Изображение от редактора
14 марта 2023 года OpenAI запустила GPT-4, новейшую и самую мощную версию своей языковой модели.
Всего через несколько часов после запуска GPT-4 ошеломил людей, превратив нарисованный от руки эскиз в функциональный веб-сайт, сдача экзамена на адвокатакачества создание точных резюме статей Википедии.
Он также превосходит своего предшественника, GPT-3.5, в решении математических задач и ответах на вопросы, основанные на логике и рассуждениях.
ChatGPT, чат-бот, созданный на основе GPT-3.5 и выпущенный для широкой публики, был известен своими «галлюцинациями». Он генерировал ответы, которые казались правильными, и защищал свои ответы «фактами», хотя они были полны ошибок.
Один пользователь обратился в Twitter после того, как модель настояла на том, что слоновьи яйца были самыми большими из всех наземных животных:
Изображение из ФиораАетерна
И это не остановилось на достигнутом. Алгоритм продолжал подтверждать свой ответ выдуманными фактами, которые на мгновение почти убедили меня.
GPT-4, с другой стороны, был обучен реже «галлюцинировать». Последнюю модель OpenAI сложнее обмануть, и она не так часто уверенно генерирует ложные сведения.
Моя работа как специалиста по данным требует от меня поиска релевантных источников данных, предварительной обработки больших наборов данных и создания высокоточных моделей машинного обучения, которые повышают ценность бизнеса.
Я провожу огромную часть своего дня, извлекая данные из файлов разных форматов и объединяя их в одном месте.
После того, как ChatGPT был впервые запущен в ноябре 2022 года, я обратился к чат-боту за советом в своих повседневных рабочих процессах. Я использовал этот инструмент, чтобы сэкономить время, затрачиваемое на черную работу, и вместо этого сосредоточиться на поиске новых идей и создании лучших моделей.
Когда GPT-4 был выпущен, мне стало любопытно, изменит ли это мою работу. Были ли какие-либо существенные преимущества использования GPT-4 по сравнению с его предшественниками? Поможет ли это мне сэкономить больше времени, чем с GPT-3.5?
В этой статье я покажу вам, как я использую ChatGPT для автоматизации рабочих процессов обработки данных.
Я создам одинаковые подсказки и отправлю их как в GPT-4, так и в GPT-3.5, чтобы увидеть, действительно ли первый работает лучше и приводит к большей экономии времени.
Если вы хотите следовать всему, что я делаю в этой статье, вам необходим доступ к GPT-4 и GPT-3.5.
GPT-3.5
GPT-3.5 находится в открытом доступе на веб-сайте OpenAI. Просто перейдите к https://chat.openai.com/auth/login, заполните необходимые данные, и вам будет доступна языковая модель:
Изображение из ChatGPT
GPT-4
С другой стороны, GPT-4 в настоящее время скрыт за платным доступом. Чтобы получить доступ к модели, вам необходимо перейти на ChatGPTPlus, нажав «Обновить до Plus».
Существует ежемесячная абонентская плата в размере 20 долларов США в месяц, которую можно отменить в любое время:
Изображение из ChatGPT
Если вы не хотите платить ежемесячную абонентскую плату, вы также можете присоединиться к Список ожидания API для ГПТ-4. Как только вы получите доступ к API, вы сможете следить за этой руководство по его использованию в Python.
Ничего страшного, если у вас сейчас нет доступа к GPT-4.
Вы по-прежнему можете следовать этому руководству с бесплатной версией ChatGPT, которая использует GPT-3.5 в серверной части.
1. Визуализация данных
При выполнении исследовательского анализа данных создание быстрой визуализации в Python часто помогает мне лучше понять набор данных.
К сожалению, эта задача может занять невероятно много времени, особенно если вы не знаете, какой синтаксис использовать для получения желаемого результата.
Я часто просматриваю обширную документацию Seaborn и использую StackOverflow для создания одного графика Python.
Посмотрим, поможет ли ChatGPT решить эту проблему.
Мы будем использовать Диабет индейцев пима набор данных в этом разделе. Вы можете скачать набор данных, если хотите следить за результатами, созданными ChatGPT.
После загрузки набора данных давайте загрузим его в Python с помощью библиотеки Pandas и напечатаем заголовок фрейма данных:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
В этом наборе данных девять переменных. Один из них, «Исход», является целевой переменной, которая сообщает нам, будет ли у человека развиваться диабет. Остальные являются независимыми переменными, используемыми для прогнозирования результата.
Хорошо! Поэтому я хочу посмотреть, какие из этих переменных влияют на то, разовьется ли у человека диабет.
