Зображення редактора
14 березня 2023 року OpenAI запустив GPT-4, найновішу та найпотужнішу версію своєї мовної моделі.
За кілька годин після запуску GPT-4 приголомшив людей, повернувши a намальований від руки ескіз у функціональний веб-сайт, складання адвокатського іспиту та створення точного резюме статей Вікіпедії.
Він також перевершує свого попередника, GPT-3.5, у вирішенні математичних задач і відповідях на запитання, засновані на логіці та міркуванні.
ChatGPT, чат-бот, створений на основі GPT-3.5 і випущений для громадськості, був сумно відомий своїми «галюцинаціями». Він генерував відповіді, які, здавалося б, були правильними, і захищав свої відповіді «фактами», хоча вони були завантажені помилками.
Один користувач звернувся до Twitter після того, як модель наполягала на тому, що яйця слона були найбільшими з усіх наземних тварин:
Зображення з FioraAeterna
І це не зупинилося на цьому. Алгоритм продовжував підтверджувати свою відповідь вигаданими фактами, які майже на мить переконали мене.
GPT-4, з іншого боку, навчили рідше «галюцинувати». Останню модель OpenAI важче обдурити, і вона не впевнено генерує неправду так часто.
Як фахівець із обробки даних, моя робота вимагає від мене пошуку відповідних джерел даних, попередньої обробки великих наборів даних і створення високоточних моделей машинного навчання, які підвищують цінність бізнесу.
Я витрачаю велику частину свого дня на те, щоб витягувати дані з різних форматів файлів і об’єднувати їх в одному місці.
Після того, як ChatGPT було вперше запущено в листопаді 2022 року, я звернувся до чат-бота, щоб отримати поради щодо своїх щоденних робочих процесів. Я використовував інструмент, щоб заощадити час, витрачений на чорну роботу, щоб я міг зосередитися на придумуванні нових ідей і створенні кращих моделей.
Коли було випущено GPT-4, мені було цікаво, чи вплине це на роботу, яку я виконую. Чи були якісь значні переваги використання GPT-4 порівняно з його попередниками? Чи допомогло б це мені заощадити більше часу, ніж я вже мав із GPT-3.5?
У цій статті я покажу вам, як я використовую ChatGPT для автоматизації робочих процесів обробки даних.
Я створю однакові підказки та подам їх у GPT-4 та GPT-3.5, щоб перевірити, чи справді перший працює краще та заощадить час.
Якщо ви хочете дотримуватися всього, що я роблю в цій статті, вам потрібно мати доступ до GPT-4 і GPT-3.5.
GPT-3.5
GPT-3.5 є загальнодоступним на веб-сайті OpenAI. Просто перейдіть до https://chat.openai.com/auth/login, заповніть необхідні дані, і ви отримаєте доступ до мовної моделі:
Зображення з ChatGPT
GPT-4
GPT-4, з іншого боку, наразі приховано за платним екраном. Щоб отримати доступ до моделі, вам потрібно оновити до ChatGPTPlus, натиснувши «Оновити до Plus».
Існує щомісячна плата за підписку в розмірі 20 доларів США на місяць, яку можна будь-коли скасувати:
Зображення з ChatGPT
Якщо ви не хочете платити щомісячну абонентську плату, ви також можете приєднатися до Список очікування API для ГПТ-4. Отримавши доступ до API, ви можете слідувати це посібник із використання його в Python.
Це нормально, якщо ви зараз не маєте доступу до GPT-4.
Ви все ще можете дотримуватися цього підручника з безкоштовною версією ChatGPT, яка використовує GPT-3.5 у серверній частині.
1. Візуалізація даних
Виконуючи пошуковий аналіз даних, генерація швидкої візуалізації в Python часто допомагає мені краще зрозуміти набір даних.
На жаль, це завдання може стати неймовірно трудомістким, особливо якщо ви не знаєте правильного синтаксису, щоб отримати бажаний результат.
