Editöre göre resim
14 Mart 2023'te OpenAI, dil modelinin en yeni ve en güçlü sürümü olan GPT-4'ü piyasaya sürdü.
GPT-4, lansmanından birkaç saat sonra insanları hayrete düşürdü. işlevsel bir web sitesine elle çizilmiş eskiz, baro sınavını geçmek, ve Wikipedia makalelerinin doğru özetlerini oluşturmak.
Ayrıca, matematik problemlerini çözmede ve mantığa ve akıl yürütmeye dayalı soruları yanıtlamada selefi GPT-3.5'ten daha iyi performans gösterir.
GPT-3.5'in üzerine inşa edilen ve halka sunulan sohbet robotu ChatGPT, "halüsinasyon" ile ünlüydü. Görünüşte doğru olan cevaplar üretecek ve cevaplarını hatalarla dolu olmasına rağmen “gerçekler” ile savunacaktı.
Model, fil yumurtalarının tüm kara hayvanlarının en büyüğü olduğunda ısrar ettikten sonra bir kullanıcı Twitter'a gitti:
Image FioraAeterna
Ve orada durmadı. Algoritma, yanıtını bir an için beni neredeyse ikna edecek uydurma gerçeklerle doğrulamaya devam etti.
Öte yandan GPT-4, daha az "halüsinasyon" görmek üzere eğitildi. OpenAI'nin en son modelini kandırmak daha zordur ve aynı sıklıkta kendinden emin bir şekilde yanlışlar üretmez.
Bir veri bilimcisi olarak işim, ilgili veri kaynaklarını bulmamı, büyük veri kümelerini önceden işlememi ve iş değeri sağlayan son derece doğru makine öğrenimi modelleri oluşturmamı gerektiriyor.
Günümün büyük bir bölümünü farklı dosya biçimlerinden veri ayıklayarak ve bunları tek bir yerde birleştirerek geçiriyorum.
ChatGPT, Kasım 2022'de ilk kez piyasaya sürüldükten sonra, günlük iş akışlarımla ilgili rehberlik almak için chatbot'a baktım. Bu aracı, sıradan işlere harcanan zamandan tasarruf etmek için kullandım; böylece yeni fikirler bulmaya ve daha iyi modeller yaratmaya odaklanabildim.
GPT-4 piyasaya sürüldüğünde, yaptığım işte bir fark yaratıp yaratmayacağını merak ediyordum. GPT-4'ü öncekilere göre kullanmanın herhangi bir önemli avantajı var mıydı? GPT-3.5 ile zaten olduğundan daha fazla zaman kazanmama yardımcı olur mu?
Bu makalede, veri bilimi iş akışlarını otomatikleştirmek için ChatGPT'yi nasıl kullandığımı size göstereceğim.
İlkinin gerçekten daha iyi performans gösterip göstermediğini ve daha fazla zaman tasarrufu sağlayıp sağlamadığını görmek için aynı istemleri oluşturacağım ve bunları hem GPT-4'e hem de GPT-3.5'e besleyeceğim.
Bu makalede yaptığım her şeyi takip etmek isterseniz, GPT-4 ve GPT-3.5'e erişiminizin olması gerekir.
GPT 3.5
GPT-3.5, OpenAI'nin web sitesinde halka açıktır. Basitçe şuraya gidin: https://chat.openai.com/auth/login, gerekli ayrıntıları doldurun ve dil modeline erişebileceksiniz:
Image ChatGPT
GPT 4
GPT-4 ise şu anda bir ödeme duvarının arkasında gizli. Modele erişmek için "Plus'a Yükselt"e tıklayarak ChatGPTPlus'a yükseltmeniz gerekir.
Aylık 20 ABD doları tutarında bir abonelik ücreti vardır ve bu ücret her zaman iptal edilebilir:
Image ChatGPT
Aylık abonelik ücretini ödemek istemiyorsanız da katılabilirsiniz. API bekleme listesi GPT-4 için. API'ye eriştikten sonra takip edebilirsiniz Re-Tweet Python'da kullanma kılavuzu.
