Kuvan toimittaja
14. maaliskuuta 2023 OpenAI julkaisi GPT-4:n, uusimman ja tehokkaimman version heidän kielimallistaan.
Vain muutamassa tunnissa julkaisusta GPT-4 hämmästytti ihmisiä kääntämällä a käsin piirretty luonnos toimivaksi verkkosivustoksi, asianajajakokeen läpäiseminenja luoda tarkkoja tiivistelmiä Wikipedian artikkeleista.
Se myös ylittää edeltäjänsä GPT-3.5:n matemaattisten ongelmien ratkaisemisessa ja logiikkaan ja päättelyyn perustuvissa kysymyksiin vastaamisessa.
ChatGPT, chatbot, joka rakennettiin GPT-3.5:n päälle ja julkaistiin yleisölle, oli pahamaineinen "hallusinaatioistaan". Se tuottaisi vastauksia, jotka olivat näennäisesti oikeita ja puolustaisi vastauksiaan "faktoin", vaikka ne olivatkin täynnä virheitä.
Yksi käyttäjä otti Twitterin mallin mukaan elefantinmunien olevan suurimmat maaeläimistä:
Kuva FioraAeterna
Eikä se jäänyt siihen. Algoritmi vahvisti vastauksensa keksityillä faktoilla, jotka melkein saivat minut vakuuttuneeksi hetkeksi.
GPT-4 puolestaan opetettiin "hallusinaatioihin" harvemmin. OpenAI:n uusinta mallia on vaikeampi huijata, eikä se luo valheellisuutta yhtä usein.
Datatieteilijänä työni edellyttää olennaisten tietolähteiden löytämistä, suurien tietojoukkojen esikäsittelyä ja erittäin tarkkojen koneoppimismallien rakentamista, jotka lisäävät liiketoiminnan arvoa.
Käytän suuren osan päivästäni eri tiedostomuotojen tietojen poimimiseen ja yhdistämiseen yhteen paikkaan.
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.
Kun GPT-4 julkaistiin, olin utelias siitä, vaikuttaisiko se tekemääni työhön. Oliko GPT-4:n käytöllä merkittäviä etuja edeltäjiinsä verrattuna? Auttaisiko se minua säästämään enemmän aikaa kuin jo GPT-3.5:n kanssa?
Tässä artikkelissa näytän sinulle, kuinka käytän ChatGPT:tä datatieteen työnkulkujen automatisointiin.
Luon samat kehotteet ja syötän ne sekä GPT-4:ään että GPT-3.5:een nähdäkseni, toimiiko edellinen todella paremmin ja säästääkö aikaa.
Jos haluat seurata kaikkea, mitä teen tässä artikkelissa, sinulla on oltava pääsy GPT-4:ään ja GPT-3.5:een.
GPT-3.5
GPT-3.5 on julkisesti saatavilla OpenAI:n verkkosivuilla. Siirry yksinkertaisesti kohteeseen https://chat.openai.com/auth/login, täytä vaaditut tiedot, niin pääset käyttämään kielimallia:
Kuva ChatGPT
GPT-4
GPT-4 puolestaan on tällä hetkellä piilossa maksumuurin takana. Mallin käyttämiseksi sinun on päivitettävä ChatGPTPlus-versioon napsauttamalla "Päivitä Plus".
Kuukausimaksu on 20 $/kk, joka voidaan peruuttaa milloin tahansa:
Kuva ChatGPT
Jos et halua maksaa kuukausimaksua, voit myös liittyä API jonotuslista GPT-4:lle. Kun saat käyttöösi API:n, voit seurata tätä opas sen käyttöön Pythonissa.
Ei haittaa, jos sinulla ei tällä hetkellä ole pääsyä GPT-4:ään.
Voit edelleen seurata tätä opetusohjelmaa ChatGPT:n ilmaisella versiolla, joka käyttää taustaohjelmassa GPT-3.5:tä.
1. Tietojen visualisointi
Kun suoritan tutkivaa data-analyysiä, nopean visualisoinnin luominen Pythonissa auttaa minua usein ymmärtämään tietojoukkoa paremmin.
Unfortunately, this task can become incredibly time-consuming - especially when you don’t know the right syntax to use to get the desired result.
Huomaan usein etsiväni Seabornin laajaa dokumentaatiota ja luovani yhden Python-kaavion StackOverflow:lla.
Katsotaan, voiko ChatGPT auttaa ratkaisemaan tämän ongelman.