Я часто шукаю в розширеній документації Seaborn і використовую StackOverflow для створення єдиного графіка Python.
Давайте подивимося, чи допоможе ChatGPT вирішити цю проблему.
Ми будемо використовувати Діабет індіанців Піма набір даних у цьому розділі. Ви можете завантажити набір даних, якщо хочете стежити за результатами, створеними ChatGPT.
Після завантаження набору даних давайте завантажимо його в Python за допомогою бібліотеки Pandas і надрукуємо заголовок фрейму даних:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
У цьому наборі даних дев’ять змінних. Один із них, «Результат», є цільовою змінною, яка повідомляє нам, чи розвинеться у людини діабет. Решта є незалежними змінними, які використовуються для прогнозування результату.
Гаразд! Тож я хочу побачити, які з цих змінних впливають на те, чи розвинеться в людини діабет.
Щоб досягти цього, ми можемо створити кластеризовану гістограму для візуалізації змінної «Діабет» у всіх залежних змінних у наборі даних.
Насправді це досить легко закодувати, але давайте почнемо з простого. У міру проходження статті ми переходимо до більш складних підказок.
Візуалізація даних за допомогою GPT-3.5
Оскільки я маю платну підписку на ChatGPT, цей інструмент дозволяє мені вибирати базову модель, яку я хотів би використовувати кожного разу, коли я до нього звертаюся.
Я збираюся вибрати GPT-3.5:
Зображення з ChatGPT Plus
Якщо у вас немає підписки, ви можете використовувати безкоштовну версію ChatGPT, оскільки чат-бот використовує GPT-3.5 за замовчуванням.
Тепер давайте введемо такий запит, щоб створити візуалізацію за допомогою набору даних про діабет:
У мене є набір даних із 8 незалежними змінними та 1 залежною змінною. Залежна змінна «Результат» повідомляє нам, чи розвинеться в людини діабет.
Для прогнозування цього результату використовуються незалежні змінні «Вагітності», «Глюкоза», «Кров’яний тиск», «Товщина шкіри», «Інсулін», «ІМТ», «DiabetesPedigreeFunction» і «Вік».
Чи можете ви створити код Python для візуалізації всіх цих незалежних змінних за результатом? Результатом має бути одна кластеризована гістограма, забарвлена змінною «Результат». Всього має бути 16 смужок, по 2 для кожної незалежної змінної.
Ось відповідь моделі на наведене вище запитання:
Одна річ, яка одразу виділяється, це те, що модель припускала, що ми хочемо імпортувати набір даних із Seaborn. Ймовірно, він зробив це припущення, оскільки ми попросили його використовувати бібліотеку Seaborn.
Це не велика проблема, нам потрібно лише змінити один рядок перед запуском кодів.
Ось повний фрагмент коду, згенерований 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()
Ви можете скопіювати та вставити це у свою Python IDE.
Ось результат, отриманий після виконання наведеного вище коду:
Ця діаграма виглядає ідеально! Це саме те, що я собі уявляв, коли вводив підказку в ChatGPT.
Одна проблема, яка виділяється, полягає в тому, що текст на цій діаграмі збігається. Я збираюся запитати модель, чи може вона допомогти нам це виправити, ввівши такий запит:
Алгоритм пояснював, що ми можемо запобігти цьому накладанню, обертаючи мітки діаграми або регулюючи розмір фігури. Він також створив новий код, щоб допомогти нам досягти цього.
Давайте запустимо цей код, щоб перевірити, чи дає він нам бажані результати:
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()
Наведені вище рядки коду повинні генерувати такі результати:
Це виглядає чудово!
Тепер я набагато краще розумію набір даних, просто дивлячись на цю діаграму. Схоже, що люди з вищим рівнем глюкози та інсуліну частіше хворіють на діабет.
