
plt.figure(figsize=(12, 6))
sns.barplot( data=melted_df, x="Independent Variable", y="Value", hue="Outcome", ci=None,
) # Customize the plot
plt.title("Independent Variables by Outcome")
plt.ylabel("Average Value")
plt.xlabel("Independent Variables")
plt.legend(title="Outcome", loc="upper right") # Show the plot
plt.show()
Ülaltoodud kood peaks genereerima järgmise graafiku:
See on ideaalne!
Kuigi me seda ei palunud, on GPT-4 lisanud koodirea, et suurendada süžee suurust. Selle diagrammi sildid on kõik selgelt nähtavad, nii et me ei pea tagasi minema ja koodi muutma nagu varem.
See on samm kõrgemal GPT-3.5 genereeritud vastusest.
Üldiselt näib siiski, et GPT-3.5 ja GPT-4 on mõlemad tõhusad koodi genereerimisel selliste ülesannete täitmiseks nagu andmete visualiseerimine ja analüüs.
Oluline on märkida, et kuna te ei saa andmeid ChatGPT liidesesse üles laadida, peaksite optimaalsete tulemuste saavutamiseks esitama mudelile oma andmestiku täpse kirjelduse.
2. PDF-dokumentidega töötamine
Kuigi see pole tavaline andmeteaduse kasutusjuht, olen pidanud sentimentaalanalüüsi mudeli loomiseks ühe korra välja võtma tekstiandmeid sadadest PDF-failidest. Andmed olid struktureerimata ja kulutasin palju aega nende ekstraheerimiseks ja eeltöötlemiseks.
Samuti töötan sageli teadlastega, kes loevad ja loovad sisu konkreetsetes tööstusharudes toimuvate sündmuste kohta. Nad peavad olema kursis uudistega, analüüsima ettevõtte aruandeid ja lugema valdkonna võimalike suundumuste kohta.
Selle asemel, et lugeda 100 lehekülge ettevõtte aruannet, kas pole lihtsam lihtsalt välja võtta teid huvitavad sõnad ja lugeda läbi ainult neid märksõnu sisaldavad laused?
Või kui olete trendidest huvitatud, saate iga aruande käsitsi läbivaatamise asemel luua automatiseeritud töövoo, mis näitab märksõnade kasvu aja jooksul.
Selles jaotises kasutame Pythonis PDF-failide analüüsimiseks ChatGPT-d. Palume vestlusrotil välja võtta PDF-faili sisu ja kirjutada see tekstifaili.
Jällegi tehakse seda nii GPT-3.5 kui ka GPT-4 abil, et näha, kas loodud koodis on olulisi erinevusi.
PDF-failide lugemine GPT-3.5 abil
Selles jaotises analüüsime avalikult kättesaadavat PDF-dokumenti pealkirjaga Masinõppe lühitutvustus inseneridele. Kui soovite selle jaotise juurde kodeerida, laadige see fail kindlasti alla.
Kõigepealt palume algoritmil luua Pythoni kood, et sellest PDF-dokumendist andmed eraldada ja tekstifaili salvestada:
Siin on algoritmi pakutav täielik kood:
import PyPDF2 # Open the PDF file in read-binary mode
with open("Intro_to_ML.pdf", "rb") as pdf_file: # Create a PDF reader object pdf_reader = PyPDF2.PdfFileReader(pdf_file) # Get the total number of pages in the PDF file num_pages = pdf_reader.getNumPages() # Create a new text file with open("output_file.txt", "w") as txt_file: # Loop through each page in the PDF file for page_num in range(num_pages): # Get the text from the current page page_text = pdf_reader.getPage(page_num).extractText() # Write the text to the text file txt_file.write(page_text)
(Märkus. Enne selle koodi käivitamist muutke kindlasti PDF-faili nimeks see, mille salvestasite.)
