تصویر توسط ویرایشگر
در 14 مارس 2023، OpenAI GPT-4، جدیدترین و قدرتمندترین نسخه مدل زبان خود را راه اندازی کرد.
تنها چند ساعت پس از پرتاب، GPT-4 مردم را با چرخاندن a مبهوت کرد طرحی که به صورت دستی در یک وب سایت کاربردی طراحی شده است, قبولی در آزمون وکالتو ایجاد خلاصه های دقیق از مقالات ویکی پدیا.
همچنین در حل مسائل ریاضی و پاسخگویی به سوالات مبتنی بر منطق و استدلال از نسل قبلی خود یعنی GPT-3.5 بهتر عمل می کند.
ChatGPT، ربات چت که بر روی GPT-3.5 ساخته شده بود و برای عموم منتشر شد، به دلیل "توهم" بدنام بود. پاسخهایی را ایجاد میکرد که به ظاهر درست بودند و از پاسخهای خود با «واقعیتها» دفاع میکردند، اگرچه آنها مملو از خطا بودند.
یکی از کاربران پس از اینکه مدل اصرار داشت که تخمهای فیل بزرگترین حیوانات خشکی هستند، در توییتر نوشت:
تصویر از FioraAeterna
و به همین جا ختم نشد. الگوریتم پاسخ خود را با حقایق ساختگی که تقریباً برای لحظه ای متقاعدم کرد، تأیید کرد.
از سوی دیگر، GPT-4 برای «توهم» کمتر آموزش دیده بود. فریب آخرین مدل OpenAI سخت تر است و با اطمینان به دفعات دروغ تولید نمی کند.
به عنوان یک دانشمند داده، شغل من نیازمند یافتن منابع داده مرتبط، پیش پردازش مجموعه داده های بزرگ و ساخت مدل های یادگیری ماشینی بسیار دقیق است که ارزش کسب و کار را افزایش می دهد.
من بخش زیادی از روز خود را صرف استخراج داده ها از فرمت های مختلف فایل و ادغام آن در یک مکان می کنم.
پس از اینکه ChatGPT برای اولین بار در نوامبر 2022 راه اندازی شد، برای راهنمایی در مورد گردش کار روزانه خود به ربات چت نگاه کردم. من از این ابزار برای صرفه جویی در زمان صرف شده برای کارهای ساده استفاده کردم - تا بتوانم به جای آن بر روی ایده های جدید و ایجاد مدل های بهتر تمرکز کنم.
هنگامی که GPT-4 منتشر شد، کنجکاو بودم که آیا تفاوتی در کاری که انجام میدادم ایجاد میکند یا خیر. آیا استفاده از GPT-4 نسبت به پیشینیان خود مزایای قابل توجهی داشت؟ آیا این به من کمک می کند که در زمان بیشتری نسبت به GPT-3.5 صرفه جویی کنم؟
در این مقاله، من به شما نشان خواهم داد که چگونه از ChatGPT برای خودکارسازی گردشهای کاری علم داده استفاده میکنم.
من همان درخواستها را ایجاد میکنم و آنها را به GPT-4 و GPT-3.5 وارد میکنم تا ببینم آیا اولی واقعاً بهتر عمل میکند و منجر به صرفهجویی در زمان بیشتری میشود.
اگر میخواهید تمام کارهایی را که در این مقاله انجام میدهم دنبال کنید، باید به GPT-4 و GPT-3.5 دسترسی داشته باشید.
GPT-3.5
GPT-3.5 به صورت عمومی در وب سایت OpenAI در دسترس است. به سادگی به https://chat.openai.com/auth/login، جزئیات مورد نیاز را پر کنید و به مدل زبان دسترسی خواهید داشت:
تصویر از GPT چت
GPT-4
از سوی دیگر، GPT-4 در حال حاضر در پشت یک paywall پنهان شده است. برای دسترسی به مدل، باید با کلیک بر روی «ارتقا به پلاس» به ChatGPTPlus ارتقا دهید.
هزینه اشتراک ماهیانه 20 دلار در ماه وجود دارد که می توان آن را در هر زمان لغو کرد:
تصویر از GPT چت
اگر نمیخواهید هزینه اشتراک ماهانه را پرداخت کنید، میتوانید به آن بپیوندید لیست انتظار API برای GPT-4. هنگامی که به API دسترسی پیدا کردید، می توانید دنبال کنید این راهنمای استفاده از آن در پایتون
اگر در حال حاضر به GPT-4 دسترسی ندارید اشکالی ندارد.