Також зауважте, що змінна «DiabetesPedigreeFunction» не дає нам жодної інформації в цій діаграмі. Це тому, що функція має менший масштаб (від 0 до 2.4). Якщо ви бажаєте продовжити експерименти з ChatGPT, ви можете запропонувати йому створити кілька підсхем в одній діаграмі, щоб вирішити цю проблему.
Візуалізація даних за допомогою GPT-4
Тепер давайте передамо ті самі підказки в GPT-4, щоб побачити, чи отримаємо ми іншу відповідь. Я збираюся вибрати модель GPT-4 у ChatGPT і ввести ту саму підказку, що й раніше:
Зверніть увагу, що GPT-4 не передбачає, що ми будемо використовувати фрейм даних, вбудований у Seaborn.
Він говорить нам, що він використовуватиме фрейм даних під назвою «df» для створення візуалізації, що є покращенням у порівнянні з відповіддю, згенерованою GPT-3.5.
Ось повний код, згенерований цим 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()
Наведений вище код має створити такий графік:
Це прекрасно!
Незважаючи на те, що ми цього не просили, GPT-4 включив рядок коду для збільшення розміру графіка. Усі мітки на цій діаграмі добре видно, тому нам не потрібно повертатися та змінювати код, як ми робили раніше.
Це на крок вище відповіді, створеної GPT-3.5.
Однак загалом виглядає так, ніби GPT-3.5 і GPT-4 ефективні для створення коду для виконання таких завдань, як візуалізація та аналіз даних.
Важливо зауважити, що оскільки ви не можете завантажити дані в інтерфейс ChatGPT, вам слід надати моделі точний опис вашого набору даних для отримання оптимальних результатів.
2. Робота з PDF документами
Хоча це не звичайний приклад використання наукових даних, мені довелося один раз витягувати текстові дані із сотень PDF-файлів, щоб створити модель аналізу настроїв. Дані були неструктурованими, і я витратив багато часу на їх вилучення та попередню обробку.
Я також часто працюю з дослідниками, які читають і створюють контент про поточні події, що відбуваються в певних галузях. Їм потрібно бути в курсі новин, аналізувати звіти компаній і читати про потенційні тенденції в галузі.
Замість того, щоб читати 100 сторінок звіту компанії, чи не простіше просто витягти слова, які вас цікавлять, і прочитати лише речення, які містять ці ключові слова?
Або якщо вас цікавлять тенденції, ви можете створити автоматизований робочий процес, який демонструватиме зростання ключових слів з часом, а не переглядати кожен звіт вручну.
У цьому розділі ми будемо використовувати ChatGPT для аналізу PDF-файлів у Python. Ми попросимо чат-бота видобути вміст PDF-файлу та записати його в текстовий файл.
Знову ж таки, це буде зроблено за допомогою GPT-3.5 і GPT-4, щоб побачити, чи є суттєва різниця у створеному коді.
Читання PDF-файлів за допомогою GPT-3.5
У цьому розділі ми проаналізуємо загальнодоступний PDF-документ під назвою Короткий вступ до машинного навчання для інженерів. Обов’язково завантажте цей файл, якщо хочете додати код до цього розділу.
По-перше, давайте попросимо алгоритм створити код Python, щоб отримати дані з цього PDF-документа та зберегти їх у текстовий файл:
Ось повний код, наданий 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)
(Примітка: переконайтеся, що ви змінили ім’я PDF-файлу на збережене перед запуском цього коду.)
На жаль, після запуску коду, згенерованого GPT-3.5, я зіткнувся з такою помилкою Unicode:
Давайте повернемося до GPT-3.5 і подивимося, чи зможе модель це виправити:
Я вставив помилку в ChatGPT, і модель відповіла, що її можна виправити, змінивши використовуване кодування на «utf-8». Він також дав мені деякий модифікований код, який відображає цю зміну:
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)
Цей код успішно виконано та створено текстовий файл під назвою «output_file.txt». Весь вміст PDF-документа записано у файл:
Читання PDF-файлів за допомогою GPT-4
Тепер я збираюся вставити ту саму підказку в GPT-4, щоб побачити, що дасть модель:
Ось повний код, згенерований 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)
Подивіться на це!