Şu anda GPT-4'e erişiminiz yoksa sorun değil.
Arka uçta GPT-3.5 kullanan ChatGPT'nin ücretsiz sürümüyle bu eğiticiyi yine de takip edebilirsiniz.
1. Veri Görselleştirme
Keşif amaçlı veri analizi gerçekleştirirken, Python'da hızlı bir görselleştirme oluşturmak genellikle veri kümesini daha iyi anlamama yardımcı olur.
Ne yazık ki, bu görev inanılmaz derecede zaman alıcı hale gelebilir; özellikle de istenen sonucu elde etmek için kullanılacak doğru sözdizimini bilmediğinizde.
Sık sık kendimi Seaborn'un kapsamlı belgelerini araştırırken ve tek bir Python grafiği oluşturmak için StackOverflow'u kullanırken buluyorum.
ChatGPT'nin bu sorunu çözmeye yardımcı olup olmayacağını görelim.
kullanacağız Pima Hintliler Diyabet Bu bölümde veri kümesi. ChatGPT tarafından oluşturulan sonuçlarla birlikte takip etmek isterseniz veri setini indirebilirsiniz.
Veri setini indirdikten sonra Pandas kütüphanesini kullanarak Python'a yükleyelim ve veri çerçevesinin başını yazdıralım:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
Bu veri setinde dokuz değişken vardır. Bunlardan biri olan “Sonuç”, bir kişinin diyabet geliştirip geliştirmeyeceğini bize söyleyen hedef değişkendir. Geri kalanlar, sonucu tahmin etmek için kullanılan bağımsız değişkenlerdir.
Tamam aşkım! Bu yüzden, bu değişkenlerden hangisinin bir kişinin diyabet geliştirip geliştirmeyeceği üzerinde etkisi olduğunu görmek istiyorum.
Bunu başarmak için, veri kümesindeki tüm bağımlı değişkenler genelinde "Diyabet" değişkenini görselleştirmek için kümelenmiş bir çubuk grafik oluşturabiliriz.
Bunu kodlamak aslında oldukça kolaydır, ancak basit başlayalım. Makalede ilerledikçe daha karmaşık istemlere geçeceğiz.
GPT-3.5 ile Veri Görselleştirme
ChatGPT'ye ücretli bir aboneliğim olduğu için araç, ona her eriştiğimde kullanmak istediğim temel modeli seçmeme olanak tanıyor.
GPT-3.5'i seçeceğim:
ChatGPT Plus'tan görüntü
Aboneliğiniz yoksa ChatGPT'nin ücretsiz sürümünü kullanabilirsiniz çünkü chatbot varsayılan olarak GPT-3.5 kullanır.
Şimdi, diyabet veri setini kullanarak bir görselleştirme oluşturmak için aşağıdaki istemi yazalım:
8 bağımsız değişken ve 1 bağımlı değişkenden oluşan bir veri kümem var. Bağımlı değişken "Sonuç" bize bir kişinin diyabet geliştirip geliştirmeyeceğini söyler.
Bağımsız değişkenler olan "Gebelik", "Glikoz", "Kan Basıncı", "Cilt Kalınlığı", "İnsülin", "BMI", "DiabetesPedigreeFunction" ve "Yaş" bu sonucu tahmin etmek için kullanılır.
Tüm bu bağımsız değişkenleri sonuca göre görselleştirmek için Python kodu oluşturabilir misiniz? Çıktı, "Sonuç" değişkeni tarafından renklendirilen kümelenmiş bir çubuk grafik olmalıdır. Her bağımsız değişken için 16 adet olmak üzere toplam 2 çubuk bulunmalıdır.
Modelin yukarıdaki soruya verdiği yanıt şöyledir:
Hemen göze çarpan bir şey, modelin Seaborn'dan bir veri seti almak istediğimizi varsaymasıdır. Seaborn kütüphanesini kullanmasını istediğimiz için muhtemelen bu varsayımı yaptı.
Bu büyük bir sorun değil, sadece kodları çalıştırmadan önce bir satırı değiştirmemiz gerekiyor.
