Obraz autorstwa redaktora
14 marca 2023 r. firma OpenAI uruchomiła GPT-4, najnowszą i najpotężniejszą wersję swojego modelu językowego.
W ciągu zaledwie kilku godzin od wystrzelenia GPT-4 oszołomił ludzi, obracając się odręcznego szkicu w funkcjonalną stronę internetową, zdanie egzaminu adwokackiego, generowanie dokładnych streszczeń artykułów Wikipedii.
Przewyższa również swojego poprzednika, GPT-3.5, w rozwiązywaniu problemów matematycznych i odpowiadaniu na pytania oparte na logice i rozumowaniu.
ChatGPT, chatbot zbudowany na GPT-3.5 i udostępniony publicznie, był znany z „halucynacji”. Generowałby odpowiedzi pozornie poprawne i broniłby swoich odpowiedzi „faktami”, chociaż były one obarczone błędami.
Jeden z użytkowników zabrał się na Twittera po tym, jak model nalegał, że jaja słonia są największymi ze wszystkich zwierząt lądowych:
Obraz z Fiora Aeterna
I na tym się nie skończyło. Algorytm potwierdził swoją odpowiedź zmyślonymi faktami, które prawie mnie przekonały na chwilę.
Z drugiej strony, GPT-4 był szkolony, by rzadziej „mieć halucynacje”. Najnowszy model OpenAI jest trudniejszy do oszukania i nie tak często generuje fałszywe informacje.
Jako naukowiec zajmujący się danymi moja praca wymaga ode mnie znajdowania odpowiednich źródeł danych, wstępnego przetwarzania dużych zbiorów danych i tworzenia bardzo dokładnych modeli uczenia maszynowego, które zwiększają wartość biznesową.
Spędzam ogromną część dnia na wydobywaniu danych z różnych formatów plików i konsolidowaniu ich w jednym miejscu.
Po pierwszym uruchomieniu ChatGPT w listopadzie 2022 r. zwróciłem się do chatbota o wskazówki dotyczące mojej codziennej pracy. Wykorzystałem to narzędzie, aby zaoszczędzić czas poświęcany na pracę fizyczną – dzięki czemu mogłem skupić się na wymyślaniu nowych pomysłów i tworzeniu lepszych modeli.
Po wypuszczeniu GPT-4 byłem ciekawy, czy wpłynie to na moją pracę. Czy były jakieś znaczące korzyści z używania GPT-4 w porównaniu z jego poprzednikami? Czy pomogłoby mi to zaoszczędzić więcej czasu niż w przypadku GPT-3.5?
W tym artykule pokażę, jak używam ChatGPT do automatyzacji przepływów pracy w analizie danych.
Stworzę te same monity i wprowadzę je zarówno do GPT-4, jak i GPT-3.5, aby sprawdzić, czy ten pierwszy rzeczywiście działa lepiej i przynosi więcej oszczędności czasu.
Jeśli chcesz śledzić wszystko, co robię w tym artykule, musisz mieć dostęp do GPT-4 i GPT-3.5.
GPT-3.5
GPT-3.5 jest publicznie dostępny na stronie internetowej OpenAI. Po prostu przejdź do https://chat.openai.com/auth/login, uzupełnij wymagane dane, a uzyskasz dostęp do modelu językowego:
Obraz z ChatGPT
GPT-4
Z drugiej strony GPT-4 jest obecnie ukryty za zaporą płatną. Aby uzyskać dostęp do modelu, musisz uaktualnić do ChatGPTPlus, klikając „Uaktualnij do Plus”.
Istnieje miesięczna opłata abonamentowa w wysokości 20 USD miesięcznie, którą można anulować w dowolnym momencie:
Obraz z ChatGPT
Jeśli nie chcesz płacić miesięcznej opłaty abonamentowej, możesz również dołączyć do Lista oczekujących API dla GPT-4. Po uzyskaniu dostępu do interfejsu API możesz śledzić to przewodnik, jak używać go w Pythonie.