На відміну від GPT-3.5, у GPT-4 вже зазначено, що для відкриття текстового файлу слід використовувати кодування «utf-8». Нам не потрібно повертатися та змінювати код, як ми робили раніше.
Код, наданий GPT-4, має бути виконано успішно, і ви побачите вміст документа PDF у створеному текстовому файлі.
Є багато інших методів, які можна використовувати для автоматизації документів PDF за допомогою Python. Якщо ви хочете вивчити це далі, ось деякі інші підказки, які ви можете ввести в ChatGPT:
- Чи можете ви написати код Python для об’єднання двох PDF-файлів?
- Як я можу підрахувати випадки появи певного слова чи фрази в PDF-документі за допомогою Python?
- Чи можете ви написати код на Python, щоб видобувати таблиці з PDF-файлів і писати їх у Excel?
Я пропоную спробувати деякі з них у вільний час - ви будете здивовані тим, як швидко GPT-4 може допомогти вам виконати чорні завдання, на виконання яких зазвичай потрібні години.
3. Надсилання автоматичних електронних листів
Я проводжу години свого робочого тижня, читаючи електронні листи та відповідаючи на них. Це не тільки забирає багато часу, але й може бути неймовірно напруженим, щоб бути в курсі електронних листів, коли ви гонитесь за стислі терміни.
І хоча ви не можете змусити ChatGPT писати всі ваші електронні листи за вас (хочу), ви все одно можете використовувати його для написання програм, які надсилають заплановані електронні листи в певний час або змінюють один шаблон електронної пошти, який можна надіслати кільком людям .
У цьому розділі ми отримаємо GPT-3.5 і GPT-4, які допоможуть нам написати сценарій Python для надсилання автоматизованих електронних листів.
Надсилання автоматичних електронних листів за допомогою GPT-3.5
По-перше, давайте введемо такий запит, щоб створити коди для автоматичного надсилання електронного листа:
Ось повний код, згенерований GPT-3.5 (переконайтеся, що ви змінили адреси електронної пошти та пароль перед запуском цього коду):
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)
На жаль, цей код мені не вдалося виконати. Це породило таку помилку:
Давайте вставимо цю помилку в ChatGPT і перевіримо, чи може модель допомогти нам її вирішити:
Гаразд, алгоритм вказав на кілька причин, чому ми можемо зіткнутися з цією помилкою.
Я точно знаю, що мої облікові дані для входу та адреса електронної пошти були дійсними, і що в коді не було жодних помилок. Тому ці причини можна виключити.
GPT-3.5 також припускає, що дозвіл менш безпечних програм може вирішити цю проблему.
Однак якщо ви спробуєте це, ви не знайдете у своєму обліковому записі Google опції для надання доступу до менш безпечних програм.
Це тому, що Google більше не дозволяє користувачам дозволяти менш безпечні програми через проблеми безпеки.
Нарешті, GPT-3.5 також згадує, що пароль додатка має бути згенерований, якщо ввімкнено двофакторну автентифікацію.
У мене не ввімкнено двофакторну автентифікацію, тому я збираюся (тимчасово) відмовитися від цієї моделі та перевірити, чи є рішення GPT-4.
Надсилання автоматичних електронних листів за допомогою GPT-4
Гаразд, якщо ви введете той самий запит у GPT-4, ви побачите, що алгоритм генерує код, який дуже схожий на той, що надав нам GPT-3.5. Це спричинить ту саму помилку, з якою ми стикалися раніше.
Давайте подивимося, чи може GPT-4 допомогти нам виправити цю помилку:
Пропозиції GPT-4 дуже схожі на те, що ми бачили раніше.
Однак цього разу він дає нам покрокову розбивку того, як виконати кожен крок.
GPT-4 також пропонує створити пароль програми, тому давайте спробуємо.