Käytämme Pima-intiaanien diabetes tietojoukko tässä osiossa. Voit ladata tietojoukon, jos haluat seurata ChatGPT:n luomia tuloksia.
Kun tietojoukko on ladattu, ladataan se Pythoniin Pandas-kirjaston avulla ja tulostetaan datakehyksen pää:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
Tässä tietojoukossa on yhdeksän muuttujaa. Yksi niistä, "Outcome", on tavoitemuuttuja, joka kertoo, kehittyykö henkilöön diabetes. Loput ovat riippumattomia muuttujia, joita käytetään tuloksen ennustamiseen.
Okei! Joten haluan nähdä, mitkä näistä muuttujista vaikuttavat siihen, kehittyykö henkilö diabetekseksi.
Tämän saavuttamiseksi voimme luoda klusteroidun pylväskaavion, joka visualisoi muuttujan "Diabetes" kaikista tietojoukon riippuvaisista muuttujista.
Tämä on itse asiassa melko helppo koodata, mutta aloitetaan yksinkertaisesta. Siirrymme monimutkaisempiin kehotteisiin artikkelin edetessä.
Datan visualisointi GPT-3.5:llä
Koska minulla on maksullinen ChatGPT-tilaus, työkalun avulla voin valita taustalla olevan mallin, jota haluan käyttää aina, kun käytän sitä.
Aion valita GPT-3.5:n:
Kuva ChatGPT Plus:sta
Jos sinulla ei ole tilausta, voit käyttää ChatGPT:n ilmaista versiota, koska chatbot käyttää oletuksena GPT-3.5:tä.
Kirjoita nyt seuraava kehote luodaksesi visualisoinnin diabetestietojoukon avulla:
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.
Tässä on mallin vastaus yllä olevaan kehotteeseen:
Yksi asia, joka erottuu välittömästi, on se, että malli olettaa, että halusimme tuoda tietojoukon Seabornista. Se luultavasti teki tämän oletuksen, koska pyysimme sitä käyttämään Seaborn-kirjastoa.
Tämä ei ole suuri ongelma, meidän on vain vaihdettava yksi rivi ennen koodien suorittamista.
Tässä on GPT-3.5:n luoma täydellinen koodinpätkä:
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()
Voit kopioida ja liittää tämän Python IDE:hen.
Tässä on yllä olevan koodin suorittamisen jälkeen luotu tulos:
Tämä kaavio näyttää täydelliseltä! Juuri niin kuvittelin sen kirjoittaessani kehotteen ChatGPT:hen.
Yksi erottuva ongelma on kuitenkin se, että tämän kaavion teksti on päällekkäistä. Aion kysyä mallilta, voiko se auttaa meitä korjaamaan tämän kirjoittamalla seuraavan kehotteen:
Algoritmi selitti, että voisimme estää tämän päällekkäisyyden joko kiertämällä kaavion tarroja tai säätämällä kuvion kokoa. Se loi myös uuden koodin auttamaan meitä saavuttamaan tämän.
Suoritetaan tämä koodi nähdäksesi, antaako se meille halutut tulokset:
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()
Yllä olevien koodirivien pitäisi tuottaa seuraava tulos:
Tämä näyttää hyvältä!
Ymmärrän tietojoukon nyt paljon paremmin katsomalla tätä kaaviota. Näyttää siltä, että ihmiset, joilla on korkeampi glukoosi- ja insuliinitaso, sairastuvat todennäköisemmin diabetekseen.
Huomaa myös, että "DiabetesPedigreeFunction" -muuttuja ei anna meille mitään tietoa tässä kaaviossa. Tämä johtuu siitä, että ominaisuus on pienemmässä mittakaavassa (välillä 0 - 2.4). Jos haluat jatkaa kokeiluja ChatGPT:n kanssa, voit pyytää sitä luomaan useita alikaavioita yhdessä kaaviossa tämän ongelman ratkaisemiseksi.
Datan visualisointi GPT-4:llä
Syötetään nyt samat kehotteet GPT-4:ään nähdäksemme, saammeko erilaisen vastauksen. Valitsen GPT-4-mallin ChatGPT:ssä ja kirjoitan saman kehotteen kuin aiemmin:
Huomaa, että GPT-4 ei oleta, että käytämme Seaborniin sisäänrakennettua tietokehystä.
Se kertoo meille, että se käyttää tietokehystä nimeltä "df" visualisoinnin rakentamiseen, mikä on parannus GPT-3.5:n luomaan vastaukseen.