İşte GPT-3.5 tarafından oluşturulan tam kod pasajı:
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()
Bunu kopyalayıp Python IDE'nize yapıştırabilirsiniz.
İşte yukarıdaki kodu çalıştırdıktan sonra oluşturulan sonuç:
Bu tablo mükemmel görünüyor! İstemi ChatGPT'ye yazarken tam olarak bunu öngördüğüm gibi.
Ancak öne çıkan bir konu, bu grafikteki metnin örtüşmesidir. Aşağıdaki istemi yazarak modele bunu düzeltmemize yardımcı olup olamayacağını soracağım:
Algoritma, grafik etiketlerini döndürerek veya şekil boyutunu ayarlayarak bu çakışmayı önleyebileceğimizi açıkladı. Ayrıca, bunu başarmamıza yardımcı olacak yeni kod da üretti.
Bize istenen sonuçları verip vermediğini görmek için bu kodu çalıştıralım:
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()
Yukarıdaki kod satırları aşağıdaki çıktıyı oluşturmalıdır:
Bu harika görünüyor!
Veri setini şimdi sadece bu grafiğe bakarak çok daha iyi anlıyorum. Daha yüksek glikoz ve insülin seviyelerine sahip kişilerin diyabet geliştirme olasılığı daha yüksek gibi görünüyor.
Ayrıca, “DiyabetesPedigreeFunction” değişkeninin bu çizelgede bize herhangi bir bilgi vermediğine dikkat edin. Bunun nedeni, özelliğin daha küçük bir ölçekte olmasıdır (0 ile 2.4 arasında). ChatGPT ile daha fazla deneme yapmak isterseniz, bu sorunu çözmek için ondan tek bir grafik içinde birden çok alt grafik oluşturmasını isteyebilirsiniz.
GPT-4 ile Veri Görselleştirme
Şimdi, farklı bir yanıt alıp almadığımızı görmek için aynı istemleri GPT-4'e besleyelim. ChatGPT içinde GPT-4 modelini seçeceğim ve önceki istemin aynısını yazacağım:
GPT-4'ün Seaborn'da yerleşik bir veri çerçevesi kullanacağımızı nasıl varsaymadığına dikkat edin.
GPT-3.5 tarafından oluşturulan yanıttan bir gelişme olan görselleştirmeyi oluşturmak için "df" adlı bir veri çerçevesini kullanacağını söyler.
İşte bu algoritma tarafından oluşturulan tam kod:
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()
Yukarıdaki kod aşağıdaki çizimi oluşturmalıdır:
Bu harika!
Biz istememiş olsak da GPT-4, çizim boyutunu artırmak için bir satır kod eklemiştir. Bu tablodaki etiketlerin tümü açıkça görülebilir, bu nedenle daha önce yaptığımız gibi geri dönüp kodu değiştirmemiz gerekmez.
Bu, GPT-3.5 tarafından oluşturulan yanıtın bir adım üzerindedir.
Bununla birlikte, genel olarak, hem GPT-3.5 hem de GPT-4, veri görselleştirme ve analiz gibi görevleri gerçekleştirmek için kod oluşturmada etkiliymiş gibi görünüyor.
ChatGPT'nin arayüzüne veri yükleyemeyeceğiniz için, optimum sonuçlar için modele veri kümenizin doğru bir tanımını sağlamanız gerektiğini unutmamak önemlidir.
2. PDF Belgeleriyle Çalışma
Bu yaygın bir veri bilimi kullanım durumu olmasa da, bir kez duygu analizi modeli oluşturmak için yüzlerce PDF dosyasından metin verilerini ayıklamak zorunda kaldım. Veriler yapılandırılmamıştı ve onu ayıklamak ve ön işlemek için çok zaman harcadım.
Ayrıca, belirli sektörlerde meydana gelen güncel olayları okuyan ve bunlarla ilgili içerik oluşturan araştırmacılarla da sık sık çalışıyorum. Haberlerin zirvesinde kalmaları, şirket raporlarını incelemeleri ve sektördeki potansiyel trendleri okumaları gerekiyor.