Для этого мы можем создать гистограмму с кластерами, чтобы визуализировать переменную «Диабет» по всем зависимым переменным в наборе данных.
На самом деле это довольно легко закодировать, но давайте начнем с простого. По ходу статьи мы перейдем к более сложным подсказкам.
Визуализация данных с помощью GPT-3.5
Поскольку у меня есть платная подписка на ChatGPT, этот инструмент позволяет мне выбирать базовую модель, которую я хотел бы использовать, каждый раз, когда я обращаюсь к нему.
Я собираюсь выбрать GPT-3.5:
Изображение из ChatGPT Plus
Если у вас нет подписки, вы можете использовать бесплатную версию ChatGPT, так как чат-бот по умолчанию использует GPT-3.5.
Теперь давайте введем следующую подсказку, чтобы создать визуализацию с использованием набора данных о диабете:
У меня есть набор данных с 8 независимыми переменными и 1 зависимой переменной. Зависимая переменная «Исход» сообщает нам, разовьется ли у человека диабет.
Независимые переменные: «Беременность», «Глюкоза», «Кровяное давление», «Толщина кожи», «Инсулин», «ИМТ», «Диабетическая функция родословной» и «Возраст» используются для прогнозирования этого результата.
Можете ли вы сгенерировать код Python для визуализации всех этих независимых переменных по результатам? Выходные данные должны представлять собой одну кластеризованную гистограмму, окрашенную в цвет переменной «Результат». Всего должно быть 16 полосок, по 2 на каждую независимую переменную.
Вот ответ модели на приведенную выше подсказку:
Сразу бросается в глаза то, что модель предполагала, что мы хотим импортировать набор данных из Seaborn. Вероятно, он сделал это предположение, поскольку мы попросили его использовать библиотеку Seaborn.
Это не большая проблема, нам просто нужно изменить одну строку перед запуском кода.
Вот полный фрагмент кода, сгенерированный 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()
Вы можете скопировать и вставить это в свою Python IDE.
Вот результат, полученный после запуска приведенного выше кода:
Эта диаграмма выглядит идеально! Именно так я себе это представлял, вводя приглашение в ChatGPT.
Однако выделяется одна проблема: текст на этой диаграмме перекрывается. Я собираюсь спросить модель, может ли она помочь нам исправить это, введя следующую подсказку:
Алгоритм объяснил, что мы можем предотвратить это перекрытие, либо повернув метки диаграммы, либо отрегулировав размер фигуры. Он также сгенерировал новый код, чтобы помочь нам достичь этого.
Давайте запустим этот код, чтобы увидеть, дает ли он нам желаемые результаты:
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()
Приведенные выше строки кода должны генерировать следующий вывод:
Это выглядит великолепно!
Теперь я намного лучше понимаю набор данных, просто взглянув на эту диаграмму. Похоже, что люди с более высоким уровнем глюкозы и инсулина более склонны к развитию диабета.
Также обратите внимание, что переменная DiabetesPedigreeFunction не дает нам никакой информации на этой диаграмме. Это связано с тем, что функция имеет меньший масштаб (от 0 до 2.4). Если вы хотите поэкспериментировать с ChatGPT, вы можете попросить его создать несколько подграфиков на одной диаграмме, чтобы решить эту проблему.
Визуализация данных с помощью GPT-4
Теперь давайте отправим те же подсказки в GPT-4, чтобы посмотреть, получим ли мы другой ответ. Я собираюсь выбрать модель GPT-4 в ChatGPT и ввести ту же подсказку, что и раньше:
Обратите внимание, что GPT-4 не предполагает, что мы будем использовать фрейм данных, встроенный в Seaborn.
Он сообщает нам, что будет использовать фрейм данных с именем «df» для построения визуализации, что является улучшением по сравнению с ответом, сгенерированным GPT-3.5.
Вот полный код, сгенерированный этим алгоритмом:
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()
Приведенный выше код должен генерировать следующий график:
Это потрясающе!
Несмотря на то, что мы не просили об этом, GPT-4 включает строку кода для увеличения размера графика. Все метки на этой диаграмме хорошо видны, поэтому нам не нужно возвращаться назад и исправлять код, как мы делали ранее.
Это на шаг выше ответа, генерируемого GPT-3.5.
В целом, однако, создается впечатление, что GPT-3.5 и GPT-4 эффективно генерируют код для выполнения таких задач, как визуализация и анализ данных.
Важно отметить, что, поскольку вы не можете загружать данные в интерфейс ChatGPT, вы должны предоставить модели точное описание вашего набора данных для получения оптимальных результатов.