Tässä on koko tämän algoritmin luoma koodi:
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()
Yllä olevan koodin pitäisi luoda seuraava kaavio:
Tämä on täydellinen!
Vaikka emme pyytäneet sitä, GPT-4 on sisällyttänyt koodirivin juonen koon kasvattamiseksi. Tämän kaavion tarrat ovat kaikki selvästi näkyvissä, joten meidän ei tarvitse palata takaisin ja muuttaa koodia kuten teimme aiemmin.
Tämä on askel GPT-3.5:n luoman vastauksen yläpuolella.
Kaiken kaikkiaan näyttää kuitenkin siltä, että GPT-3.5 ja GPT-4 ovat molemmat tehokkaita koodin luomisessa tietojen visualisoinnin ja analysoinnin kaltaisten tehtävien suorittamiseen.
On tärkeää huomata, että koska et voi lähettää tietoja ChatGPT:n käyttöliittymään, sinun tulee antaa mallille tarkka kuvaus tietojoukostasi parhaan tuloksen saavuttamiseksi.
2. PDF-dokumenttien käsittely
Vaikka tämä ei ole yleinen datatieteen käyttötapaus, olen joutunut poimimaan tekstitietoja sadoista PDF-tiedostoista rakentaakseni mielialan analyysimallin kerran. Data oli jäsentämätöntä, ja vietin paljon aikaa sen poimimiseen ja esikäsittelyyn.
Työskentelen usein myös tutkijoiden kanssa, jotka lukevat ja luovat sisältöä tietyillä toimialoilla tapahtuvista ajankohtaisista tapahtumista. Heidän on pysyttävä ajan tasalla uutisista, analysoitava yritysraportteja ja luettava alan mahdollisista trendeistä.
Sen sijaan, että lukisit 100 sivua yrityksen raporttia, eikö ole helpompaa yksinkertaisesti poimia sinua kiinnostavat sanat ja lukea vain ne lauseet, jotka sisältävät kyseiset avainsanat?
Tai jos olet kiinnostunut trendeistä, voit luoda automaattisen työnkulun, joka esittelee avainsanojen kasvua ajan mittaan sen sijaan, että kävisit jokaisen raportin läpi manuaalisesti.
Tässä osiossa käytämme ChatGPT:tä PDF-tiedostojen analysoimiseen Pythonissa. Pyydämme chatbotia purkamaan PDF-tiedoston sisällön ja kirjoittamaan sen tekstitiedostoon.
Tämä tehdään jälleen käyttämällä sekä GPT-3.5:tä että GPT-4:ää, jotta voidaan nähdä, onko luodussa koodissa merkittäviä eroja.
PDF-tiedostojen lukeminen GPT-3.5:llä
Tässä osiossa analysoimme julkisesti saatavilla olevaa PDF-dokumenttia nimeltä Lyhyt johdatus koneoppimiseen insinööreille. Muista ladata tämä tiedosto, jos haluat koodata tähän osioon.
Pyydetään ensin algoritmia luomaan Python-koodi tietojen poimimiseksi tästä PDF-dokumentista ja tallentamisesta tekstitiedostoon:
Tässä on algoritmin koko koodi:
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)
(Huomaa: Muista vaihtaa PDF-tiedoston nimi siihen, jonka tallensit ennen tämän koodin suorittamista.)
Valitettavasti GPT-3.5:n luoman koodin suorittamisen jälkeen kohtasin seuraavan unicode-virheen:
Palataan takaisin GPT-3.5:een ja katsotaan, voiko malli korjata tämän:
Liitin virheen ChatGPT:hen, ja malli vastasi, että se voidaan korjata vaihtamalla käytetyksi koodaukseksi "utf-8". Se antoi minulle myös muokatun koodin, joka heijasti tätä muutosta:
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)
Tämä koodi suoritettiin onnistuneesti ja loi tekstitiedoston nimeltä "output_file.txt". Kaikki PDF-dokumentin sisältö on kirjoitettu tiedostoon:
PDF-tiedostojen lukeminen GPT-4:llä
Nyt aion liittää saman kehotteen GPT-4:ään nähdäkseni, mitä malli saa aikaan:
Tässä on täydellinen GPT-4:n luoma koodi:
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)
Katso tuota!
Toisin kuin GPT-3.5, GPT-4 on jo määrittänyt, että tekstitiedoston avaamiseen tulee käyttää "utf-8"-koodausta. Meidän ei tarvitse palata takaisin ja muuttaa koodia kuten teimme aiemmin.