Nie ma problemu, jeśli obecnie nie masz dostępu do GPT-4.
Nadal możesz śledzić ten samouczek z darmową wersją ChatGPT, która używa GPT-3.5 w zapleczu.
1. Wizualizacja danych
Podczas przeprowadzania eksploracyjnej analizy danych wygenerowanie szybkiej wizualizacji w Pythonie często pomaga mi lepiej zrozumieć zbiór danych.
Niestety, to zadanie może stać się niezwykle czasochłonne - zwłaszcza jeśli nie znasz właściwej składni, której należy użyć, aby uzyskać pożądany rezultat.
Często przeszukuję obszerną dokumentację Seaborn i używam StackOverflow do generowania pojedynczego wykresu w Pythonie.
Zobaczmy, czy ChatGPT może pomóc rozwiązać ten problem.
Będziemy używać Cukrzyca Indian Pima zestaw danych w tej sekcji. Możesz pobrać zestaw danych, jeśli chcesz śledzić wyniki generowane przez ChatGPT.
Po pobraniu zestawu danych załadujmy go do Pythona za pomocą biblioteki Pandas i wydrukujmy nagłówek ramki danych:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
W tym zbiorze danych jest dziewięć zmiennych. Jedna z nich, „Wynik”, jest zmienną docelową, która mówi nam, czy dana osoba zachoruje na cukrzycę. Pozostałe to zmienne niezależne służące do przewidywania wyniku.
Dobra! Chcę więc zobaczyć, które z tych zmiennych mają wpływ na to, czy dana osoba zachoruje na cukrzycę.
Aby to osiągnąć, możemy utworzyć zgrupowany wykres słupkowy, aby zwizualizować zmienną „Cukrzyca” dla wszystkich zmiennych zależnych w zbiorze danych.
W rzeczywistości jest to dość łatwe do zakodowania, ale zacznijmy od prostego. W miarę postępów w artykule przejdziemy do bardziej skomplikowanych monitów.
Wizualizacja danych za pomocą GPT-3.5
Ponieważ mam płatną subskrypcję ChatGPT, narzędzie pozwala mi wybrać podstawowy model, z którego chciałbym korzystać za każdym razem, gdy uzyskuję do niego dostęp.
Mam zamiar wybrać GPT-3.5:
Obraz z ChatGPT Plus
Jeśli nie masz subskrypcji, możesz skorzystać z bezpłatnej wersji ChatGPT, ponieważ chatbot domyślnie używa GPT-3.5.
Teraz wpiszmy następujący monit, aby wygenerować wizualizację przy użyciu zestawu danych dotyczących cukrzycy:
Mam zbiór danych zawierający 8 zmiennych niezależnych i 1 zmienną zależną. Zmienna zależna „Wynik” mówi nam, czy u danej osoby rozwinie się cukrzyca.
Do przewidywania tego wyniku wykorzystuje się zmienne niezależne „Ciąże”, „Glukoza”, „Ciśnienie krwi”, „Grubość skóry”, „Insulina”, „BMI”, „DiabetesPedigreeFunction” i „Wiek”.
Czy możesz wygenerować kod w Pythonie, aby zwizualizować wszystkie te niezależne zmienne według wyniku? Wynikiem powinien być jeden skupiony wykres słupkowy pokolorowany przez zmienną „Wynik”. Łącznie powinno być 16 słupków, po 2 dla każdej zmiennej niezależnej.
Oto odpowiedź modelki na powyższy monit:
Jedną rzeczą, która od razu rzuca się w oczy, jest to, że model zakładał, że chcemy zaimportować zestaw danych z Seaborn. Prawdopodobnie przyjął to założenie, ponieważ poprosiliśmy go o użycie biblioteki Seaborn.
To nie jest duży problem, wystarczy zmienić jedną linię przed uruchomieniem kodów.
