تصویر بذریعہ ایڈیٹر
14 مارچ، 2023 کو، OpenAI نے GPT-4 لانچ کیا، جو ان کے لینگویج ماڈل کا سب سے نیا اور طاقتور ورژن ہے۔
اپنے آغاز کے چند ہی گھنٹوں کے اندر، GPT-4 نے لوگوں کو دنگ کر دیا۔ ایک فعال ویب سائٹ میں ہاتھ سے تیار کردہ خاکہ, بار کا امتحان پاس کرنا، اور ویکیپیڈیا کے مضامین کا درست خلاصہ تیار کرنا.
یہ ریاضی کے مسائل حل کرنے اور منطق اور استدلال کی بنیاد پر سوالات کے جوابات دینے میں اپنے پیشرو GPT-3.5 کو بھی پیچھے چھوڑ دیتا ہے۔
ChatGPT، وہ چیٹ بوٹ جو GPT-3.5 کے اوپر بنایا گیا تھا اور عوام کے لیے جاری کیا گیا تھا، "ہیلوسینٹنگ" کے لیے بدنام تھا۔ یہ ایسے جوابات پیدا کرے گا جو بظاہر درست لگ رہے تھے اور "حقائق" کے ساتھ اپنے جوابات کا دفاع کریں گے، حالانکہ وہ غلطیوں سے لدے تھے۔
ایک صارف نے ٹوئٹر پر اس ماڈل کے اصرار کے بعد کہا کہ ہاتھی کے انڈے زمینی جانوروں میں سب سے بڑے ہیں۔
سے تصویر FioraAeterna
اور یہ وہیں نہیں رکا۔ الگورتھم نے اپنے ردعمل کی تصدیق ان حقائق کے ساتھ کی جس نے مجھے ایک لمحے کے لیے تقریباً قائل کر دیا تھا۔
دوسری طرف، GPT-4 کو کم کثرت سے "ہیلوسینیٹ" کرنے کی تربیت دی گئی تھی۔ اوپن اے آئی کا تازہ ترین ماڈل چال کرنا مشکل ہے اور اعتماد کے ساتھ اکثر جھوٹ پیدا نہیں کرتا ہے۔
ایک ڈیٹا سائنسدان کے طور پر، میری نوکری کا تقاضا ہے کہ میں متعلقہ ڈیٹا کے ذرائع تلاش کروں، بڑے ڈیٹا سیٹس کو پہلے سے پروسیس کروں، اور انتہائی درست مشین لرننگ ماڈلز تیار کروں جو کاروباری قدر کو آگے بڑھاتے ہیں۔
میں اپنے دن کا ایک بڑا حصہ مختلف فائل فارمیٹس سے ڈیٹا نکالنے اور اسے ایک جگہ پر اکٹھا کرنے میں صرف کرتا ہوں۔
After ChatGPT was first launched in November 2022, I looked to the chatbot for some guidance with my daily workflows. I used the tool to save the amount of time spent on menial work - so that I could focus on coming up with new ideas and creating better models instead.
GPT-4 کے جاری ہونے کے بعد، میں اس بارے میں متجسس تھا کہ کیا اس سے میرے کام میں کوئی فرق پڑے گا۔ کیا اپنے پیشروؤں کے مقابلے GPT-4 استعمال کرنے کے کوئی اہم فوائد تھے؟ کیا یہ مجھے GPT-3.5 کے ساتھ پہلے سے زیادہ وقت بچانے میں مدد دے گا؟
اس مضمون میں، میں آپ کو دکھاؤں گا کہ میں ڈیٹا سائنس ورک فلو کو خودکار کرنے کے لیے ChatGPT کا استعمال کیسے کرتا ہوں۔
میں وہی پرامپٹس بناؤں گا اور انہیں GPT-4 اور GPT-3.5 دونوں میں کھلاؤں گا، یہ دیکھنے کے لیے کہ آیا سابقہ واقعی بہتر کارکردگی کا مظاہرہ کرتا ہے اور اس کے نتیجے میں زیادہ وقت کی بچت ہوتی ہے۔
اگر آپ اس مضمون میں میرے ہر کام کے ساتھ عمل کرنا چاہتے ہیں تو آپ کو GPT-4 اور GPT-3.5 تک رسائی حاصل کرنے کی ضرورت ہے۔
GPT-3.5
GPT-3.5 عوامی طور پر OpenAI کی ویب سائٹ پر دستیاب ہے۔ بس تشریف لے جائیں۔ https://chat.openai.com/auth/login، مطلوبہ تفصیلات پُر کریں، اور آپ کو زبان کے ماڈل تک رسائی حاصل ہوگی:
سے تصویر چیٹ جی پی ٹی
GPT-4
دوسری طرف GPT-4، فی الحال ایک پے وال کے پیچھے چھپا ہوا ہے۔ ماڈل تک رسائی کے لیے، آپ کو "اپ گریڈ ٹو پلس" پر کلک کرکے ChatGPTPlus میں اپ گریڈ کرنا ہوگا۔