GPT-4:n tarjoaman koodin pitäisi toimia onnistuneesti, ja sinun pitäisi nähdä PDF-dokumentin sisältö luodussa tekstitiedostossa.
On monia muita tekniikoita, joita voit käyttää PDF-dokumenttien automatisointiin Pythonilla. Jos haluat tutkia tätä tarkemmin, tässä on joitain muita kehotteita, jotka voit kirjoittaa ChatGPT:hen:
- Voitko kirjoittaa Python-koodin kahden PDF-tiedoston yhdistämiseksi?
- Kuinka voin laskea tietyn sanan tai lauseen esiintymät PDF-dokumentissa Pythonilla?
- Voitko kirjoittaa Python-koodia taulukoiden poimimiseksi PDF-tiedostoista ja kirjoittaa ne Exceliin?
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. Automaattisten sähköpostien lähettäminen
Käytän tuntikausia työviikostani sähköpostien lukemiseen ja niihin vastaamiseen. Tämä ei ole vain aikaa vievää, vaan voi myös olla uskomattoman stressaavaa pysyä sähköpostien päällä, kun jahtaat tiukkoja määräaikoja.
Ja vaikka et voi saada ChatGPT:tä kirjoittamaan kaikkia sähköposteja puolestasi (toivottavasti), voit silti käyttää sitä ohjelmien kirjoittamiseen, jotka lähettävät ajoitettuja sähköposteja tiettyyn aikaan tai muokata yksittäistä sähköpostimallia, joka voidaan lähettää useille ihmisille. .
Tässä osiossa saamme GPT-3.5:n ja GPT-4:n auttamaan meitä kirjoittamaan Python-komentosarjan automaattisten sähköpostien lähettämistä varten.
Automaattisten sähköpostien lähettäminen GPT-3.5:llä
Kirjoita ensin seuraava kehote koodien luomiseksi automaattisen sähköpostin lähettämistä varten:
Tässä on täydellinen GPT-3.5:n luoma koodi (Muista vaihtaa sähköpostiosoitteet ja salasana ennen tämän koodin käyttämistä):
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)
Valitettavasti tämä koodi ei toiminut onnistuneesti minulle. Se loi seuraavan virheen:
Liitä tämä virhe ChatGPT:hen ja katsotaan, voiko malli auttaa meitä ratkaisemaan sen:
Okei, joten algoritmi osoitti muutamia syitä siihen, miksi saatamme joutua tähän virheeseen.
Tiedän varma, että kirjautumistietoni ja sähköpostiosoitteeni olivat voimassa ja että koodissa ei ollut kirjoitusvirheitä. Nämä syyt voidaan siis sulkea pois.
GPT-3.5 ehdottaa myös, että vähemmän turvallisten sovellusten salliminen saattaa ratkaista tämän ongelman.
Jos yrität tätä, et kuitenkaan löydä Google-tilistäsi vaihtoehtoa, joka sallisi vähemmän turvallisten sovellusten käytön.
Tämä johtuu Googlesta ei enää antaa käyttäjien sallia vähemmän turvallisia sovelluksia turvallisuussyistä.
Lopuksi GPT-3.5 mainitsee myös, että sovelluksen salasana tulee luoda, jos kaksivaiheinen todennus on otettu käyttöön.
Minulla ei ole kaksivaiheista todennusta käytössä, joten aion (väliaikaisesti) luopua tästä mallista ja katsoa, onko GPT-4:llä ratkaisu.
Automaattisten sähköpostien lähettäminen GPT-4:llä
Okei, joten jos kirjoitat saman kehotteen GPT-4:ään, huomaat, että algoritmi luo koodin, joka on hyvin samanlainen kuin GPT-3.5:n meille antama. Tämä aiheuttaa saman virheen, johon törmäsimme aiemmin.
Katsotaan, voiko GPT-4 auttaa korjaamaan tämän virheen:
GPT-4:n ehdotukset ovat hyvin samanlaisia kuin aiemmin.
Tällä kertaa se kuitenkin antaa meille vaiheittaisen erittelyn kunkin vaiheen suorittamisesta.
GPT-4 ehdottaa myös sovelluksen salasanan luomista, joten kokeillaan.
Siirry ensin Google-tilillesi, siirry kohtaan "Turvallisuus" ja ota käyttöön kaksivaiheinen todennus. Sitten samassa osiossa sinun pitäisi nähdä vaihtoehto, jossa lukee "Sovellusten salasanat".