Oto pełny fragment kodu wygenerowany przez GPT-3.5:
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()
Możesz skopiować i wkleić to do swojego Pythona IDE.
Oto wynik wygenerowany po uruchomieniu powyższego kodu:
Ten wykres wygląda idealnie! Dokładnie tak to sobie wyobrażałem, wpisując monit w ChatGPT.
Jedną z kwestii, która się wyróżnia, jest jednak to, że tekst na tym wykresie nakłada się. Zamierzam zapytać model, czy może nam pomóc to naprawić, wpisując następujący monit:
Algorytm wyjaśnił, że możemy zapobiec temu nakładaniu się, obracając etykiety wykresów lub dostosowując rozmiar figur. Wygenerował również nowy kod, który pomoże nam to osiągnąć.
Uruchommy ten kod, aby sprawdzić, czy daje nam pożądane wyniki:
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()
Powyższe linie kodu powinny wygenerować następujące dane wyjściowe:
To wygląda świetnie!
Teraz o wiele lepiej rozumiem zestaw danych, po prostu patrząc na ten wykres. Wydaje się, że osoby z wyższym poziomem glukozy i insuliny są bardziej narażone na rozwój cukrzycy.
Zauważ również, że zmienna „DiabetesPedigreeFunction” nie dostarcza nam żadnych informacji na tym wykresie. Wynika to z faktu, że funkcja ma mniejszą skalę (między 0 a 2.4). Jeśli chcesz dalej eksperymentować z ChatGPT, możesz poprosić go o wygenerowanie wielu wątków pobocznych na jednym wykresie, aby rozwiązać ten problem.
Wizualizacja danych za pomocą GPT-4
Teraz wprowadźmy te same podpowiedzi do GPT-4, aby zobaczyć, czy otrzymamy inną odpowiedź. Zamierzam wybrać model GPT-4 w ChatGPT i wpisać ten sam monit, co poprzednio:
Zauważ, że GPT-4 nie zakłada, że będziemy używać ramki danych wbudowanej w Seaborn.
Mówi nam, że użyje ramki danych o nazwie „df” do zbudowania wizualizacji, co jest ulepszeniem w stosunku do odpowiedzi generowanej przez GPT-3.5.
Oto pełny kod wygenerowany przez ten algorytm:
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()
Powyższy kod powinien wygenerować następujący wykres:
To jest doskonałe!
Mimo że o to nie prosiliśmy, GPT-4 zawiera linię kodu zwiększającą rozmiar wykresu. Etykiety na tym wykresie są wyraźnie widoczne, więc nie musimy cofać się i poprawiać kodu, jak to robiliśmy wcześniej.
Jest to krok powyżej odpowiedzi generowanej przez GPT-3.5.
Ogólnie jednak wydaje się, że zarówno GPT-3.5, jak i GPT-4 są skuteczne w generowaniu kodu do wykonywania zadań, takich jak wizualizacja i analiza danych.
Ważne jest, aby pamiętać, że ponieważ nie możesz przesyłać danych do interfejsu ChatGPT, powinieneś podać modelowi dokładny opis swojego zbioru danych, aby uzyskać optymalne wyniki.
2. Praca z dokumentami PDF
Chociaż nie jest to częsty przypadek użycia analityki danych, musiałem wyodrębnić dane tekstowe z setek plików PDF, aby zbudować model analizy nastrojów. Dane były nieustrukturyzowane i spędziłem dużo czasu na ich wyodrębnianiu i wstępnym przetwarzaniu.
Często współpracuję też z badaczami, którzy czytają i tworzą treści na temat bieżących wydarzeń mających miejsce w konkretnych branżach. Muszą być na bieżąco z wiadomościami, analizować raporty firmowe i czytać o potencjalnych trendach w branży.
Czy zamiast czytać 100 stron raportu firmy, nie jest łatwiej po prostu wyodrębnić interesujące nas słowa i przeczytać tylko te zdania, które zawierają te słowa kluczowe?