Bir şirketin raporunun 100 sayfasını okumaktansa, ilgilendiğiniz kelimeleri seçip sadece o anahtar kelimeleri içeren cümleleri okumak daha kolay değil mi?
Veya trendlerle ilgileniyorsanız, her bir raporu manuel olarak incelemek yerine zaman içinde anahtar kelime büyümesini gösteren otomatik bir iş akışı oluşturabilirsiniz.
Bu bölümde Python'da PDF dosyalarını analiz etmek için ChatGPT'yi kullanacağız. Sohbet robotundan bir PDF dosyasının içeriğini çıkarmasını ve bir metin dosyasına yazmasını isteyeceğiz.
Yine bu, üretilen kodda önemli bir fark olup olmadığını görmek için hem GPT-3.5 hem de GPT-4 kullanılarak yapılacaktır.
GPT-3.5 ile PDF Dosyalarını Okuma
Bu bölümde, halka açık bir PDF belgesini inceleyeceğiz. Mühendisler İçin Makine Öğrenimine Kısa Bir Giriş. Bu bölümü kodlamak istiyorsanız bu dosyayı indirdiğinizden emin olun.
İlk olarak, algoritmadan bu PDF belgesinden veri çıkarmak ve onu bir metin dosyasına kaydetmek için Python kodu oluşturmasını isteyelim:
İşte algoritma tarafından sağlanan tam kod:
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)
(Not: Bu kodu çalıştırmadan önce PDF dosya adını kaydettiğiniz adla değiştirdiğinizden emin olun.)
Ne yazık ki, GPT-3.5 tarafından oluşturulan kodu çalıştırdıktan sonra aşağıdaki unicode hatasıyla karşılaştım:
GPT-3.5'e geri dönelim ve modelin bunu düzeltip düzeltemeyeceğini görelim:
Hatayı ChatGPT'ye yapıştırdım ve model, kullanılan kodlamayı "utf-8" olarak değiştirerek düzeltilebileceğini söyledi. Ayrıca bana bu değişikliği yansıtan bazı değiştirilmiş kodlar verdi:
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)
Bu kod başarıyla yürütüldü ve "output_file.txt" adlı bir metin dosyası oluşturdu. PDF belgesindeki tüm içerik şu dosyaya yazılmıştır:
GPT-4 ile PDF Dosyalarını Okuma
Şimdi, modelin ne ile geldiğini görmek için aynı istemi GPT-4'e yapıştıracağım:
İşte GPT-4 tarafından oluşturulan kodun tamamı:
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)
Şuna bak!
GPT-3.5'ten farklı olarak GPT-4, metin dosyasını açmak için "utf-8" kodlamasının kullanılması gerektiğini zaten belirtmiştir. Daha önce yaptığımız gibi geri dönüp kodu değiştirmemize gerek yok.
GPT-4 tarafından sağlanan kod başarıyla yürütülmeli ve oluşturulan metin dosyasında PDF belgesinin içeriğini görmelisiniz.
Python ile PDF belgelerini otomatikleştirmek için kullanabileceğiniz birçok başka teknik vardır. Bunu daha fazla araştırmak isterseniz, ChatGPT'ye yazabileceğiniz diğer istemlerden bazıları şunlardır:
- İki PDF dosyasını birleştirmek için Python kodu yazabilir misiniz?
- Python ile bir PDF belgesinde belirli bir kelimenin veya deyimin tekrarını nasıl sayabilirim?
- PDF'lerden tabloları çıkarmak ve bunları Excel'de yazmak için Python kodu yazabilir misiniz?
Boş zamanınızda bunlardan bazılarını denemenizi öneririm; GPT-4'ün genellikle saatler süren sıradan görevleri tamamlamanıza ne kadar hızlı yardımcı olabileceğini görünce şaşıracaksınız.