Napsauta sitä ja seuraava näyttö tulee näkyviin:
Voit kirjoittaa minkä tahansa haluamasi nimen ja napsauttaa "Luo".
Uusi sovelluksen salasana tulee näkyviin.
Vaihda Python-koodissa oleva salasana tällä sovelluksen salasanalla ja suorita koodi uudelleen:
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)
Sen pitäisi toimia onnistuneesti tällä kertaa, ja vastaanottajasi saa sähköpostin, joka näyttää tältä:
Täydellinen!
ChatGPT:n ansiosta olemme onnistuneesti lähettäneet automaattisen sähköpostin Pythonilla.
Jos haluat viedä tämän askeleen pidemmälle, suosittelen luomaan kehotteita, joiden avulla voit:
- Lähetä joukkosähköpostit useille vastaanottajille samanaikaisesti
- Lähetä ajoitetut sähköpostit ennalta määritettyyn sähköpostiosoitteiden luetteloon
- Lähetä vastaanottajille räätälöity sähköpostiviesti, joka on räätälöity heidän ikänsä, sukupuolensa ja sijaintinsa mukaan.
Natassha Selvaraj on itseoppinut datatieteilijä, jolla on intohimo kirjoittamiseen. Voit olla yhteydessä häneen LinkedIn.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: 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
- $ YLÖS
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- Meistä
- edellä
- pääsy
- suorittaa
- Tili
- tarkka
- Saavuttaa
- poikki
- todella
- osoitteet
- Jälkeen
- algoritmi
- Kaikki
- Salliminen
- mahdollistaa
- jo
- Vaikka
- määrä
- analyysi
- analysoida
- analysointi
- ja
- eläimet
- vastauksia
- api
- sovelluksen
- näyttää
- sovellukset
- OVAT
- artikkeli
- AS
- oletettu
- olettamus
- At
- Authentication
- automatisoida
- Automatisoitu
- saatavissa
- keskimäärin
- takaisin
- taustaosa
- baari
- baarit
- perustua
- BE
- koska
- tulevat
- ennen
- takana
- Hyödyt
- Paremmin
- välillä
- BMI
- elin
- Tylsä
- Erittely
- rakentaa
- rakennettu
- liiketoiminta
- by
- nimeltään
- CAN
- peruttu
- ei voi
- Aiheuttaa
- muuttaa
- muuttuviin
- Kaavio
- chatbot
- ChatGPT
- selvästi
- napsauttaa
- koodi
- KOM
- tuleva
- Yhteinen
- yritys
- Yrityksen
- täydellinen
- monimutkainen
- huolenaiheet
- itsevarmasti
- kytkeä
- liitäntä
- lujittaa
- pitoisuus
- sisältö
- vahvistaa
- voisi
- luoda
- luotu
- Luominen
- Valtakirja
- utelias
- Nykyinen
- Tällä hetkellä
- räätälöidä
- räätälöityjä
- päivittäin
- tiedot
- tietojen analysointi
- tietojenkäsittely
- tietojen tutkija
- datan visualisointi
- aineistot
- päivä
- oletusarvo
- riippuvainen
- kuvaus
- yksityiskohdat
- kehittää
- Diabetes
- DID
- ero
- eri
- asiakirja
- dokumentointi
- asiakirjat
- ei
- tekee
- Dont
- download
- ajaa
- aikana
- kukin
- Aikaisemmin
- helpompaa
- Tehokas
- Munat
- myöskään
- elefantti
- sähköpostit
- mahdollistaa
- käytössä
- salaus
- enter
- virhe
- virheet
- erityisesti
- Eetteri (ETH)
- Tapahtumat
- Joka
- kaikki
- täsmälleen
- kunnostautua
- suorittaa
- olemassa
- kokeilu
- selitti
- Tutkimusaineistoanalyysi
- tutkia
- laaja
- uute
- Ominaisuus
- maksu
- harvat
- Kuva
- filee
- Asiakirjat
- täyttää
- Löytää
- Etunimi
- Korjata
- kiinteä
- Keskittää
- seurata
- jälkeen
- varten
- Entinen
- Ilmainen
- usein
- alkaen
- toiminnallinen
- edelleen
- Sukupuoli
- tuottaa