همچنان میتوانید این آموزش را با نسخه رایگان ChatGPT که از GPT-3.5 در باطن استفاده میکند، دنبال کنید.
1. تجسم داده ها
هنگام انجام تجزیه و تحلیل داده های اکتشافی، ایجاد یک تجسم سریع در پایتون اغلب به من کمک می کند تا مجموعه داده را بهتر درک کنم.
متأسفانه، این کار می تواند فوق العاده وقت گیر شود - مخصوصاً زمانی که سینتکس مناسبی برای استفاده برای به دست آوردن نتیجه مطلوب نمی دانید.
من اغلب در حال جستجو در اسناد گسترده Seaborn و استفاده از StackOverflow برای تولید یک طرح پایتون هستم.
بیایید ببینیم که آیا ChatGPT می تواند به حل این مشکل کمک کند یا خیر.
ما استفاده خواهیم کرد دیابت هندی پیما مجموعه داده در این بخش اگر میخواهید نتایج ایجاد شده توسط ChatGPT را دنبال کنید، میتوانید مجموعه داده را دانلود کنید.
پس از دانلود مجموعه داده، بیایید آن را با استفاده از کتابخانه Pandas در پایتون بارگذاری کنیم و هد دیتافریم را چاپ کنیم:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
نه متغیر در این مجموعه داده وجود دارد. یکی از آنها، "نتیجه"، متغیر هدفی است که به ما می گوید آیا فرد به دیابت مبتلا می شود یا خیر. بقیه متغیرهای مستقلی هستند که برای پیش بینی نتیجه استفاده می شوند.
باشه! بنابراین میخواهم ببینم کدام یک از این متغیرها بر ابتلای فرد به دیابت تأثیر میگذارد.
برای رسیدن به این هدف، میتوانیم یک نمودار میلهای خوشهای ایجاد کنیم تا متغیر «دیابت» را در تمام متغیرهای وابسته در مجموعه داده تجسم کنیم.
کدگذاری این در واقع بسیار آسان است، اما اجازه دهید ساده شروع کنیم. همانطور که در مقاله پیش می رویم، به دستورات پیچیده تر خواهیم رفت.
تجسم داده ها با GPT-3.5
از آنجایی که من یک اشتراک پولی در ChatGPT دارم، این ابزار به من اجازه میدهد تا هر بار که به آن دسترسی پیدا میکنم، مدل اصلی را که میخواهم استفاده کنم، انتخاب کنم.
من می خواهم GPT-3.5 را انتخاب کنم:
تصویر از ChatGPT Plus
اگر اشتراک ندارید، می توانید از نسخه رایگان ChatGPT استفاده کنید زیرا ربات چت به طور پیش فرض از GPT-3.5 استفاده می کند.
اکنون، بیایید دستور زیر را برای ایجاد تصویرسازی با استفاده از مجموعه داده دیابت تایپ کنیم:
من یک مجموعه داده با 8 متغیر مستقل و 1 متغیر وابسته دارم. متغیر وابسته "نتیجه" به ما می گوید که آیا فرد به دیابت مبتلا می شود یا خیر.
متغیرهای مستقل، "بارداری"، "گلوکز"، "فشار خون"، "ضخامت پوست"، "انسولین"، "BMI"، "DiabetesPedigreeFunction" و "سن" برای پیشبینی این نتیجه استفاده میشوند.
آیا می توانید کد پایتون را برای تجسم همه این متغیرهای مستقل بر اساس نتیجه ایجاد کنید؟ خروجی باید یک نمودار میله ای خوشه ای باشد که با متغیر "نتیجه" رنگ آمیزی شود. در مجموع باید 16 میله، 2 برای هر متغیر مستقل وجود داشته باشد.
در اینجا پاسخ مدل به درخواست بالا آمده است:
یکی از مواردی که فوراً برجسته می شود این است که مدل فرض می کند ما می خواهیم مجموعه داده ای را از Seaborn وارد کنیم. احتمالاً از آنجایی که از کتابخانه Seaborn درخواست کردیم، این فرض را مطرح کرد.