3. Otomatik E-posta Gönderme
Çalışma haftamın saatlerini e-postaları okuyarak ve yanıtlayarak geçiriyorum. Bu yalnızca zaman alıcı olmakla kalmaz, aynı zamanda sıkı teslim tarihlerinin peşinden koşarken e-postaları kontrol altında tutmak inanılmaz derecede stresli olabilir.
Ve ChatGPT'nin tüm e-postalarınızı sizin için yazmasını sağlayamasanız da (keşke), belirli bir zamanda planlanmış e-postalar gönderen programlar yazmak veya birden çok kişiye gönderilebilen tek bir e-posta şablonunu değiştirmek için yine de kullanabilirsiniz. .
Bu bölümde, otomatik e-postalar göndermek için bir Python betiği yazmamıza yardımcı olacak GPT-3.5 ve GPT-4'ü alacağız.
GPT-3.5 ile Otomatik E-posta Gönderme
Öncelikle, otomatik bir e-posta göndermek için kodlar oluşturmak üzere aşağıdaki istemi yazalım:
İşte GPT-3.5 tarafından oluşturulan tam kod (Bu kodu çalıştırmadan önce e-posta adreslerini ve şifreyi değiştirdiğinizden emin olun):
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)
Ne yazık ki, bu kod benim için başarılı bir şekilde yürütülmedi. Aşağıdaki hatayı üretti:
Bu hatayı ChatGPT'ye yapıştıralım ve modelin sorunu çözmemize yardımcı olup olmayacağına bakalım:
Tamam, algoritma neden bu hatayla karşılaşıyor olabileceğimize dair birkaç nedene işaret etti.
Oturum açma kimlik bilgilerimin ve e-posta adreslerimin geçerli olduğunu ve kodda herhangi bir yazım hatası olmadığını kesin olarak biliyorum. Dolayısıyla bu nedenler göz ardı edilebilir.
GPT-3.5 ayrıca, daha az güvenli uygulamalara izin verilmesinin bu sorunu çözebileceğini önermektedir.
Ancak bunu denerseniz, Google hesabınızda daha az güvenli uygulamalara erişime izin verecek bir seçenek bulamazsınız.
Bunun nedeni Google'ın artık kullanıcıların güvenlik endişeleri nedeniyle daha az güvenli uygulamalara izin vermesine olanak tanır.
Son olarak GPT-3.5, iki faktörlü kimlik doğrulama etkinleştirildiyse bir uygulama parolasının oluşturulması gerektiğinden de bahseder.
İki faktörlü kimlik doğrulamayı etkinleştirmedim, bu yüzden (geçici olarak) bu modelden vazgeçeceğim ve GPT-4'ün bir çözümü olup olmadığına bakacağım.
GPT-4 ile Otomatik E-posta Gönderme
Tamam, aynı istemi GPT-4'e yazarsanız, algoritmanın GPT-3.5'in bize verdiğine çok benzer bir kod ürettiğini göreceksiniz. Bu, daha önce karşılaştığımız aynı hataya neden olacaktır.
GPT-4'ün bu hatayı düzeltmemize yardım edip edemeyeceğini görelim:
GPT-4'ün önerileri daha önce gördüğümüze çok benziyor.
Ancak, bu sefer, bize her adımı nasıl gerçekleştireceğimize dair adım adım bir döküm veriyor.
GPT-4 ayrıca bir uygulama şifresi oluşturmanızı önerir, o yüzden bir deneyelim.
Önce Google Hesabınızı ziyaret edin, "Güvenlik"e gidin ve iki faktörlü kimlik doğrulamayı etkinleştirin. Ardından, aynı bölümde “Uygulama Şifreleri” yazan bir seçenek görmelisiniz.
Üzerine tıklayın ve aşağıdaki ekran görünecektir:
İstediğiniz herhangi bir adı girebilir ve "Oluştur" düğmesini tıklayabilirsiniz.
Yeni bir uygulama şifresi görünecektir.
Python kodundaki mevcut parolanızı bu uygulama parolasıyla değiştirin ve kodu tekrar çalıştırın:
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)
Bu sefer başarılı bir şekilde çalışmalı ve alıcınız şuna benzeyen bir e-posta alacak:
Mükemmel!