ماہانہ رکنیت کی فیس $20/ماہ ہے جسے کسی بھی وقت منسوخ کیا جا سکتا ہے:
سے تصویر چیٹ جی پی ٹی
اگر آپ ماہانہ سبسکرپشن فیس ادا نہیں کرنا چاہتے تو آپ بھی اس میں شامل ہو سکتے ہیں۔ API انتظار کی فہرست GPT-4 کے لیے۔ ایک بار جب آپ API تک رسائی حاصل کر لیتے ہیں، تو آپ پیروی کر سکتے ہیں۔ اس اسے ازگر میں استعمال کرنے کے لیے گائیڈ۔
اگر آپ کو فی الحال GPT-4 تک رسائی حاصل نہیں ہے تو یہ ٹھیک ہے۔
آپ اب بھی ChatGPT کے مفت ورژن کے ساتھ اس ٹیوٹوریل کی پیروی کر سکتے ہیں جو بیک اینڈ میں GPT-3.5 استعمال کرتا ہے۔
1. ڈیٹا ویزولائزیشن۔
تحقیقی ڈیٹا کا تجزیہ کرتے وقت، Python میں ایک فوری ویژولائزیشن تیار کرنے سے اکثر مجھے ڈیٹا سیٹ کو بہتر طور پر سمجھنے میں مدد ملتی ہے۔
Unfortunately, this task can become incredibly time-consuming - especially when you don’t know the right syntax to use to get the desired result.
میں اکثر اپنے آپ کو Seaborn کی وسیع دستاویزات کے ذریعے تلاش کرتا ہوں اور ایک Python پلاٹ تیار کرنے کے لیے StackOverflow کا استعمال کرتا ہوں۔
آئیے دیکھتے ہیں کہ آیا ChatGPT اس مسئلے کو حل کرنے میں مدد کر سکتا ہے۔
ہم استعمال کریں گے پیما انڈینز ذیابیطس اس سیکشن میں ڈیٹا سیٹ۔ اگر آپ ChatGPT کے ذریعہ تیار کردہ نتائج کے ساتھ ساتھ فالو کرنا چاہتے ہیں تو آپ ڈیٹاسیٹ ڈاؤن لوڈ کر سکتے ہیں۔
ڈیٹا سیٹ کو ڈاؤن لوڈ کرنے کے بعد، آئیے اسے پانڈاس لائبریری کا استعمال کرتے ہوئے Python میں لوڈ کریں اور ڈیٹا فریم کے ہیڈ کو پرنٹ کریں:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
اس ڈیٹاسیٹ میں نو متغیرات ہیں۔ ان میں سے ایک، "نتیجہ"، ہدف متغیر ہے جو ہمیں بتاتا ہے کہ آیا کسی شخص کو ذیابیطس ہو گی۔ باقی آزاد متغیرات ہیں جو نتیجہ کی پیشن گوئی کے لیے استعمال ہوتے ہیں۔
ٹھیک ہے! لہذا میں یہ دیکھنا چاہتا ہوں کہ ان میں سے کون سے متغیرات اس بات پر اثر انداز ہوتے ہیں کہ آیا کسی شخص کو ذیابیطس ہو گی۔
اس کو حاصل کرنے کے لیے، ہم ڈیٹاسیٹ میں تمام منحصر متغیرات میں متغیر "ذیابیطس" کو دیکھنے کے لیے ایک کلسٹرڈ بار چارٹ بنا سکتے ہیں۔
یہ اصل میں بہت آسان ہے کوڈ آؤٹ، لیکن آئیے سادہ شروع کرتے ہیں. جیسا کہ ہم مضمون کے ذریعے آگے بڑھیں گے ہم مزید پیچیدہ اشارے پر جائیں گے۔
GPT-3.5 کے ساتھ ڈیٹا ویژولائزیشن
چونکہ میرے پاس ChatGPT کی بامعاوضہ سبسکرپشن ہے، اس لیے یہ ٹول مجھے اس بنیادی ماڈل کو منتخب کرنے کی اجازت دیتا ہے جسے میں ہر بار استعمال کرنا چاہوں گا جب میں اس تک رسائی حاصل کروں گا۔
میں GPT-3.5 کو منتخب کرنے جا رہا ہوں:
ChatGPT Plus سے تصویر
اگر آپ کے پاس سبسکرپشن نہیں ہے، تو آپ ChatGPT کا مفت ورژن استعمال کر سکتے ہیں کیونکہ چیٹ بوٹ پہلے سے طے شدہ طور پر GPT-3.5 استعمال کرتا ہے۔
اب، ذیابیطس ڈیٹاسیٹ کا استعمال کرتے ہوئے ایک تصور پیدا کرنے کے لیے درج ذیل پرامپٹ کو ٹائپ کریں:
I have a dataset with 8 independent variables and 1 dependent variable. The dependent variable, "Outcome", tells us whether a person will develop diabetes.