Kahjuks ilmnes pärast GPT-3.5 loodud koodi käivitamist järgmine unicode-tõrge:
Läheme tagasi GPT-3.5 juurde ja vaatame, kas mudel suudab seda parandada:
Kleepisin vea ChatGPT-sse ja mudel vastas, et seda saab parandada, muutes kasutatud kodeeringuks "utf-8". See andis mulle ka mõne muudetud koodi, mis kajastas seda muudatust:
import PyPDF2 # Open the PDF file in read-binary mode
with open("Intro_to_ML.pdf", "rb") as pdf_file: # Create a PDF reader object pdf_reader = PyPDF2.PdfFileReader(pdf_file) # Get the total number of pages in the PDF file num_pages = pdf_reader.getNumPages() # Create a new text file with utf-8 encoding with open("output_file.txt", "w", encoding="utf-8") as txt_file: # Loop through each page in the PDF file for page_num in range(num_pages): # Get the text from the current page page_text = pdf_reader.getPage(page_num).extractText() # Write the text to the text file txt_file.write(page_text)
See kood käivitati edukalt ja lõi tekstifaili nimega "output_file.txt". Kogu PDF-dokumendi sisu on faili kirjutatud:
PDF-failide lugemine GPT-4 abil
Nüüd kleebin sama viipa GPT-4-sse, et näha, millega mudel välja tuleb:
Siin on GPT-4 loodud täielik kood:
import PyPDF2 def pdf_to_text(input_pdf, output_txt): with open(input_pdf, "rb") as pdf_file: pdf_reader = PyPDF2.PdfFileReader(pdf_file) num_pages = pdf_reader.numPages text = "" for page_num in range(num_pages): page = pdf_reader.getPage(page_num) text += page.extractText() with open(output_txt, "w", encoding="utf-8") as text_file: text_file.write(text) input_pdf = "Intro_to_ML.pdf"
output_txt = "output_gpt4.txt"
pdf_to_text(input_pdf, output_txt)
Vaata seda!
Erinevalt GPT-3.5-st on GPT-4 juba määranud, et tekstifaili avamiseks tuleks kasutada kodeeringut "utf-8". Me ei pea tagasi minema ja koodi muutma nagu varem.
GPT-4 pakutav kood peaks edukalt käivituma ja te peaksite nägema loodud tekstifailis PDF-dokumendi sisu.
PDF-dokumentide automatiseerimiseks Pythoni abil saate kasutada palju muid tehnikaid. Kui soovite seda lähemalt uurida, on siin mõned muud juhised, mille saate sisestada ChatGPT-sse:
- Kas saate kirjutada Pythoni koodi kahe PDF-faili liitmiseks?
- Kuidas saan Pythoni abil loendada PDF-dokumendis konkreetse sõna või fraasi esinemisi?
- Kas saate kirjutada Pythoni koodi, et eraldada tabelid PDF-failidest ja kirjutada need Excelisse?
I suggest trying some of these during your free time - you’d be surprised at how quickly GPT-4 can help you accomplish menial tasks that usually take hours to perform.
3. Automatiseeritud meilide saatmine
Veedan tunde oma töönädalast meilide lugemisel ja neile vastamisel. See pole mitte ainult aeganõudev, vaid võib olla ka uskumatult stressirohke e-kirjadega kursis olemine, kui jahtite kitsaid tähtaegu.
Ja kuigi te ei saa panna ChatGPT-le kõiki teie e-kirju teie eest kirjutama (ma soovin), saate seda siiski kasutada programmide kirjutamiseks, mis saadavad ajastatud e-kirju kindlal ajal või muuta ühte meilimalli, mida saab saata mitmele inimesele. .
Selles jaotises saame GPT-3.5 ja GPT-4, mis aitavad meil automatiseeritud meilide saatmiseks Pythoni skripti kirjutada.