ChatGPT sayesinde, Python ile başarılı bir şekilde otomatik bir e-posta gönderdik.
Bunu bir adım daha ileri götürmek isterseniz, şunları yapmanıza izin veren bilgi istemleri oluşturmanızı öneririm:
- Aynı anda birden fazla alıcıya toplu e-posta gönderin
- Planlanmış e-postaları önceden tanımlanmış bir e-posta adresleri listesine gönderin
- Alıcılara yaşlarına, cinsiyetlerine ve konumlarına göre özelleştirilmiş bir e-posta gönderin.
Nataşa Selvaraj yazma tutkusuna sahip, kendi kendini yetiştirmiş bir veri bilimcisidir. onunla bağlantı kurabilirsin LinkedIn.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: 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
- :dır-dir
- $UP
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- Hakkımızda
- yukarıdaki
- erişim
- başarmak
- Hesap
- doğru
- Başarmak
- karşısında
- aslında
- adresleri
- Sonra
- algoritma
- Türkiye
- Izin
- veriyor
- zaten
- Rağmen
- miktar
- analiz
- çözümlemek
- analiz
- ve
- hayvanlar
- cevaplar
- api
- uygulamayı yükleyeceğiz
- görünmek
- uygulamalar
- ARE
- göre
- AS
- varsayılır
- varsayımı
- At
- Doğrulama
- otomatikleştirmek
- Otomatik
- mevcut
- ortalama
- Arka
- Backend
- bar
- Barlar
- merkezli
- BE
- Çünkü
- müşterimiz
- önce
- arkasında
- faydaları
- Daha iyi
- arasında
- bmi
- vücut
- Sıkıcı
- Arıza
- inşa etmek
- yapılı
- iş
- by
- denilen
- CAN
- iptal edildi
- yapamam
- Sebeb olmak
- değişiklik
- değiştirme
- Grafik
- chatbot
- ChatGPT
- Açıkça
- tıklayın
- kod
- COM
- gelecek
- ortak
- şirket
- Şirketin
- tamamlamak
- karmaşık
- Endişeler
- kendine güvenerek
- Sosyal medya
- bağ
- birleştirerek
- içerik
- içindekiler
- doğrulamak
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- Tanıtım
- meraklı
- akım
- Şu anda
- özelleştirmek
- özelleştirilmiş
- günlük
- veri
- veri analizi
- veri bilimi
- veri bilimcisi
- veri goruntuleme
- veri kümeleri
- gün
- Varsayılan
- bağımlı
- tanım
- ayrıntılar
- geliştirmek
- Diyabet
- DID
- fark
- farklı
- belge
- belgeleme
- evraklar
- Değil
- yapıyor
- Dont
- indir
- sürücü
- sırasında
- her
- Daha erken
- kolay
- Etkili
- Yumurta
- ya
- fil
- E-posta
- e-postalar
- etkinleştirmek
- etkin
- şifreleme
- Keşfet
- hata
- Hatalar
- özellikle
- Eter (ETH)
- olaylar
- Her
- her şey
- kesinlikle
- Excel
- yürütmek
- mevcut
- deneme
- açıkladı
- Açıklayıcı Veri Analizi
- keşfetmek
- kapsamlı, geniş
- çıkarmak
- Özellikler(Hazırlık aşamasında)
- ücret
- az
- şekil
- fileto
- dosyalar
- doldurmak
- bulmak
- Ad
- sabit
- sabit
- odak
- takip et
- takip etme
- İçin
- Eski
- Ücretsiz
- sık sık
- itibaren
- fonksiyonel
- daha fazla
- Cinsiyet
- oluşturmak
- oluşturulan
- üretir
- üreten
- almak
- Vermek
- verir
- gmail
- Go
- gidiş
- Büyüme
- rehberlik
- rehberlik
- el
- Var
- baş
- yardım et