The independent variables, "Pregnancies", "Glucose", "BloodPressure", "SkinThickness", "Insulin", "BMI", "DiabetesPedigreeFunction", and "Age" are used to predict this outcome.
Can you generate Python code to visualize all these independent variables by outcome? The output should be one clustered bar chart that is colored by the "Outcome" variable. There should be 16 bars in total, 2 for each independent variable.
مندرجہ بالا اشارے پر ماڈل کا جواب یہ ہے:
ایک چیز جو فوری طور پر سامنے آتی ہے وہ یہ ہے کہ ماڈل نے فرض کیا کہ ہم Seaborn سے ڈیٹاسیٹ درآمد کرنا چاہتے ہیں۔ اس نے شاید یہ مفروضہ اس وقت سے بنایا جب ہم نے اسے سیبورن لائبریری استعمال کرنے کو کہا۔
یہ کوئی بڑا مسئلہ نہیں ہے، ہمیں کوڈز چلانے سے پہلے صرف ایک لائن کو تبدیل کرنے کی ضرورت ہے۔
یہاں GPT-3.5 کے ذریعہ تیار کردہ مکمل کوڈ کا ٹکڑا ہے:
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()
آپ اسے اپنے Python IDE میں کاپی اور پیسٹ کر سکتے ہیں۔
مندرجہ بالا کوڈ کو چلانے کے بعد پیدا ہونے والا نتیجہ یہ ہے:
یہ چارٹ کامل لگتا ہے! ChatGPT میں پرامپٹ ٹائپ کرتے وقت میں نے اس کا تصور بالکل اسی طرح کیا تھا۔
تاہم، ایک مسئلہ جو کھڑا ہے، وہ یہ ہے کہ اس چارٹ کا متن اوورلیپ ہو رہا ہے۔ میں ماڈل سے پوچھنے جا رہا ہوں کہ کیا یہ مندرجہ ذیل پرامپٹ کو ٹائپ کرکے اسے ٹھیک کرنے میں ہماری مدد کر سکتا ہے:
الگورتھم نے وضاحت کی کہ ہم چارٹ لیبلز کو گھما کر یا اعداد و شمار کے سائز کو ایڈجسٹ کرکے اس اوورلیپ کو روک سکتے ہیں۔ اس کو حاصل کرنے میں ہماری مدد کے لیے اس نے نیا کوڈ بھی تیار کیا۔
آئیے اس کوڈ کو یہ دیکھنے کے لیے چلائیں کہ آیا یہ ہمیں مطلوبہ نتائج دیتا ہے:
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()
کوڈ کی مندرجہ بالا لائنوں کو مندرجہ ذیل آؤٹ پٹ پیدا کرنا چاہئے:
یہ بہت اچھا لگتا ہے!