Спочатку перейдіть у свій обліковий запис Google, перейдіть до розділу «Безпека» та ввімкніть двофакторну автентифікацію. Потім у цьому ж розділі ви побачите опцію «Паролі програм».
Натисніть на нього, і з’явиться такий екран:
Ви можете ввести будь-яке ім’я та натиснути «Створити».
З’явиться новий пароль програми.
Замініть існуючий пароль у коді Python цим паролем програми та запустіть код знову:
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)
Цього разу він має бути виконаний успішно, і ваш одержувач отримає електронний лист, який виглядає так:
Perfect!
Завдяки ChatGPT ми успішно розіслали автоматичний електронний лист за допомогою Python.
Якщо ви хочете піти далі, я пропоную створити підказки, які дозволять вам:
- Надсилайте масові електронні листи кільком одержувачам одночасно
- Надсилайте заплановані електронні листи на заздалегідь визначений список електронних адрес
- Надішліть одержувачам персоналізований електронний лист відповідно до їх віку, статі та місця розташування.
Наташа Сельварай — науковець з даних-самоучок із пристрастю до письма. Ви можете зв’язатися з нею на LinkedIn.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: 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
- :є
- $UP
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- МЕНЮ
- вище
- доступ
- виконувати
- рахунки
- точний
- Achieve
- через
- насправді
- адреси
- після
- алгоритм
- ВСІ
- Дозволити
- дозволяє
- вже
- хоча
- кількість
- аналіз
- аналізувати
- Аналізуючи
- та
- тварини
- Відповіді
- API
- додаток
- з'являтися
- додатка
- ЕСТЬ
- стаття
- AS
- передбачається
- припущення
- At
- Authentication
- автоматизувати
- Автоматизований
- доступний
- середній
- назад
- Backend
- бар
- бари
- заснований
- BE
- оскільки
- ставати
- перед тим
- за
- Переваги
- Краще
- між
- bmi
- тіло
- Нудно
- Пробій
- будувати
- побудований
- бізнес
- by
- званий
- CAN
- скасовано
- не може
- Викликати
- зміна
- заміна
- Графік
- Chatbot
- ChatGPT
- очевидно
- клацання
- код
- COM
- майбутній
- загальний
- компанія
- Компанії
- повний
- складний
- Турбота
- впевнено
- З'єднуватися
- зв'язку
- консолідація
- зміст
- зміст
- підтверджувати
- може
- створювати
- створений
- створення
- Повноваження
- цікавий
- Поточний
- В даний час
- налаштувати
- налаштувати
- щодня
- дані
- аналіз даних
- наука про дані
- вчений даних
- візуалізація даних
- набори даних
- день
- дефолт
- залежний
- description
- деталі
- розвивати
- Діабет
- DID
- різниця
- різний
- документ
- документація
- документація
- Ні
- справи
- Не знаю
- скачати
- управляти
- під час
- кожен
- Раніше
- легше
- Ефективний
- Яйця
- або
- слон
- повідомлення електронної пошти
- включіть
- включений
- шифрування
- Що натомість? Створіть віртуальну версію себе у
- помилка
- помилки
- особливо
- Ефір (ETH)
- Події
- Кожен
- все
- точно
- перевершувати
- виконувати
- існуючий
- експеримент
- пояснені
- Дослідницький аналіз даних
- дослідити
- обширний
- витяг
- особливість
- плата
- кілька
- Рисунок
- філе
- Файли
- заповнювати
- знайти
- Перший
- виправляти
- фіксованою
- Сфокусувати
- стежити
- після
- для
- Колишній
- Безкоштовна
- часто
- від
- функціональний
- далі
- Стать