A jeśli interesują Cię trendy, możesz utworzyć zautomatyzowany przepływ pracy, który pokazuje wzrost liczby słów kluczowych w czasie, zamiast ręcznie przeglądać każdy raport.
W tej sekcji będziemy używać ChatGPT do analizowania plików PDF w Pythonie. Poprosimy chatbota o wyodrębnienie zawartości pliku PDF i zapisanie jej do pliku tekstowego.
Ponownie zostanie to wykonane przy użyciu zarówno GPT-3.5, jak i GPT-4, aby sprawdzić, czy istnieje znacząca różnica w wygenerowanym kodzie.
Odczytywanie plików PDF za pomocą GPT-3.5
W tej sekcji przeanalizujemy publicznie dostępny dokument PDF pt Krótkie wprowadzenie do uczenia maszynowego dla inżynierów. Pamiętaj, aby pobrać ten plik, jeśli chcesz kodować w tej sekcji.
Najpierw poprośmy algorytm o wygenerowanie kodu Pythona w celu wyodrębnienia danych z tego dokumentu PDF i zapisania go w pliku tekstowym:
Oto pełny kod dostarczony przez algorytm:
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)
(Uwaga: pamiętaj, aby zmienić nazwę pliku PDF na tę, którą zapisałeś przed uruchomieniem tego kodu).
Niestety po uruchomieniu kodu wygenerowanego przez GPT-3.5 napotkałem następujący błąd Unicode:
Wróćmy do GPT-3.5 i zobaczmy, czy model może to naprawić:
Wkleiłem błąd do ChatGPT, a model odpowiedział, że można go naprawić, zmieniając używane kodowanie na „utf-8”. Dało mi to również zmodyfikowany kod odzwierciedlający tę zmianę:
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)
Ten kod został pomyślnie wykonany i utworzył plik tekstowy o nazwie „plik_wyjściowy.txt”. Cała zawartość dokumentu PDF została zapisana do pliku:
Odczytywanie plików PDF za pomocą GPT-4
Teraz wkleję ten sam monit do GPT-4, aby zobaczyć, co wymyśli model:
Oto pełny kod wygenerowany przez GPT-4:
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)
Spójrz na to!
W przeciwieństwie do GPT-3.5, GPT-4 już określił, że do otwarcia pliku tekstowego należy użyć kodowania „utf-8”. Nie musimy cofać się i poprawiać kodu, tak jak robiliśmy to wcześniej.
Kod dostarczony przez GPT-4 powinien działać pomyślnie, a zawartość dokumentu PDF powinna być widoczna w utworzonym pliku tekstowym.
Istnieje wiele innych technik, których można użyć do automatyzacji dokumentów PDF za pomocą Pythona. Jeśli chcesz dokładniej to zbadać, oto kilka innych podpowiedzi, które możesz wpisać w ChatGPT:
- Czy potrafisz napisać kod w Pythonie, aby scalić dwa pliki PDF?
- Jak mogę policzyć wystąpienia określonego słowa lub frazy w dokumencie PDF za pomocą Pythona?
- Czy potrafisz napisać kod w Pythonie, aby wyodrębnić tabele z plików PDF i napisać je w Excelu?
Sugeruję wypróbowanie niektórych z nich w wolnym czasie – byłbyś zaskoczony, jak szybko GPT-4 może pomóc w wykonaniu prostych zadań, których wykonanie zwykle zajmuje wiele godzin.
3. Wysyłanie automatycznych wiadomości e-mail
Spędzam godziny mojego tygodnia pracy na czytaniu i odpowiadaniu na e-maile. Jest to nie tylko czasochłonne, ale także może być niezwykle stresujące, aby być na bieżąco z e-mailami, gdy gonisz za napiętymi terminami.
I chociaż nie możesz zmusić ChatGPT do pisania wszystkich e-maili za Ciebie (chciałbym), nadal możesz go używać do pisania programów, które wysyłają zaplanowane e-maile w określonym czasie lub modyfikują pojedynczy szablon e-maila, który można wysłać do wielu osób .