- yardımcı olur
- okuyun
- Gizli
- daha yüksek
- büyük ölçüde
- Yatay
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTTPS
- Kocaman
- Yüzlerce
- i
- fikirler
- hemen
- darbe
- ithalat
- önemli
- iyileşme
- in
- dahil
- Artırmak
- inanılmaz
- bağımsız
- Endüstri
- sanayi
- bilgi
- yerine
- ilgili
- arayüzey
- Giriş
- konu
- IT
- ONUN
- İş
- kaydol
- KDNuggets
- Bilmek
- Etiketler
- arazi
- dil
- büyük
- büyük
- son
- başlatmak
- başlattı
- öğrenme
- Lets
- seviyeleri
- Kütüphane
- sevmek
- Muhtemelen
- çizgi
- hatları
- Liste
- yük
- yer
- baktı
- bakıyor
- GÖRÜNÜYOR
- Çok
- makine
- makine öğrenme
- yapılmış
- yapmak
- el ile
- çok
- Mart
- matematik
- matplotlib
- söz
- gitmek
- mesaj
- olabilir
- Moda
- model
- modelleri
- değiştirilmiş
- değiştirmek
- an
- aylık
- aylık abone
- Daha
- çoğu
- hareket
- çoklu
- isim
- Gezin
- gerek
- yeni
- yeni uygulama
- en yeni
- haber
- adı çıkmış
- Kasım
- numara
- nesne
- of
- tamam
- on
- ONE
- açık
- OpenAI
- optimum
- seçenek
- Diğer
- Sonuç
- Mağazasından
- çıktı
- Kanal
- ödenmiş
- pandalar
- tutku
- Şifre
- şifreleri
- İnsanlar
- yapmak
- icra
- kişi
- yer
- Platon
- Plato Veri Zekası
- PlatoVeri
- artı
- potansiyel
- güçlü
- öncel
- tahmin
- güzel
- önlemek
- Önceden
- muhtemelen
- Sorun
- sorunlar
- Programlar
- Ilerleme
- sağlamak
- sağlanan
- halka açık
- alenen
- Python
- Sorular
- Hızlı
- hızla
- Okumak
- Okuyucu
- Okuma
- nedenleri
- teslim almak
- alıcıların
- yansıtılan
- serbest
- uygun
- kalan
- rapor
- Raporlar
- gereklidir
- gerektirir
- Araştırmacılar
- yanıt
- yanıt
- sonuç
- Sonuçlar
- koşmak
- koşu
- aynı
- İndirim
- Tasarruf
- diyor
- ölçek
- tarifeli
- Bilim
- bilim adamı
- Ekran
- Seaborn
- arama
- Bölüm
- güvenli
- güvenlik
- gönderme
- duygu
- set
- meli
- şov
- önemli
- benzer
- Basit
- sadece
- beri
- tek
- beden
- daha küçük
- So
- çözüm
- ÇÖZMEK
- Çözme
- biraz
- kaynaklar
- özel
- Belirtilen
- geçirmek
- harcanmış
- standları
- başlama
- kalmak
- adım
- Yine
- dur
- konu
- abone
- Başarılı olarak
- Önerdi
- uygun
- şaşırmış
- sözdizimi
- ısmarlama
- Bizi daha iyi tanımak için
- alma
- Hedef
- Görev
- görevleri
- teknikleri
- anlatır
- şablon
- o
- The
- ve bazı Asya
- Onları
- Orada.
- Bunlar
- şey
- İçinden
- zaman
- zaman tükeniyor
- Başlık
- başlıklı
- TLS
- için
- araç
- üst
- Toplam
- eğitilmiş
- Trendler
- Dönüş
- öğretici
- altında yatan
- anlamak
- unicode
- yükseltmek
- us
- kullanım
- kullanıcı
- kullanıcılar
- genellikle
- değer
- versiyon
- gözle görülür
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- görüntüleme
- W
- aranan
- Web sitesi
- Ne
- olup olmadığını
- hangi
- DSÖ
- Vikipedi
- irade
- ile
- içinde
- Word
- sözler
- İş
- iş akışı
- iş akışları
- çalışma
- olur
- yazmak
- yazı yazıyor
- yazılı
- zefirnet