Automatiseeritud meilide saatmine GPT-3.5 abil
Esmalt tippige automaatse meili saatmiseks koodide genereerimiseks järgmine viip:
Siin on GPT-3.5 loodud täielik kood (enne koodi käivitamist muutke kindlasti e-posti aadressid ja parool):
import smtplib # Set up SMTP connection
smtp_server = "smtp.gmail.com"
smtp_port = 587
sender_email = "your_email@gmail.com"
sender_password = "your_password"
receiver_email = "receiver_email@example.com" with smtplib.SMTP(smtp_server, smtp_port) as smtp: # Start TLS encryption smtp.starttls() # Log in to your Gmail account smtp.login(sender_email, sender_password) # Compose your email message subject = "Automated email" body = "Hello,nnThis is an automated email sent from Python." message = f"Subject: {subject}nn{body}" # Send the email smtp.sendmail(sender_email, receiver_email, message)
Kahjuks ei käivitunud see kood minu jaoks edukalt. See tekitas järgmise vea:
Kleepime selle vea ChatGPT-sse ja vaatame, kas mudel aitab meil seda lahendada:
Olgu, nii et algoritm tõi välja mõned põhjused, miks me selle veaga kokku puutume.
Tean kindlalt, et minu sisselogimismandaadid ja e-posti aadressid olid kehtivad ning koodis ei olnud kirjavigu. Seega võib need põhjused välistada.
GPT-3.5 viitab ka sellele, et vähem turvaliste rakenduste lubamine võib selle probleemi lahendada.
Kui aga proovite seda, ei leia te oma Google'i kontol võimalust lubada juurdepääsu vähem turvalistele rakendustele.
Seda seetõttu, et Google mitte enam võimaldab kasutajatel lubada turvaprobleemide tõttu vähem turvalisi rakendusi.
Lõpuks mainib GPT-3.5 ka seda, et kui kahefaktoriline autentimine on lubatud, tuleks genereerida rakenduse parool.
Mul ei ole kahefaktoriline autentimine lubatud, seega loobun (ajutiselt) sellest mudelist ja vaatan, kas GPT-4-l on lahendus.
Automatiseeritud meilide saatmine GPT-4 abil
Olgu, kui sisestate sama viipa GPT-4-sse, avastate, et algoritm genereerib koodi, mis on väga sarnane sellele, mille GPT-3.5 meile andis. See põhjustab sama vea, millega me varem kokku puutusime.
Vaatame, kas GPT-4 aitab meil seda viga parandada:
GPT-4 soovitused on väga sarnased sellele, mida nägime varem.
Kuid seekord annab see meile samm-sammult ülevaate, kuidas iga etappi täita.
GPT-4 soovitab luua ka rakenduse parooli, nii et proovime seda.
Esmalt külastage oma Google'i kontot, navigeerige jaotisse "Turvalisus" ja lubage kahefaktoriline autentimine. Seejärel peaksite samas jaotises nägema valikut „Rakenduse paroolid”.
Klõpsake seda ja kuvatakse järgmine ekraan:
Võite sisestada mis tahes soovitud nime ja klõpsata nupul "Genereeri".
Ilmub uus rakenduse parool.
Asendage Pythoni koodis olemasolev parool selle rakenduse parooliga ja käivitage kood uuesti:
import smtplib # Set up SMTP connection
smtp_server = "smtp.gmail.com"
smtp_port = 587
sender_email = "your_email@gmail.com"
sender_password = "YOUR_APP_PASSWORD"
receiver_email = "receiver_email@example.com" with smtplib.SMTP(smtp_server, smtp_port) as smtp: # Start TLS encryption smtp.starttls() # Log in to your Gmail account smtp.login(sender_email, sender_password) # Compose your email message subject = "Automated email" body = "Hello,nnThis is an automated email sent from Python." message = f"Subject: {subject}nn{body}" # Send the email smtp.sendmail(sender_email, receiver_email, message)
See peaks seekord edukalt töötama ja teie adressaat saab meili, mis näeb välja järgmine:
Perfect!
Tänu ChatGPT-le oleme Pythoniga edukalt automatiseeritud meili saatnud.