میں صرف اس چارٹ کو دیکھ کر ڈیٹاسیٹ کو بہت بہتر سمجھتا ہوں۔ ایسا لگتا ہے جیسے زیادہ گلوکوز اور انسولین کی سطح والے لوگوں میں ذیابیطس ہونے کا امکان زیادہ ہوتا ہے۔
نیز، یہ بھی دیکھیں کہ "DiabetesPedigreeFunction" متغیر ہمیں اس چارٹ میں کوئی معلومات نہیں دیتا ہے۔ اس کی وجہ یہ ہے کہ یہ خصوصیت چھوٹے پیمانے پر ہے (0 اور 2.4 کے درمیان)۔ اگر آپ ChatGPT کے ساتھ مزید تجربہ کرنا چاہتے ہیں، تو آپ اس مسئلے کو حل کرنے کے لیے اسے ایک چارٹ کے اندر متعدد ذیلی پلاٹ بنانے کا کہہ سکتے ہیں۔
GPT-4 کے ساتھ ڈیٹا ویژولائزیشن
اب، آئیے وہی اشارے GPT-4 میں ڈالتے ہیں کہ آیا ہمیں کوئی مختلف جواب ملتا ہے۔ میں ChatGPT کے اندر GPT-4 ماڈل منتخب کرنے جا رہا ہوں اور پہلے کی طرح اسی پرامپٹ میں ٹائپ کروں گا:
غور کریں کہ GPT-4 کس طرح یہ فرض نہیں کرتا ہے کہ ہم ایک ڈیٹا فریم استعمال کریں گے جو Seaborn میں بنایا گیا ہے۔
یہ ہمیں بتاتا ہے کہ یہ تصور کو بنانے کے لیے "df" نامی ڈیٹا فریم کا استعمال کرے گا، جو GPT-3.5 کے ذریعے پیدا ہونے والے ردعمل سے بہتری ہے۔
یہاں اس الگورتھم کے ذریعہ تیار کردہ مکمل کوڈ ہے:
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()
مندرجہ بالا کوڈ کو مندرجہ ذیل پلاٹ تیار کرنا چاہئے:
یہ مکمل ہے!
اگرچہ ہم نے اسے نہیں کہا، GPT-4 نے پلاٹ کا سائز بڑھانے کے لیے کوڈ کی ایک لائن شامل کی ہے۔ اس چارٹ پر تمام لیبلز واضح طور پر دکھائی دے رہے ہیں، لہذا ہمیں واپس جانے اور کوڈ میں ترمیم کرنے کی ضرورت نہیں ہے جیسا کہ ہم نے پہلے کیا تھا۔
یہ GPT-3.5 کے ذریعہ تیار کردہ ردعمل سے ایک قدم اوپر ہے۔
مجموعی طور پر، تاہم، ایسا لگتا ہے کہ GPT-3.5 اور GPT-4 دونوں ہی ڈیٹا ویژولائزیشن اور تجزیہ جیسے کاموں کو انجام دینے کے لیے کوڈ بنانے میں مؤثر ہیں۔
یہ نوٹ کرنا ضروری ہے کہ چونکہ آپ ChatGPT کے انٹرفیس میں ڈیٹا اپ لوڈ نہیں کر سکتے، اس لیے آپ کو بہترین نتائج کے لیے اپنے ڈیٹا سیٹ کی درست وضاحت کے ساتھ ماڈل فراہم کرنا چاہیے۔
2. پی ڈی ایف دستاویزات کے ساتھ کام کرنا
اگرچہ یہ ڈیٹا سائنس کے استعمال کا عام معاملہ نہیں ہے، مجھے ایک بار جذباتی تجزیہ ماڈل بنانے کے لیے سینکڑوں پی ڈی ایف فائلوں سے ٹیکسٹ ڈیٹا نکالنا پڑا ہے۔ ڈیٹا غیر ساختہ تھا، اور میں نے اسے نکالنے اور پہلے سے پروسیس کرنے میں کافی وقت صرف کیا۔
میں اکثر ان محققین کے ساتھ بھی کام کرتا ہوں جو مخصوص صنعتوں میں رونما ہونے والے موجودہ واقعات کے بارے میں مواد پڑھتے اور تخلیق کرتے ہیں۔ انہیں خبروں میں سرفہرست رہنے، کمپنی کی رپورٹس کے ذریعے تجزیہ کرنے اور صنعت میں ممکنہ رجحانات کے بارے میں پڑھنے کی ضرورت ہے۔