2. Работа с PDF-документами
Хотя это не распространенный вариант использования в науке о данных, мне однажды пришлось извлекать текстовые данные из сотен PDF-файлов, чтобы построить модель анализа тональности. Данные были неструктурированы, и я потратил много времени на их извлечение и предварительную обработку.
Я также часто работаю с исследователями, которые читают и создают контент о текущих событиях, происходящих в конкретных отраслях. Им нужно быть в курсе новостей, анализировать отчеты компаний и читать о потенциальных тенденциях в отрасли.
Вместо того, чтобы читать 100 страниц отчета компании, не проще ли просто извлечь интересующие вас слова и прочитать только те предложения, которые содержат эти ключевые слова?
Или, если вас интересуют тенденции, вы можете создать автоматизированный рабочий процесс, демонстрирующий рост ключевых слов с течением времени, вместо того, чтобы просматривать каждый отчет вручную.
В этом разделе мы будем использовать ChatGPT для анализа файлов PDF в Python. Мы попросим чат-бота извлечь содержимое файла PDF и записать его в текстовый файл.
Опять же, это будет сделано с использованием как GPT-3.5, так и GPT-4, чтобы увидеть, есть ли существенная разница в сгенерированном коде.
Чтение файлов PDF с помощью GPT-3.5
В этом разделе мы будем анализировать общедоступный PDF-документ под названием Краткое введение в машинное обучение для инженеров. Обязательно загрузите этот файл, если вы хотите кодировать в этом разделе.
Во-первых, давайте попросим алгоритм сгенерировать код Python для извлечения данных из этого PDF-документа и сохранения их в текстовый файл:
Вот полный код, предоставленный алгоритмом:
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)
(Примечание: обязательно измените имя файла PDF на то, которое вы сохранили перед запуском этого кода.)
К сожалению, после запуска кода, сгенерированного GPT-3.5, я столкнулся со следующей ошибкой юникода:
Вернемся к GPT-3.5 и посмотрим, сможет ли модель исправить это:
Я вставил ошибку в ChatGPT, и модель ответила, что ее можно исправить, изменив используемую кодировку на «utf-8». Это также дало мне модифицированный код, отражающий это изменение:
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)
Этот код успешно выполнился и создал текстовый файл с именем «output_file.txt». Все содержимое документа PDF было записано в файл:
Чтение файлов PDF с помощью GPT-4
Теперь я собираюсь вставить ту же подсказку в GPT-4, чтобы посмотреть, что предлагает модель:
Вот полный код, сгенерированный 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)
Посмотри на это!
В отличие от GPT-3.5, в GPT-4 уже указано, что для открытия текстового файла следует использовать кодировку «utf-8». Нам не нужно возвращаться и исправлять код, как мы это делали раньше.
Код, предоставленный GPT-4, должен успешно выполниться, и вы должны увидеть содержимое документа PDF в созданном текстовом файле.
Есть много других методов, которые вы можете использовать для автоматизации PDF-документов с помощью Python. Если вы хотите изучить это подробнее, вот несколько других подсказок, которые вы можете ввести в ChatGPT:
- Можете ли вы написать код Python для объединения двух файлов PDF?
- Как я могу подсчитать количество вхождений определенного слова или фразы в PDF-документе с помощью Python?
- Можете ли вы написать код Python для извлечения таблиц из PDF-файлов и записи их в Excel?
Я предлагаю попробовать некоторые из них в свободное время — вы будете удивлены, насколько быстро GPT-4 поможет вам выполнить рутинные задачи, выполнение которых обычно занимает несколько часов.
3. Отправка автоматических писем
Я провожу часы своей рабочей недели, читая электронные письма и отвечая на них. Это не только отнимает много времени, но и может быть невероятно напряженным, чтобы оставаться в курсе электронной почты, когда вы гонитесь за сжатыми сроками.
И хотя вы не можете заставить ChatGPT писать все ваши электронные письма за вас (я бы хотел), вы все равно можете использовать его для написания программ, которые отправляют электронные письма по расписанию в определенное время или модифицируют один шаблон электронной почты, который можно отправить нескольким людям. .
В этом разделе мы получим GPT-3.5 и GPT-4, которые помогут нам написать скрипт Python для автоматической отправки электронных писем.
Отправка автоматических писем с помощью GPT-3.5
Во-первых, давайте введем следующую подсказку, чтобы сгенерировать коды для автоматической отправки электронной почты:
Вот полный код, сгенерированный GPT-3.5 (не забудьте изменить адреса электронной почты и пароль перед запуском этого кода):
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)
К сожалению, этот код не выполнился успешно для меня. Это вызвало следующую ошибку:
Давайте вставим эту ошибку в ChatGPT и посмотрим, поможет ли модель решить ее:
Итак, алгоритм указал на несколько причин, по которым мы можем столкнуться с этой ошибкой.