این مشکل بزرگی نیست، فقط باید قبل از اجرای کدها یک خط را تغییر دهیم.
در اینجا قطعه کد کامل تولید شده توسط GPT-3.5 آمده است:
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()
می توانید آن را کپی و در IDE پایتون خود جایگذاری کنید.
در اینجا نتیجه ایجاد شده پس از اجرای کد بالا است:
این نمودار عالی به نظر می رسد! این دقیقاً همان چیزی است که من هنگام تایپ درخواست در ChatGPT آن را تصور می کردم.
با این حال، یکی از مسائلی که برجسته می شود، همپوشانی متن این نمودار است. من قصد دارم از مدل بپرسم که آیا می تواند به ما در رفع این مشکل کمک کند، با تایپ دستور زیر:
الگوریتم توضیح داد که میتوانیم با چرخاندن برچسبهای نمودار یا تنظیم اندازه شکل از این همپوشانی جلوگیری کنیم. همچنین کد جدیدی تولید کرد تا به ما در رسیدن به این هدف کمک کند.
بیایید این کد را اجرا کنیم تا ببینیم آیا نتایج مورد نظر را به ما می دهد یا خیر:
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()
خطوط کد بالا باید خروجی زیر را ایجاد کنند:
این عالی به نظر می رسد!
اکنون با نگاه کردن به این نمودار، مجموعه داده را خیلی بهتر درک می کنم. به نظر می رسد افرادی که سطح گلوکز و انسولین بالاتری دارند بیشتر در معرض ابتلا به دیابت هستند.
همچنین توجه داشته باشید که متغیر “DiabetesPedigreeFunction” هیچ اطلاعاتی در این نمودار به ما نمی دهد. این به این دلیل است که این ویژگی در مقیاس کوچکتر است (بین 0 تا 2.4). اگر میخواهید با ChatGPT آزمایش بیشتری انجام دهید، میتوانید از آن بخواهید تا برای حل این مشکل، چندین طرح فرعی در یک نمودار ایجاد کند.
تجسم داده ها با GPT-4
اکنون، بیایید همان دستورات را به GPT-4 وارد کنیم تا ببینیم آیا پاسخ متفاوتی دریافت می کنیم. من قصد دارم مدل GPT-4 را در ChatGPT انتخاب کنم و همان اعلان قبلی را تایپ کنم:
توجه داشته باشید که چگونه GPT-4 فرض نمی کند که ما از یک دیتافریم ساخته شده در Seaborn استفاده می کنیم.
این به ما می گوید که از یک دیتافریم به نام "df" برای ساخت تصویرسازی استفاده می کند، که بهبودی از پاسخ تولید شده توسط GPT-3.5 است.
در اینجا کد کامل تولید شده توسط این الگوریتم آمده است:
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()
کد بالا باید نمودار زیر را ایجاد کند:
عالیه!
حتی اگر ما آن را نخواستیم، GPT-4 یک خط کد برای افزایش اندازه طرح گنجانده است. برچسبهای روی این نمودار همه به وضوح قابل مشاهده هستند، بنابراین لازم نیست به عقب برگردیم و کد را مانند قبل اصلاح کنیم.
این یک پله بالاتر از پاسخ تولید شده توسط GPT-3.5 است.
با این حال، به طور کلی، به نظر می رسد که GPT-3.5 و GPT-4 هر دو در تولید کد برای انجام وظایفی مانند تجسم و تجزیه و تحلیل داده ها مؤثر هستند.
توجه به این نکته مهم است که از آنجایی که نمیتوانید دادهها را در رابط ChatGPT آپلود کنید، باید مدل را با توضیحات دقیقی از مجموعه داده خود برای نتایج بهینه ارائه دهید.
2. کار با اسناد PDF
در حالی که این یک مورد استفاده رایج در علم داده نیست، من مجبور شده ام داده های متنی را از صدها فایل PDF استخراج کنم تا یک مدل تحلیل احساسات یک بار بسازم. داده ها بدون ساختار بودند و من زمان زیادی را صرف استخراج و پیش پردازش آنها کردم.