- syntyy
- synnyttää
- tuottaa
- saada
- Antaa
- antaa
- gmail
- Go
- menee
- Kasvu
- ohjaus
- ohjaavat
- käsi
- Olla
- pää
- auttaa
- auttaa
- tätä
- kätketty
- korkeampi
- erittäin
- Vaakasuora
- TUNTIA
- Miten
- Miten
- Kuitenkin
- HTTPS
- valtava
- Sadat
- i
- ideoita
- heti
- Vaikutus
- tuoda
- tärkeä
- parannus
- in
- mukana
- Kasvaa
- uskomattoman
- itsenäinen
- teollisuuden
- teollisuus
- tiedot
- sen sijaan
- kiinnostunut
- liitäntä
- esittely
- kysymys
- IT
- SEN
- Job
- yhdistää
- KDnuggets
- Tietää
- tarrat
- Maa
- Kieli
- suuri
- suurin
- uusin
- käynnistää
- käynnistettiin
- oppiminen
- Lets
- tasot
- Kirjasto
- pitää
- Todennäköisesti
- linja
- linjat
- Lista
- kuormitus
- sijainti
- Katsoin
- näköinen
- ulkonäkö
- Erä
- kone
- koneoppiminen
- tehty
- tehdä
- käsin
- monet
- maaliskuu
- matematiikka
- matplotlib
- mainitsee
- mennä
- viesti
- ehkä
- tila
- malli
- mallit
- muokattu
- muokata
- hetki
- kuukausittain
- kuukausitilaus
- lisää
- eniten
- liikkua
- moninkertainen
- nimi
- Navigoida
- Tarve
- Uusi
- uusi sovellus
- Uusimmat
- uutiset
- pahamaineinen
- marraskuu
- numero
- objekti
- of
- Okei
- on
- ONE
- avata
- OpenAI
- optimaalinen
- Vaihtoehto
- Muut
- Tulos
- päihittää
- ulostulo
- sivulla
- maksettu
- pandas
- intohimo
- Salasana
- salasanat
- Maksaa
- Ihmiset
- suorittaa
- esittävä
- henkilö
- Paikka
- Platon
- Platonin tietotieto
- PlatonData
- plus
- mahdollinen
- voimakas
- edeltäjä
- ennustaa
- aika
- estää
- aiemmin
- Painaa
- todennäköisesti
- Ongelma
- ongelmia
- Ohjelmat
- Edistyminen
- toimittaa
- mikäli
- julkinen
- julkisesti
- Python
- kysymykset
- nopea
- nopeasti
- Lue
- lukija
- Lukeminen
- syistä
- vastaanottaa
- vastaanottajat
- heijastunut
- julkaistu
- merkityksellinen
- jäljellä oleva
- raportti
- Raportit
- tarvitaan
- Vaatii
- Tutkijat
- vastaamisen
- vastaus
- johtua
- tulokset
- ajaa
- juoksu
- sama
- Säästä
- Säästöt
- sanoo
- Asteikko
- suunniteltu
- tiede
- Tiedemies
- Näytön
- merestä syntynyt
- haku
- Osa
- turvallinen
- turvallisuus
- lähettäminen
- näkemys
- setti
- shouldnt
- näyttää
- merkittävä
- samankaltainen
- Yksinkertainen
- yksinkertaisesti
- koska
- single
- Koko
- pienempiä
- So
- ratkaisu
- SOLVE
- Solving
- jonkin verran
- Lähteet
- erityinen
- määritelty
- viettää
- käytetty
- seisoo
- Alkaa
- pysyä
- Vaihe
- Yhä
- stop
- aihe
- tilaus
- Onnistuneesti
- Ehdottaa
- sopiva
- yllättynyt
- syntaksi
- Räätälöity
- ottaa
- ottaen
- Kohde
- Tehtävä
- tehtävät
- tekniikat
- kertoo
- sapluuna
- että
- -
- heidän
- Niitä
- Siellä.
- Nämä
- asia
- Kautta
- aika
- aikaavievä
- Otsikko
- nimeltään
- TLS
- että
- työkalu
- ylin
- Yhteensä
- koulutettu
- Trendit
- Kääntyminen
- oppitunti
- viserrys
- taustalla oleva
- ymmärtää
- Unicode
- parantaa
- us
- käyttää
- käyttäjä
- Käyttäjät
- yleensä
- arvo
- versio
- näkyvä
- Vierailla
- visualisointi
- W
- halusi
- Verkkosivu
- Mitä
- onko
- joka
- KUKA
- wikipedia
- tulee
- with
- sisällä
- sana
- sanoja
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- olisi
- kirjoittaa
- kirjoittaminen
- kirjallinen
- Sinun
- zephyrnet