Я точно знаю, что мои учетные данные и адреса электронной почты были действительными и что в коде не было опечаток. Так что эти причины можно исключить.
GPT-3.5 также предполагает, что разрешение менее безопасных приложений может решить эту проблему.
Однако, если вы попробуете это сделать, вы не найдете в своей учетной записи Google возможность разрешить доступ к менее безопасным приложениям.
Это потому что Гугл больше не позволяет пользователям разрешать менее безопасные приложения из соображений безопасности.
Наконец, в GPT-3.5 также упоминается, что пароль приложения должен быть сгенерирован, если включена двухфакторная аутентификация.
У меня не включена двухфакторная аутентификация, поэтому я собираюсь (временно) отказаться от этой модели и посмотреть, есть ли решение GPT-4.
Отправка автоматических писем с помощью GPT-4
Итак, если вы введете ту же подсказку в GPT-4, вы обнаружите, что алгоритм генерирует код, очень похожий на тот, что дал нам GPT-3.5. Это вызовет ту же ошибку, с которой мы столкнулись ранее.
Давайте посмотрим, поможет ли GPT-4 исправить эту ошибку:
Предложения GPT-4 очень похожи на то, что мы видели ранее.
Однако на этот раз он дает нам пошаговую разбивку того, как выполнить каждый шаг.
GPT-4 также предлагает создать пароль приложения, так что давайте попробуем.
Сначала зайдите в свою учетную запись Google, перейдите в «Безопасность» и включите двухфакторную аутентификацию. Затем в том же разделе вы должны увидеть опцию «Пароли приложений».
Нажмите на нее, и появится следующий экран:
Вы можете ввести любое имя, которое вам нравится, и нажать «Создать».
Появится новый пароль приложения.
Замените существующий пароль в коде Python на этот пароль приложения и снова запустите код:
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)
На этот раз он должен пройти успешно, и ваш получатель получит электронное письмо, которое выглядит следующим образом:
Отлично!
Благодаря ChatGPT мы успешно отправили автоматическое электронное письмо с помощью Python.
Если вы хотите пойти дальше, я предлагаю создать подсказки, которые позволят вам:
- Отправляйте массовые электронные письма нескольким получателям одновременно
- Отправляйте запланированные электронные письма на предопределенный список адресов электронной почты
- Отправляйте получателям индивидуальное электронное письмо с учетом их возраста, пола и местоположения.
Наташа Сельварадж — ученый-самоучка, страстно любящий писать. Вы можете связаться с ней на LinkedIn.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: 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
- :является
- $UP
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- О нас
- выше
- доступ
- выполнять
- Учетная запись
- точный
- Достигать
- через
- на самом деле
- адреса
- После
- алгоритм
- Все
- Позволяющий
- позволяет
- уже
- Несмотря на то, что
- количество
- анализ
- анализировать
- анализ
- и
- животные
- ответы
- API
- приложение
- появиться
- Программы
- МЫ
- гайд
- AS
- предполагается,
- предположение
- At
- Аутентификация
- автоматизировать
- Автоматизированный
- доступен
- в среднем
- назад
- Backend
- бар
- бары
- основанный
- BE
- , так как:
- становиться
- до
- за
- Преимущества
- Лучшая
- между
- индекс массы тела
- тело
- Сверление
- Breakdown
- строить
- построенный
- бизнес
- by
- под названием
- CAN
- отменен
- не могу
- Вызывать
- изменение
- изменения
- График
- Chatbot
- ChatGPT
- явно
- нажмите на
- код
- COM
- приход
- Общий
- Компания
- Компании
- полный
- сложный
- Обеспокоенность
- уверенно
- Свяжитесь
- связи
- консолидации
- содержание
- содержание
- подкреплять
- может
- Создайте
- создали
- Создающий
- Полномочия
- любопытный
- Текущий
- В настоящее время
- настроить
- подгонянный
- ежедневно
- данным
- анализ данных
- наука о данных
- ученый данных
- визуализация данных
- Наборы данных
- день
- По умолчанию
- зависимый
- описание
- подробнее
- развивать
- Диабет