من همچنین اغلب با محققانی کار می کنم که در مورد رویدادهای جاری در صنایع خاص می خوانند و محتوا ایجاد می کنند. آنها باید از اخبار مطلع باشند، گزارش های شرکت را تجزیه و تحلیل کنند و در مورد روندهای بالقوه در صنعت مطالعه کنند.
آیا به جای خواندن 100 صفحه از گزارش یک شرکت، ساده تر نیست که کلماتی را که به آنها علاقه دارید استخراج کنید و فقط جملاتی را که حاوی آن کلمات کلیدی هستند بخوانید؟
یا اگر به روندها علاقه دارید، می توانید یک گردش کار خودکار ایجاد کنید که به جای بررسی دستی هر گزارش، رشد کلمات کلیدی را در طول زمان به نمایش بگذارد.
در این بخش از ChatGPT برای تجزیه و تحلیل فایلهای PDF در پایتون استفاده میکنیم. ما از چت بات می خواهیم که محتویات یک فایل PDF را استخراج کرده و در یک فایل متنی بنویسد.
باز هم، این کار با استفاده از GPT-3.5 و GPT-4 انجام می شود تا ببینیم آیا تفاوت قابل توجهی در کد تولید شده وجود دارد یا خیر.
خواندن فایل های PDF با GPT-3.5
در این بخش، یک سند PDF در دسترس عموم را با عنوان تجزیه و تحلیل خواهیم کرد مقدمه ای کوتاه بر یادگیری ماشین برای مهندسان. اگر مایل به کدنویسی در این بخش هستید حتما این فایل را دانلود کنید.
ابتدا از الگوریتم بخواهیم کد پایتون را برای استخراج داده ها از این سند PDF و ذخیره آن در یک فایل متنی ایجاد کند:
در اینجا کد کامل ارائه شده توسط الگوریتم آمده است:
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)
(توجه: قبل از اجرای این کد، حتماً نام فایل PDF را به نامی که ذخیره کرده اید تغییر دهید.)
متأسفانه پس از اجرای کد تولید شده توسط GPT-3.5، با خطای یونیکد زیر مواجه شدم:
بیایید به GPT-3.5 برگردیم و ببینیم که آیا مدل می تواند این مشکل را برطرف کند:
من خطا را در ChatGPT جایگذاری کردم و مدل پاسخ داد که میتوان با تغییر رمزگذاری مورد استفاده به "utf-8" آن را برطرف کرد. همچنین تعدادی کد اصلاح شده را به من داد که منعکس کننده این تغییر است:
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)
این کد با موفقیت اجرا شد و یک فایل متنی به نام output_file.txt ایجاد کرد. تمام محتوای سند PDF در فایل نوشته شده است:
خواندن فایل های PDF با GPT-4
اکنون، من می خواهم همان دستور را در GPT-4 بچسبانم تا ببینم مدل چه چیزی را ارائه می دهد:
در اینجا کد کامل تولید شده توسط GPT-4 آمده است:
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)
نگاه کن
برخلاف GPT-3.5، GPT-4 قبلاً مشخص کرده است که رمزگذاری "utf-8" باید برای باز کردن فایل متنی استفاده شود. لازم نیست به عقب برگردیم و کد را مانند قبل اصلاح کنیم.
کد ارائه شده توسط GPT-4 باید با موفقیت اجرا شود و شما باید محتوای سند PDF را در فایل متنی ایجاد شده مشاهده کنید.
بسیاری از تکنیک های دیگر وجود دارد که می توانید از آنها برای خودکارسازی اسناد PDF با پایتون استفاده کنید. اگر میخواهید این موضوع را بیشتر بررسی کنید، در اینجا چند دستور دیگر وجود دارد که میتوانید در ChatGPT تایپ کنید:
- آیا می توانید کد پایتون را برای ادغام دو فایل PDF بنویسید؟
- چگونه می توانم وقوع یک کلمه یا عبارت خاص را در یک سند PDF با پایتون بشمارم؟
- آیا می توانید کد پایتون را برای استخراج جداول از PDF و نوشتن آنها در اکسل بنویسید؟
من پیشنهاد می کنم برخی از این موارد را در اوقات فراغت خود امتحان کنید - از اینکه GPT-4 با چه سرعتی می تواند به شما کمک کند کارهای ساده ای را انجام دهید که معمولاً ساعت ها طول می کشد شگفت زده شوید.