کمپنی کی رپورٹ کے 100 صفحات کو پڑھنے کے بجائے، کیا یہ آسان نہیں ہے کہ آپ صرف ان الفاظ کو نکالیں جن میں آپ کی دلچسپی ہے اور صرف ان جملوں کو پڑھنا جن میں وہ کلیدی الفاظ شامل ہیں؟
یا اگر آپ رجحانات میں دلچسپی رکھتے ہیں، تو آپ ایک خودکار ورک فلو بنا سکتے ہیں جو ہر رپورٹ کو دستی طور پر دیکھنے کے بجائے وقت کے ساتھ ساتھ مطلوبہ الفاظ کی ترقی کو ظاہر کرتا ہے۔
اس سیکشن میں، ہم Python میں PDF فائلوں کا تجزیہ کرنے کے لیے ChatGPT استعمال کریں گے۔ ہم چیٹ بوٹ سے پی ڈی ایف فائل کے مواد کو نکالنے اور اسے ٹیکسٹ فائل میں لکھنے کو کہیں گے۔
دوبارہ، یہ GPT-3.5 اور GPT-4 دونوں کا استعمال کرتے ہوئے یہ دیکھنے کے لیے کیا جائے گا کہ آیا پیدا کردہ کوڈ میں کوئی خاص فرق ہے۔
GPT-3.5 کے ساتھ پی ڈی ایف فائلوں کو پڑھنا
اس سیکشن میں، ہم عوامی طور پر دستیاب PDF دستاویز کا تجزیہ کریں گے جس کا عنوان ہے۔ انجینئرز کے لیے مشین لرننگ کا مختصر تعارف. اگر آپ اس سیکشن کے ساتھ کوڈ کرنا چاہتے ہیں تو اس فائل کو ڈاؤن لوڈ کرنا یقینی بنائیں۔
سب سے پہلے، آئیے الگورتھم سے اس پی ڈی ایف دستاویز سے ڈیٹا نکالنے اور اسے ٹیکسٹ فائل میں محفوظ کرنے کے لیے Python کوڈ بنانے کے لیے کہتے ہیں:
الگورتھم کے ذریعہ فراہم کردہ مکمل کوڈ یہ ہے:
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)
(نوٹ: اس کوڈ کو چلانے سے پہلے پی ڈی ایف فائل کا نام تبدیل کرنا یقینی بنائیں۔)
بدقسمتی سے، GPT-3.5 کے ذریعے تیار کردہ کوڈ کو چلانے کے بعد، مجھے درج ذیل یونی کوڈ کی خرابی کا سامنا کرنا پڑا:
آئیے GPT-3.5 پر واپس جائیں اور دیکھیں کہ آیا ماڈل اسے ٹھیک کر سکتا ہے:
میں نے غلطی کو ChatGPT میں چسپاں کر دیا، اور ماڈل نے جواب دیا کہ "utf-8" میں استعمال ہونے والی انکوڈنگ کو تبدیل کر کے اسے ٹھیک کیا جا سکتا ہے۔ اس نے مجھے کچھ ترمیم شدہ کوڈ بھی دیا جو اس تبدیلی کی عکاسی کرتا ہے:
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)
اس کوڈ کو کامیابی کے ساتھ نافذ کیا گیا اور "output_file.txt" نامی ایک ٹیکسٹ فائل بنائی۔ پی ڈی ایف دستاویز میں موجود تمام مواد کو فائل میں لکھا گیا ہے:
GPT-4 کے ساتھ پی ڈی ایف فائلوں کو پڑھنا
اب، میں اسی پرامپٹ کو GPT-4 میں چسپاں کرنے جا رہا ہوں یہ دیکھنے کے لیے کہ ماڈل کس چیز کے ساتھ آتا ہے:
یہاں GPT-4 کے ذریعہ تیار کردہ مکمل کوڈ ہے:
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)
اس کو دیکھو!