- породжувати
- генерується
- генерує
- породжує
- отримати
- Давати
- дає
- Gmail
- Go
- буде
- Зростання
- керівництво
- керівництво
- рука
- Мати
- голова
- допомога
- допомагає
- тут
- прихований
- вище
- дуже
- Горизонтальний
- ГОДИННИК
- Як
- How To
- Однак
- HTTPS
- величезний
- Сотні
- i
- ідеї
- негайно
- Impact
- імпорт
- важливо
- поліпшення
- in
- включені
- Augmenter
- неймовірно
- незалежний
- промисловості
- промисловість
- інформація
- замість
- зацікавлений
- інтерфейс
- Вступ
- питання
- IT
- ЙОГО
- робота
- приєднатися
- KDnuggets
- Знати
- етикетки
- земля
- мова
- великий
- найбільших
- останній
- запуск
- запущений
- вивчення
- дозволяє
- рівні
- бібліотека
- як
- Ймовірно
- Лінія
- ліній
- список
- загрузка
- розташування
- подивився
- шукати
- ВИГЛЯДИ
- серія
- машина
- навчання за допомогою машини
- made
- зробити
- вручну
- багато
- березня
- математики
- matplotlib
- згадує
- Злиття
- повідомлення
- може бути
- режим
- модель
- Моделі
- модифікований
- змінювати
- момент
- щомісячно
- щомісячна підписка
- більше
- найбільш
- рухатися
- множинний
- ім'я
- Переміщення
- Необхідність
- Нові
- новий додаток
- новітній
- новини
- горезвісний
- Листопад
- номер
- об'єкт
- of
- добре
- on
- ONE
- відкрити
- OpenAI
- оптимальний
- варіант
- Інше
- Результат
- Переважає
- вихід
- сторінка
- оплачувану
- панди
- пристрасть
- Пароль
- Паролі
- Платити
- Люди
- виконувати
- виконанні
- людина
- місце
- plato
- Інформація про дані Платона
- PlatoData
- плюс
- потенціал
- потужний
- попередник
- передбачати
- досить
- запобігати
- раніше
- друк
- ймовірно
- Проблема
- проблеми
- програми
- прогрес
- забезпечувати
- за умови
- громадськість
- публічно
- Python
- питань
- Швидко
- швидко
- Читати
- читач
- читання
- Причини
- отримати
- одержувачів
- відображено
- випущений
- доречний
- решті
- звітом
- Звіти
- вимагається
- Вимагається
- Дослідники
- відповідаючи
- відповідь
- результат
- результати
- прогін
- біг
- то ж
- зберегти
- Економія
- говорить
- шкала
- плановий
- наука
- вчений
- Екран
- морський народжений
- Грати короля карти - безкоштовно Nijumi логічна гра гри
- розділ
- безпечний
- безпеку
- відправка
- настрій
- комплект
- Повинен
- Показувати
- значний
- аналогічний
- простий
- просто
- з
- один
- Розмір
- менше
- So
- рішення
- ВИРІШИТИ
- Розв’язування
- деякі
- Джерела
- конкретний
- зазначений
- витрачати
- відпрацьований
- стенди
- старт
- залишатися
- Крок
- Як і раніше
- Стоп
- тема
- передплата
- Успішно
- Запропонує
- підходящий
- здивований
- синтаксис
- з урахуванням
- Приймати
- взяття
- Мета
- Завдання
- завдання
- методи
- розповідає
- шаблон
- Що
- Команда
- їх
- Їх
- Там.
- Ці
- річ
- через
- час
- трудомісткий
- назва
- під назвою
- TLS
- до
- інструмент
- топ
- Усього:
- навчений
- Тенденції
- Поворот
- підручник
- що лежить в основі
- розуміти
- Unicode
- модернізація
- us
- використання
- користувач
- користувачі
- зазвичай
- значення
- версія
- видимий
- візит
- візуалізації
- W
- хотів
- веб-сайт
- Що
- Чи
- який
- ВООЗ
- Вікіпедія
- волі
- з
- в
- слово
- слова
- Work
- робочий
- Робочі процеси
- робочий
- б
- запис
- лист
- письмовий
- вашу
- зефірнет