3. ارسال ایمیل های خودکار
من ساعت ها از هفته کاری خود را صرف خواندن و پاسخ دادن به ایمیل ها می کنم. این نه تنها وقت گیر است، بلکه می تواند بسیار استرس زا باشد که در بالای ایمیل ها قرار بگیرید، زمانی که به دنبال ضرب الاجل های فشرده هستید.
و اگرچه نمیتوانید از ChatGPT برای نوشتن همه ایمیلهایتان برای شما استفاده کنید (ای کاش)، همچنان میتوانید از آن برای نوشتن برنامههایی استفاده کنید که ایمیلهای زمانبندیشده را در یک زمان خاص ارسال میکنند یا یک الگوی ایمیل را تغییر دهید که میتواند برای چندین نفر ارسال شود. .
در این بخش، GPT-3.5 و GPT-4 را دریافت خواهیم کرد تا به ما در نوشتن یک اسکریپت پایتون برای ارسال ایمیل های خودکار کمک کنند.
ارسال ایمیل های خودکار با GPT-3.5
ابتدا، بیایید اعلان زیر را برای ایجاد کدهایی برای ارسال یک ایمیل خودکار تایپ کنیم:
در اینجا کد کامل تولید شده توسط GPT-3.5 آمده است (قبل از اجرای این کد، حتما آدرس ایمیل و رمز عبور را تغییر دهید):
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)
متاسفانه این کد برای من با موفقیت اجرا نشد. خطای زیر را ایجاد کرد:
بیایید این خطا را در ChatGPT جایگذاری کنیم و ببینیم آیا مدل می تواند به ما در حل آن کمک کند:
خوب، بنابراین الگوریتم به چند دلیل اشاره کرد که چرا ممکن است با این خطا مواجه شویم.
من به درستی می دانم که اعتبار ورود و آدرس ایمیل من معتبر است و هیچ غلط املایی در کد وجود ندارد. پس این دلایل را می توان رد کرد.
GPT-3.5 همچنین پیشنهاد می کند که اجازه دادن به برنامه های کمتر ایمن ممکن است این مشکل را حل کند.
با این حال، اگر این را امتحان کنید، گزینهای در حساب Google خود پیدا نمیکنید که اجازه دسترسی به برنامههای کمتر امن را بدهد.
این به این دلیل است که گوگل دیگر به کاربران اجازه می دهد به دلیل نگرانی های امنیتی، برنامه های با امنیت کمتری را مجاز کنند.
در نهایت، GPT-3.5 همچنین اشاره میکند که اگر احراز هویت دو مرحلهای فعال باشد، باید رمز عبور برنامه ایجاد شود.
من احراز هویت دو مرحلهای را فعال ندارم، بنابراین میخواهم (به طور موقت) از این مدل صرف نظر کنم و ببینم آیا GPT-4 راهحلی دارد یا خیر.
ارسال ایمیل های خودکار با GPT-4
بسیار خوب، بنابراین اگر همان دستور را در GPT-4 تایپ کنید، متوجه خواهید شد که الگوریتم کدی را تولید می کند که بسیار شبیه به آنچه GPT-3.5 به ما داده است. این باعث همان خطایی می شود که قبلاً با آن برخورد کردیم.
بیایید ببینیم که آیا GPT-4 می تواند به ما در رفع این خطا کمک کند:
پیشنهادات GPT-4 بسیار شبیه به آنچه قبلا دیده بودیم است.
با این حال، این بار، نحوه انجام هر مرحله را به صورت گام به گام به ما می دهد.
GPT-4 همچنین ایجاد رمز عبور برنامه را پیشنهاد می کند، پس بیایید آن را امتحان کنیم.
ابتدا از حساب Google خود بازدید کنید، به "Security" بروید و احراز هویت دو مرحله ای را فعال کنید. سپس، در همان بخش، باید گزینه ای را مشاهده کنید که می گوید «گذرواژه های برنامه».
روی آن کلیک کنید و صفحه زیر ظاهر می شود:
شما می توانید هر نامی را که دوست دارید وارد کنید و روی "Generate" کلیک کنید.
رمز عبور برنامه جدید ظاهر می شود.
رمز عبور موجود در کد پایتون را با این رمز برنامه جایگزین کنید و دوباره کد را اجرا کنید:
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)
این بار باید با موفقیت اجرا شود و گیرنده شما ایمیلی به شکل زیر دریافت خواهد کرد:
کامل!