GPT-3.5 کے برعکس، GPT-4 نے پہلے ہی وضاحت کی ہے کہ ٹیکسٹ فائل کو کھولنے کے لیے "utf-8" انکوڈنگ کا استعمال کیا جانا چاہیے۔ ہمیں واپس جانے اور کوڈ میں ترمیم کرنے کی ضرورت نہیں ہے جیسا کہ ہم نے پہلے کیا تھا۔
GPT-4 کے ذریعہ فراہم کردہ کوڈ کو کامیابی کے ساتھ عمل میں لانا چاہئے، اور آپ کو پی ڈی ایف دستاویز کے مواد کو اس ٹیکسٹ فائل میں دیکھنا چاہئے جو بنائی گئی تھی۔
بہت سی دوسری تکنیکیں ہیں جو آپ Python کے ساتھ PDF دستاویزات کو خودکار کرنے کے لیے استعمال کر سکتے ہیں۔ اگر آپ اسے مزید دریافت کرنا چاہتے ہیں، تو یہاں کچھ اور اشارے ہیں جو آپ ChatGPT میں ٹائپ کر سکتے ہیں:
- کیا آپ دو پی ڈی ایف فائلوں کو ضم کرنے کے لیے ازگر کوڈ لکھ سکتے ہیں؟
- میں Python کے ساتھ پی ڈی ایف دستاویز میں کسی مخصوص لفظ یا فقرے کی موجودگی کو کیسے گن سکتا ہوں؟
- کیا آپ پی ڈی ایف سے ٹیبل نکالنے اور ایکسل میں لکھنے کے لیے ازگر کوڈ لکھ سکتے ہیں؟
I suggest trying some of these during your free time - you’d be surprised at how quickly GPT-4 can help you accomplish menial tasks that usually take hours to perform.
3. خودکار ای میلز بھیجنا
میں اپنے ورک ویک کے گھنٹے ای میلز کو پڑھنے اور جواب دینے میں صرف کرتا ہوں۔ نہ صرف یہ وقت طلب ہے، بلکہ جب آپ سخت ڈیڈ لائنز کا پیچھا کر رہے ہوں تو ای میلز کے اوپر رہنے کے لیے یہ ناقابل یقین حد تک دباؤ کا باعث بھی ہو سکتا ہے۔
اور اگرچہ آپ ChatGPT اپنے لیے اپنی تمام ای میلز لکھنے کے لیے حاصل نہیں کر سکتے ہیں (میری خواہش ہے)، آپ پھر بھی اسے ایسے پروگرام لکھنے کے لیے استعمال کر سکتے ہیں جو ایک مخصوص وقت پر طے شدہ ای میلز بھیجتے ہیں یا ایک ای میل ٹیمپلیٹ میں ترمیم کرتے ہیں جو متعدد لوگوں کو بھیجی جا سکتی ہے۔ .
اس سیکشن میں، ہمیں خودکار ای میل بھیجنے کے لیے Python اسکرپٹ لکھنے میں مدد کرنے کے لیے GPT-3.5 اور GPT-4 ملے گا۔
GPT-3.5 کے ساتھ خودکار ای میلز بھیجنا
سب سے پہلے، خودکار ای میل بھیجنے کے لیے کوڈز بنانے کے لیے درج ذیل پرامپٹ کو ٹائپ کریں:
یہاں GPT-3.5 کے ذریعہ تیار کردہ مکمل کوڈ ہے (اس کوڈ کو چلانے سے پہلے ای میل ایڈریس اور پاس ورڈ کو تبدیل کرنا یقینی بنائیں):
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)
بدقسمتی سے، اس کوڈ نے میرے لیے کامیابی سے عمل نہیں کیا۔ اس نے درج ذیل خرابی پیدا کی:
آئیے اس غلطی کو ChatGPT میں چسپاں کرتے ہیں اور دیکھتے ہیں کہ آیا ماڈل اسے حل کرنے میں ہماری مدد کر سکتا ہے:
ٹھیک ہے، تو الگورتھم نے چند وجوہات کی نشاندہی کی کہ ہم اس غلطی کا شکار کیوں ہو سکتے ہیں۔
میں اس حقیقت کے لیے جانتا ہوں کہ میرے لاگ ان کی اسناد اور ای میل ایڈریس درست تھے، اور یہ کہ کوڈ میں ٹائپنگ کی کوئی غلطی نہیں تھی۔ اس لیے ان وجوہات کو رد کیا جا سکتا ہے۔
GPT-3.5 یہ بھی تجویز کرتا ہے کہ کم محفوظ ایپس کو اجازت دینے سے یہ مسئلہ حل ہو سکتا ہے۔
اگر آپ اسے آزماتے ہیں، تاہم، آپ کو اپنے Google اکاؤنٹ میں کم محفوظ ایپس تک رسائی کی اجازت دینے کا آپشن نہیں ملے گا۔