W tej sekcji otrzymamy GPT-3.5 i GPT-4, aby pomóc nam napisać skrypt Pythona do wysyłania automatycznych wiadomości e-mail.
Wysyłanie automatycznych wiadomości e-mail za pomocą GPT-3.5
Najpierw wpiszmy następujący monit, aby wygenerować kody do wysłania automatycznej wiadomości e-mail:
Oto pełny kod wygenerowany przez GPT-3.5 (Pamiętaj, aby zmienić adresy e-mail i hasło przed uruchomieniem tego kodu):
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)
Niestety ten kod nie został pomyślnie wykonany dla mnie. Wygenerował następujący błąd:
Wklejmy ten błąd do ChatGPT i zobaczmy, czy model pomoże nam go rozwiązać:
Dobra, więc algorytm wskazał kilka powodów, dla których możemy napotkać ten błąd.
Wiem na pewno, że moje dane logowania i adresy e-mail były prawidłowe i że w kodzie nie było literówek. Więc te przyczyny można wykluczyć.
GPT-3.5 sugeruje również, że dopuszczenie mniej bezpiecznych aplikacji może rozwiązać ten problem.
Jeśli jednak spróbujesz tego, nie znajdziesz na swoim koncie Google opcji umożliwiającej dostęp do mniej bezpiecznych aplikacji.
To dlatego, że Google nie pozwala użytkownikom zezwalać na mniej bezpieczne aplikacje ze względów bezpieczeństwa.
Na koniec GPT-3.5 wspomina również, że hasło do aplikacji powinno zostać wygenerowane, jeśli włączono uwierzytelnianie dwuskładnikowe.
Nie mam włączonej autoryzacji dwuskładnikowej, więc zamierzam (tymczasowo) zrezygnować z tego modelu i zobaczyć, czy GPT-4 ma rozwiązanie.
Wysyłanie automatycznych wiadomości e-mail za pomocą GPT-4
Ok, więc jeśli wpiszesz ten sam monit w GPT-4, przekonasz się, że algorytm generuje kod bardzo podobny do tego, który dał nam GPT-3.5. Spowoduje to ten sam błąd, który napotkaliśmy wcześniej.
Zobaczmy, czy GPT-4 może pomóc nam naprawić ten błąd:
Sugestie GPT-4 są bardzo podobne do tych, które widzieliśmy wcześniej.
Jednak tym razem przedstawia nam krok po kroku, jak wykonać każdy krok.
GPT-4 sugeruje również utworzenie hasła do aplikacji, więc spróbujmy.
Najpierw odwiedź swoje konto Google, przejdź do „Bezpieczeństwo” i włącz uwierzytelnianie dwuskładnikowe. Następnie w tej samej sekcji powinieneś zobaczyć opcję „Hasła do aplikacji”.
Kliknij na niego, a pojawi się następujący ekran:
Możesz wpisać dowolną nazwę i kliknąć „Generuj”.
Pojawi się nowe hasło do aplikacji.
Zastąp istniejące hasło w kodzie Pythona tym hasłem aplikacji i ponownie uruchom kod:
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)
Tym razem powinno się udać, a odbiorca otrzyma wiadomość e-mail wyglądającą tak:
Perfect!
Dzięki ChatGPT pomyślnie wysłaliśmy automatyczną wiadomość e-mail z Pythonem.
Jeśli chcesz pójść o krok dalej, sugeruję generowanie monitów, które pozwolą Ci:
- Wysyłaj masowe wiadomości e-mail do wielu odbiorców jednocześnie
- Wysyłaj zaplanowane wiadomości e-mail na wstępnie zdefiniowaną listę adresów e-mail
- Wysyłaj odbiorcom niestandardowy e-mail dostosowany do ich wieku, płci i lokalizacji.