به لطف ChatGPT، ما با موفقیت یک ایمیل خودکار با پایتون ارسال کردیم.
اگر میخواهید قدمی فراتر بردارید، پیشنهاد میکنم اعلانهایی ایجاد کنید که به شما امکان میدهد:
- ایمیل های انبوه را به چندین گیرنده به طور همزمان ارسال کنید
- ایمیل های برنامه ریزی شده را به یک لیست از پیش تعریف شده از آدرس های ایمیل ارسال کنید
- یک ایمیل سفارشی برای گیرندگان ارسال کنید که متناسب با سن، جنسیت و موقعیت مکانی آنها باشد.
ناتاشا سلواراج یک دانشمند داده خودآموخته با اشتیاق به نوشتن است. می توانید با او ارتباط برقرار کنید لینک.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: 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
- :است
- $UP
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- درباره ما
- بالاتر
- دسترسی
- انجام دادن
- حساب
- دقیق
- رسیدن
- در میان
- واقعا
- آدرس
- پس از
- الگوریتم
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- هر چند
- مقدار
- تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- حیوانات
- پاسخ
- API
- نرم افزار
- ظاهر شدن
- برنامه های
- هستند
- مقاله
- AS
- فرض
- فرض
- At
- تصدیق
- خودکار بودن
- خودکار
- در دسترس
- میانگین
- به عقب
- بخش مدیریت
- بار
- بار
- مستقر
- BE
- زیرا
- شدن
- قبل از
- پشت سر
- مزایای
- بهتر
- میان
- bmi
- بدن
- خسته کننده
- تفکیک
- ساختن
- ساخته
- کسب و کار
- by
- نام
- CAN
- لغو شد
- نمی توان
- علت
- تغییر دادن
- متغیر
- چارت سازمانی
- chatbot
- GPT چت
- به وضوح
- کلیک
- رمز
- COM
- آینده
- مشترک
- شرکت
- شرکت
- کامل
- بغرنج
- نگرانی ها
- با اطمینان
- اتصال
- ارتباط
- تحکیم
- محتوا
- محتویات
- تایید می کند
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- مجوزها و اعتبارات
- کنجکاو
- جاری
- در حال حاضر
- سفارشی
- سفارشی
- روزانه
- داده ها
- تحلیل داده ها
- علم اطلاعات
- دانشمند داده
- تجسم داده ها
- مجموعه داده ها
- روز
- به طور پیش فرض
- وابسته
- شرح
- جزئیات
- توسعه
- دیابت
- DID
- تفاوت
- مختلف
- سند
- مستندات
- اسناد و مدارک
- نمی کند
- عمل
- آیا
- دانلود
- راندن
- در طی
- هر
- پیش از آن
- آسان تر
- موثر
- تخم مرغ
- هر دو
- فیل
- پست الکترونیک
- ایمیل
- قادر ساختن
- فعال
- رمزگذاری
- وارد
- خطا
- خطاهای
- به خصوص
- اتر (ETH)
- حوادث
- هر
- همه چیز
- کاملا
- اکسل
- اجرا کردن
- موجود
- تجربه
- توضیح داده شده
- تجزیه و تحلیل داده های اکتشافی
- اکتشاف
- وسیع
- عصاره
- ویژگی
- پرداخت
- کمی از
- شکل
- پرونده
- فایل ها
- پر کردن
- پیدا کردن
- نام خانوادگی
- رفع
- ثابت
- تمرکز
- به دنبال
- پیروی
- برای
- سابق
- رایگان
- غالبا
- از جانب
- تابعی
- بیشتر
- جنس
- تولید می کنند
- تولید
- تولید می کند
- مولد
- دریافت کنید
- دادن
- می دهد
- جیمیل
- Go
- رفتن
- گوگل
- رشد
- راهنمایی
- راهنمایی
- دست
- آیا
- سر
- کمک
- کمک می کند