Kui soovite seda sammu edasi teha, soovitan luua viipasid, mis võimaldavad teil:
- Saatke hulgimeile korraga mitmele adressaadile
- Saatke ajastatud meilid eelmääratletud e-posti aadresside loendisse
- Saatke adressaatidele kohandatud e-kiri, mis on kohandatud nende vanusele, soole ja asukohale.
Nataša Selvaraj on iseõppinud andmeteadlane, kelle kirg on kirjutamine. Saate temaga ühendust võtta LinkedIn.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://www.kdnuggets.com/2023/03/automate-boring-stuff-chatgpt-python.html?utm_source=rss&utm_medium=rss&utm_campaign=automate-the-boring-stuff-with-chatgpt-and-python
- :on
- $ UP
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- MEIST
- üle
- juurdepääs
- täitma
- konto
- täpne
- Saavutada
- üle
- tegelikult
- aadressid
- pärast
- algoritm
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- juba
- Kuigi
- summa
- analüüs
- analüüsima
- analüüsides
- ja
- loomad
- vastuseid
- API
- app
- ilmuma
- apps
- OLEME
- artikkel
- AS
- oletus
- eeldus
- At
- Autentimine
- automatiseerima
- Automatiseeritud
- saadaval
- keskmine
- tagasi
- Taustaprogramm
- baar
- baarid
- põhineb
- BE
- sest
- muutuma
- enne
- taga
- Kasu
- Parem
- vahel
- Bmi
- keha
- Bore
- Lagunema
- ehitama
- ehitatud
- äri
- by
- kutsutud
- CAN
- tühistatud
- ei saa
- Põhjus
- muutma
- muutuv
- Joonis
- chatbot
- ChatGPT
- selgelt
- klõps
- kood
- COM
- tulevad
- ühine
- ettevõte
- Ettevõtte omad
- täitma
- keeruline
- Murettekitav
- enesekindlalt
- Võta meiega ühendust
- ühendus
- konsolideerimine
- sisu
- sisu
- kinnitama
- võiks
- looma
- loodud
- loomine
- volikiri
- uudishimulik
- Praegune
- Praegu
- kohandada
- kohandatud
- iga päev
- andmed
- andmete analüüs
- andmeteadus
- andmeteadlane
- andmete visualiseerimine
- andmekogumid
- päev
- vaikimisi
- sõltuv
- kirjeldus
- detailid
- arendama
- Diabeet
- DID
- erinevus
- erinev
- dokument
- dokumentatsioon
- dokumendid
- Ei tee
- teeme
- Ära
- lae alla
- ajam
- ajal
- iga
- Ajalugu
- lihtsam
- Tõhus
- Munad
- kumbki
- elevant
- kirju
- võimaldama
- lubatud
- krüpteerimist
- sisene
- viga
- vead
- eriti
- Eeter (ETH)
- sündmused
- Iga
- kõik
- täpselt
- Excel
- täitma
- olemasolevate
- eksperiment
- selgitas
- Uurimisandmete analüüs
- uurima
- ulatuslik
- väljavõte
- tunnusjoon
- tasu
- vähe
- Joonis
- fail
- Faile
- täitma
- leidma
- esimene
- Määrama
- fikseeritud
- Keskenduma
- järgima
- Järel
- eest
- endine
- tasuta
- sageli
- Alates
- funktsionaalne
- edasi
- SUGU
- tekitama
- loodud
- genereerib
- teeniva
- saama
- Andma
- annab
- gmail
- Go
- läheb
- Kasv
- juhised
- suunata
- käsi
- Olema
- juhataja
- aitama
- aitab
- siin
- varjatud
- rohkem
- kõrgelt
- Horisontaalne
- Lahtiolekuajad
- Kuidas
- Kuidas
- aga