Natasza Selwaradżi jest samoukiem zajmującym się danymi z pasją do pisania. Możesz połączyć się z nią na LinkedIn.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: 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
- :Jest
- $W GÓRĘ
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- O nas
- powyżej
- dostęp
- wykonać
- Konto
- dokładny
- Osiągać
- w poprzek
- faktycznie
- Adresy
- Po
- algorytm
- Wszystkie kategorie
- Pozwalać
- pozwala
- już
- Chociaż
- ilość
- analiza
- w czasie rzeczywistym sprawiają,
- Analizując
- i
- zwierzęta
- odpowiedzi
- api
- Aplikacja
- zjawić się
- mobilne i webowe
- SĄ
- artykuł
- AS
- przypuszczalny
- założenie
- At
- Uwierzytelnianie
- zautomatyzować
- zautomatyzowane
- dostępny
- średni
- z powrotem
- Backend
- bar
- paski
- na podstawie
- BE
- bo
- stają się
- zanim
- za
- Korzyści
- Ulepsz Swój
- pomiędzy
- bmi
- ciało
- Nudny
- awaria
- budować
- wybudowany
- biznes
- by
- nazywa
- CAN
- anulowany
- nie może
- Spowodować
- zmiana
- wymiana pieniędzy
- Wykres
- chatbot
- ChatGPT
- wyraźnie
- kliknij
- kod
- COM
- przyjście
- wspólny
- sukcesy firma
- Firma
- kompletny
- skomplikowane
- Obawy
- ufnie
- Skontaktuj się
- połączenie
- konsolidacja
- zawartość
- treść
- potwierdzać
- mógłby
- Stwórz
- stworzony
- Tworzenie
- Listy uwierzytelniające
- ciekawy
- Aktualny
- Obecnie
- dostosować
- dostosowane
- codziennie
- dane
- analiza danych
- nauka danych
- naukowiec danych
- Wizualizacja danych
- zbiory danych
- dzień
- Domyślnie
- zależny
- opis
- detale
- rozwijać
- Cukrzyca
- ZROBIŁ
- różnica
- różne
- dokument
- dokumentacja
- dokumenty
- Nie
- robi
- nie
- pobieranie
- napęd
- podczas
- każdy
- Wcześniej
- łatwiej
- Efektywne
- Jajka
- bądź
- słoń
- e-maile
- umożliwiać
- włączony
- szyfrowanie
- Wchodzę
- błąd
- Błędy
- szczególnie
- Eter (ETH)
- wydarzenia
- Każdy
- wszystko
- dokładnie
- przewyższać
- wykonać
- Przede wszystkim system został opracowany
- eksperyment
- wyjaśnione
- Analiza danych rozpoznawczych
- odkryj
- rozległy
- wyciąg
- Cecha
- opłata
- kilka
- Postać
- filet
- Akta
- wypełniać
- Znajdź
- i terminów, a
- Fix
- ustalony
- Skupiać
- obserwuj
- następujący
- W razie zamówieenia projektu
- Dawny
- Darmowy
- często
- od
- funkcjonalny
- dalej
- Płeć
- Generować
- wygenerowane
- generuje
- generujący
- otrzymać
- Dać
- daje
- gmail
- Go
- będzie
- Wzrost
- poradnictwo
- poprowadzi
- ręka
- Have
- głowa
- pomoc
- pomaga
- tutaj
- Ukryty
- wyższy
- wysoko
- Poziomy
- GODZINY
- W jaki sposób
- How To
- Jednak
- HTTPS
- olbrzymi
- Setki
- i
- pomysły
- natychmiast
- Rezultat
- importować
- ważny
- poprawa
- in
- włączony
- Zwiększać
- niewiarygodnie
- niezależny
- przemysłowa
- przemysł
- Informacja
- zamiast
- zainteresowany