- DID
- разница
- различный
- документ
- документации
- Документация
- не
- дело
- Dont
- скачать
- управлять
- в течение
- каждый
- Ранее
- легче
- Эффективный
- яйца
- или
- слон
- Писем
- включить
- включен
- шифрование
- Enter
- ошибка
- ошибки
- особенно
- Эфир (ETH)
- События
- Каждая
- многое
- точно,
- Excel
- выполнять
- существующий
- эксперимент
- объяснены
- Исследовательский анализ данных
- Больше
- обширный
- извлечение
- Особенность
- Комисии
- несколько
- фигура
- Файл
- Файлы
- заполнять
- Найдите
- First
- фиксированный
- фиксированной
- Фокус
- следовать
- после
- Что касается
- Бывший
- Бесплатно
- часто
- от
- функциональная
- далее
- пол
- порождать
- генерируется
- генерирует
- порождающий
- получить
- Дайте
- дает
- Gmail
- Go
- будет
- Рост
- руководство
- инструкция
- рука
- Есть
- помощь
- помогает
- здесь
- Скрытый
- высший
- очень
- горизонтальный
- ЧАСЫ
- Как
- How To
- Однако
- HTTPS
- огромный
- Сотни
- i
- идеи
- немедленно
- Влияние
- Импортировать
- важную
- улучшение
- in
- включены
- Увеличение
- невероятно
- независимые
- промышленности
- промышленность
- информация
- вместо
- заинтересованный
- Интерфейс
- Введение
- вопрос
- IT
- ЕГО
- работа
- присоединиться
- КДнаггетс
- Знать
- Этикетки
- Земля
- язык
- большой
- крупнейших
- последний
- запуск
- запустили
- изучение
- Lets
- уровни
- Библиотека
- такое как
- Вероятно
- линия
- линий
- Список
- загрузка
- расположение
- смотрел
- искать
- ВЗГЛЯДЫ
- серия
- машина
- обучение с помощью машины
- сделанный
- сделать
- вручную
- многих
- Март
- математике
- Matplotlib
- упоминает
- идти
- сообщение
- может быть
- режим
- модель
- Модели
- модифицировало
- изменять
- момент
- ежемесячно
- месячная подписка
- БОЛЕЕ
- самых
- двигаться
- с разными
- имя
- Откройте
- Необходимость
- Новые
- новое приложение
- Новые
- Новости
- печально известный
- Ноябрь
- номер
- объект
- of
- Хорошо
- on
- ONE
- открытый
- OpenAI
- оптимальный
- Опция
- Другие контрактные услуги
- Результат
- Превосходит
- выходной
- страница
- выплачен
- панд
- страсть
- Пароль
- пароли
- ОПЛАТИТЬ
- Люди
- выполнять
- выполнения
- человек
- Часть
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- плюс
- потенциал
- мощный
- предшественник
- предсказывать
- довольно
- предотвращать
- предварительно
- Печать / PDF
- вероятно
- Проблема
- проблемам
- Программы
- Прогресс
- обеспечивать
- при условии
- что такое варган?
- публично
- Питон
- Вопросы
- САЙТ
- быстро
- Читать
- читатель
- Reading
- причины
- Получать
- получатели
- отметила
- выпустил
- соответствующие
- осталось
- отчету
- Отчеты
- обязательный
- требуется
- исследователи
- ответ
- ответ
- результат
- Итоги
- Run
- Бег
- то же
- Сохранить
- экономия
- говорит
- Шкала
- считаться
- Наука
- Ученый
- экран
- рожденное море
- поиск
- Раздел
- безопасный
- безопасность
- отправка
- настроение
- набор
- должен
- показывать
- значительный
- аналогичный
- просто
- просто
- с
- одинарной
- Размер
- меньше
- So
- Решение
- РЕШАТЬ
- Решение
- некоторые
- Источники
- конкретный
- указанный
- тратить
- потраченный
- стоит
- Начало
- оставаться
- Шаг
- По-прежнему
- Stop
- предмет
- подписка
- Успешно
- Предлагает
- подходящее
- удивлен
- синтаксис
- с учетом
- взять
- с
- цель
- Сложность задачи
- задачи
- снижения вреда
- говорит
- шаблон
- который
- Ассоциация
- их
- Их
- Там.
- Эти
- задача
- Через
- время
- кропотливый
- Название
- титулованный
- TLS
- в
- инструментом
- топ
- Всего
- специалистов
- Тенденции
- Поворот
- учебник
- лежащий в основе
- понимать
- юникода
- модернизация
- us
- использование
- Информация о пользователе
- пользователей
- обычно
- ценностное
- версия
- видимый
- Войти
- визуализация
- W
- стремятся
- Вебсайт
- Что
- будь то
- который
- КТО
- Википедия.
- будете
- в
- Word
- слова
- Работа
- рабочий
- Рабочие процессы
- работает
- бы
- записывать
- письмо
- письменный
- ВАШЕ
- зефирнет