- HTTPS
- tohutu
- sajad
- i
- ideid
- kohe
- mõju
- import
- oluline
- paranemine
- in
- lisatud
- Suurendama
- uskumatult
- sõltumatud
- tööstusharudes
- tööstus
- info
- selle asemel
- huvitatud
- Interface
- Sissejuhatus
- probleem
- IT
- ITS
- töö
- liituma
- KDnuggets
- Teadma
- Labels
- maa
- keel
- suur
- suurim
- hiljemalt
- algatama
- käivitatud
- õppimine
- Lets
- taset
- Raamatukogu
- nagu
- Tõenäoliselt
- joon
- liinid
- nimekiri
- koormus
- liising
- Vaatasin
- otsin
- välimus
- Partii
- masin
- masinõpe
- tehtud
- tegema
- käsitsi
- palju
- Märts
- matemaatika
- matplotlib
- mainib
- Merge
- sõnum
- võib
- viis
- mudel
- mudelid
- modifitseeritud
- muutma
- hetk
- igakuine
- igakuine tellimus
- rohkem
- kõige
- liikuma
- mitmekordne
- nimi
- Navigate
- Vajadus
- Uus
- uus rakendus
- Uusim
- uudised
- kuulsusrikk
- November
- number
- objekt
- of
- Hästi
- on
- ONE
- avatud
- OpenAI
- optimaalne
- valik
- Muu
- Tulemus
- Ületab tulemusi
- väljund
- lehekülg
- makstud
- pandas
- kirg
- Parool
- paroolid
- Maksma
- Inimesed
- täitma
- esitades
- inimene
- Koht
- Platon
- Platoni andmete intelligentsus
- PlatoData
- pluss
- potentsiaal
- võimas
- eelkäija
- ennustada
- ilus
- vältida
- varem
- trükk
- tõenäoliselt
- Probleem
- probleeme
- Programmid
- Edu
- anda
- tingimusel
- avalik
- avalikult
- Python
- Küsimused
- Kiire
- kiiresti
- Lugenud
- lugeja
- Lugemine
- põhjustel
- saama
- saajatele
- kajastatud
- vabastatud
- asjakohane
- ülejäänud
- aru
- Aruanded
- nõutav
- Vajab
- Teadlased
- vastates
- vastus
- kaasa
- Tulemused
- jooks
- jooksmine
- sama
- Säästa
- Hoiused
- ütleb
- Skaala
- plaanitud
- teadus
- teadlane
- Ekraan
- meres sündinud
- otsimine
- Osa
- kindlustama
- turvalisus
- saatmine
- tunne
- komplekt
- peaks
- näitama
- märkimisväärne
- sarnane
- lihtne
- lihtsalt
- alates
- ühekordne
- SUURUS
- väiksem
- So
- lahendus
- LAHENDAGE
- Lahendamine
- mõned
- Allikad
- konkreetse
- määratletud
- kulutama
- kasutatud
- seisab
- algus
- jääma
- Samm
- Veel
- Peatus
- teema
- tellimine
- Edukalt
- Soovitab
- sobiv
- üllatunud
- süntaks
- kohandatud
- Võtma
- võtmine
- sihtmärk
- Ülesanne
- ülesanded
- tehnikat
- ütleb
- šabloon
- et
- .
- oma
- Neile
- Seal.
- Need
- asi
- Läbi
- aeg
- aega võttev
- Kapslid
- pealkirjaga
- TLS
- et
- tööriist
- ülemine
- Summa
- koolitatud
- Trends
- Pööramine
- juhendaja
- puperdama
- aluseks
- mõistma
- Unicode
- upgrade
- us
- kasutama
- Kasutaja
- Kasutajad
- tavaliselt
- väärtus
- versioon
- nähtav
- visiit
- visualiseerimine
- W
- tagaotsitav
- veebisait
- M
- kas
- mis
- WHO
- Wikipedia
- will
- koos
- jooksul
- sõna
- sõnad
- Töö
- töövoog
- Töövoogud
- töö
- oleks
- kirjutama
- kirjutamine
- kirjalik
- Sinu
- sephyrnet