- Interfejs
- Wprowadzenie
- problem
- IT
- JEGO
- Praca
- przystąpić
- Knuggety
- Wiedzieć
- Etykiety
- Kraj
- język
- duży
- największym
- firmy
- uruchomić
- uruchomiona
- nauka
- pozwala
- poziomy
- Biblioteka
- lubić
- Prawdopodobnie
- Linia
- linie
- Lista
- załadować
- lokalizacja
- wyglądał
- poszukuje
- WYGLĄD
- Partia
- maszyna
- uczenie maszynowe
- zrobiony
- robić
- ręcznie
- wiele
- March
- matematyka
- matplotlib
- wspomina
- Łączyć
- wiadomość
- może
- Moda
- model
- modele
- zmodyfikowano
- modyfikować
- moment
- miesięcznie
- miesięczna subskrypcja
- jeszcze
- większość
- ruch
- wielokrotność
- Nazwa
- Nawigacja
- Potrzebować
- Nowości
- nowa aplikacja
- Najnowszy
- aktualności
- notoryczny
- listopad
- numer
- przedmiot
- of
- W porządku
- on
- ONE
- koncepcja
- OpenAI
- optymalny
- Option
- Inne
- Wynik
- Przewyższa
- wydajność
- strona
- płatny
- pandy
- pasja
- Hasło
- hasła
- Zapłacić
- Ludzie
- wykonać
- wykonywania
- osoba
- Miejsce
- plato
- Analiza danych Platona
- PlatoDane
- plus
- potencjał
- mocny
- poprzednik
- przewidzieć
- bardzo
- zapobiec
- poprzednio
- prawdopodobnie
- Problem
- problemy
- Programy
- Postęp
- zapewniać
- pod warunkiem,
- publiczny
- publicznie
- Python
- pytania
- Szybki
- szybko
- Czytaj
- Czytelnik
- Czytający
- Przyczyny
- otrzymać
- odbiorców
- odzwierciedlenie
- wydany
- pozostały
- raport
- Raporty
- wymagany
- Wymaga
- Badacze
- odpowiadanie
- odpowiedź
- dalsze
- Efekt
- run
- bieganie
- taki sam
- Zapisz
- Oszczędności
- mówią
- Skala
- zaplanowane
- nauka
- Naukowiec
- Ekran
- poroże morskie
- poszukiwania
- Sekcja
- bezpieczne
- bezpieczeństwo
- wysyłanie
- sentyment
- zestaw
- powinien
- pokazać
- znaczący
- podobny
- Prosty
- po prostu
- ponieważ
- pojedynczy
- Rozmiar
- mniejszy
- So
- rozwiązanie
- ROZWIĄZANIA
- Rozwiązywanie
- kilka
- Źródła
- specyficzny
- określony
- wydać
- spędził
- stojaki
- początek
- pobyt
- Ewolucja krok po kroku
- Nadal
- Stop
- przedmiot
- subskrypcja
- Z powodzeniem
- Wskazuje
- odpowiedni
- zdziwiony
- składnia
- dostosowane
- Brać
- biorąc
- cel
- Zadanie
- zadania
- Techniki
- mówi
- szablon
- że
- Połączenia
- ich
- Im
- Tam.
- Te
- rzecz
- Przez
- czas
- czasochłonne
- Tytuł
- pod tytulem
- TLS
- do
- narzędzie
- Top
- Kwota produktów:
- przeszkolony
- Trendy
- Obrócenie
- Tutorial
- i twitterze
- zasadniczy
- zrozumieć
- unicode
- uaktualnienie
- us
- posługiwać się
- Użytkownik
- Użytkownicy
- zazwyczaj
- wartość
- wersja
- widoczny
- Odwiedzić
- wyobrażanie sobie
- W
- poszukiwany
- Strona internetowa
- Co
- czy
- który
- KIM
- Wikipedia
- będzie
- w
- w ciągu
- słowo
- słowa
- Praca
- workflow
- przepływów pracy
- pracujący
- by
- napisać
- pisanie
- napisany
- Twój
- zefirnet