- اینجا کلیک نمایید
- پنهان
- بالاتر
- خیلی
- افقی
- ساعت ها
- چگونه
- چگونه
- اما
- HTTPS
- بزرگ
- صدها نفر
- i
- ایده ها
- بلافاصله
- تأثیر
- واردات
- مهم
- بهبود
- in
- مشمول
- افزایش
- بطور باور نکردنی
- مستقل
- لوازم
- صنعت
- اطلاعات
- در عوض
- علاقه مند
- رابط
- معرفی
- موضوع
- IT
- ITS
- کار
- پیوستن
- kdnuggets
- دانستن
- برچسب ها
- زمین
- زبان
- بزرگ
- بزرگترین
- آخرین
- راه اندازی
- راه اندازی
- یادگیری
- اجازه می دهد تا
- سطح
- کتابخانه
- پسندیدن
- احتمالا
- لاین
- خطوط
- لینک
- فهرست
- بار
- محل
- نگاه
- به دنبال
- مطالب
- خیلی
- دستگاه
- فراگیری ماشین
- ساخته
- ساخت
- دستی
- بسیاری
- مارس
- ریاضی
- ماتپلوتلب
- اشاره می کند
- ادغام کردن
- پیام
- قدرت
- حالت
- مدل
- مدل
- اصلاح شده
- تغییر
- لحظه
- ماهیانه
- اشتراک ماهانه
- بیش
- اکثر
- حرکت
- چندگانه
- نام
- هدایت
- نیاز
- جدید
- برنامه جدید
- تازه ترین
- اخبار
- بدنام
- نوامبر
- عدد
- هدف
- of
- خوب
- on
- ONE
- باز کن
- OpenAI
- بهینه
- گزینه
- دیگر
- نتیجه
- عملکرد بهتر
- تولید
- با ما
- پرداخت
- پانداها
- شور
- کلمه عبور
- کلمه عبور
- پرداخت
- مردم
- انجام دادن
- انجام
- شخص
- محل
- افلاطون
- هوش داده افلاطون
- PlatoData
- به علاوه
- پتانسیل
- قوی
- سلف، اسبق، جد
- پیش بینی
- زیبا
- جلوگیری از
- قبلا
- چاپ
- شاید
- مشکل
- مشکلات
- برنامه ها
- پیشرفت
- ارائه
- ارائه
- عمومی
- عمومی
- پــایتــون
- سوالات
- سریع
- به سرعت
- خواندن
- خواننده
- مطالعه
- دلایل
- گرفتن
- گیرندگان
- منعکس شده
- منتشر شد
- مربوط
- باقی مانده
- گزارش
- گزارش ها
- ضروری
- نیاز
- محققان
- پاسخ دادن
- پاسخ
- نتیجه
- نتایج
- دویدن
- در حال اجرا
- همان
- ذخیره
- پس انداز
- می گوید:
- مقیاس
- برنامه ریزی
- علم
- دانشمند
- پرده
- متولد دریا
- جستجو
- بخش
- امن
- تیم امنیت لاتاری
- در حال ارسال
- احساس
- تنظیم
- باید
- نشان
- قابل توجه
- مشابه
- ساده
- به سادگی
- پس از
- تنها
- اندازه
- کوچکتر
- So
- راه حل
- حل
- حل کردن
- برخی از
- منابع
- خاص
- مشخص شده
- خرج کردن
- صرف
- می ایستد
- شروع
- ماندن
- گام
- هنوز
- توقف
- موضوع
- اشتراک، ابونمان
- موفقیت
- حاکی از
- مناسب
- غافلگیر شدن
- نحو
- طراحی شده
- گرفتن
- مصرف
- هدف
- کار
- وظایف
- تکنیک
- می گوید
- قالب
- که
- La
- شان
- آنها
- آنجا.
- اینها
- چیز
- از طریق
- زمان
- زمان بر
- عنوان
- با عنوان
- TLS
- به
- ابزار
- بالا
- جمع
- آموزش دیده
- روند
- عطف
- آموزش
- توییتر
- اساسی
- فهمیدن
- یونیکد
- ارتقاء
- us
- استفاده کنید
- کاربر
- کاربران
- معمولا
- ارزش
- نسخه
- قابل رویت
- بازدید
- تجسم
- W
- خواسته
- سایت اینترنتی
- چی
- چه
- که
- WHO
- ویکیپدیا
- اراده
- با
- در داخل
- کلمه
- کلمات
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- خواهد بود
- نوشتن
- نوشته
- کتبی
- شما
- زفیرنت