اس کی وجہ یہ ہے کہ گوگل اب نہیں سیکیورٹی خدشات کی وجہ سے صارفین کو کم محفوظ ایپس کی اجازت دیتا ہے۔
آخر میں، GPT-3.5 یہ بھی بتاتا ہے کہ اگر دو عنصر کی توثیق کو فعال کیا گیا ہو تو ایک ایپ پاس ورڈ تیار کیا جانا چاہیے۔
میرے پاس دو عنصر کی توثیق فعال نہیں ہے، لہذا میں (عارضی طور پر) اس ماڈل کو ترک کرنے جا رہا ہوں اور دیکھوں گا کہ آیا GPT-4 کا کوئی حل ہے۔
GPT-4 کے ساتھ خودکار ای میلز بھیجنا
ٹھیک ہے، لہذا اگر آپ وہی پرامپٹ GPT-4 میں ٹائپ کرتے ہیں، تو آپ کو معلوم ہوگا کہ الگورتھم کوڈ تیار کرتا ہے جو کہ GPT-3.5 سے ملتا جلتا ہے۔ یہ وہی خرابی پیدا کرے گا جس کا ہم نے پہلے سامنا کیا تھا۔
آئیے دیکھتے ہیں کہ کیا GPT-4 اس غلطی کو ٹھیک کرنے میں ہماری مدد کر سکتا ہے:
GPT-4 کی تجاویز بہت ملتی جلتی ہیں جو ہم نے پہلے دیکھی تھیں۔
تاہم، اس بار، یہ ہمیں ہر قدم کو پورا کرنے کے طریقہ کار کا مرحلہ وار بریک ڈاؤن دیتا ہے۔
GPT-4 ایک ایپ پاس ورڈ بنانے کا بھی مشورہ دیتا ہے، تو آئیے اسے آزمائیں۔
سب سے پہلے، اپنے Google اکاؤنٹ پر جائیں، "سیکیورٹی" پر جائیں، اور دو عنصر کی توثیق کو فعال کریں۔ پھر، اسی سیکشن میں، آپ کو ایک آپشن نظر آنا چاہیے جو کہتا ہے "ایپ پاس ورڈز۔"
اس پر کلک کریں اور درج ذیل سکرین ظاہر ہو جائے گی۔
آپ اپنی پسند کا کوئی بھی نام درج کر سکتے ہیں، اور "جنریٹ" پر کلک کر سکتے ہیں۔
ایک نیا ایپ پاس ورڈ ظاہر ہوگا۔
Python کوڈ میں اپنا موجودہ پاس ورڈ اس ایپ پاس ورڈ سے بدلیں اور کوڈ کو دوبارہ چلائیں:
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)
اسے اس بار کامیابی سے چلنا چاہیے، اور آپ کے وصول کنندہ کو ایک ای میل موصول ہوگا جو اس طرح نظر آئے گا:
ٹھیک ہے!
ChatGPT کا شکریہ، ہم نے Python کے ساتھ کامیابی سے ایک خودکار ای میل بھیجی ہے۔
اگر آپ اسے ایک قدم آگے بڑھانا چاہتے ہیں تو، میں تجویز کرتا ہوں کہ آپ ایسے اشارے تیار کریں جو آپ کو یہ کرنے کی اجازت دیتے ہیں:
- ایک ہی وقت میں متعدد وصول کنندگان کو بڑی تعداد میں ای میلز بھیجیں۔
- طے شدہ ای میلز کو ای میل پتوں کی پہلے سے طے شدہ فہرست پر بھیجیں۔
- وصول کنندگان کو ایک حسب ضرورت ای میل بھیجیں جو ان کی عمر، جنس اور مقام کے مطابق ہو۔
نتاشا سلوراج لکھنے کا شوق رکھنے والا ایک خود سکھایا ہوا ڈیٹا سائنسدان ہے۔ آپ اس کے ساتھ آن رابطہ کر سکتے ہیں۔ لنکڈ.
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: 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
- : ہے
- $UP
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- ہمارے بارے میں
- اوپر
- تک رسائی حاصل
- پورا
- اکاؤنٹ
- درست
- حاصل
- کے پار
- اصل میں
- پتے
- کے بعد
- یلگورتم
- تمام
- اجازت دے رہا ہے
- کی اجازت دیتا ہے
- پہلے ہی
- اگرچہ
- رقم
- تجزیہ
- تجزیے
- تجزیہ
- اور
- جانوروں
- جواب
- اے پی آئی
- اپلی کیشن
- ظاہر
- ایپس
- کیا
- مضمون
- AS
- فرض کیا
- مفروضہ
- At
- کی توثیق
- خود کار طریقے سے
- آٹومیٹڈ
- دستیاب
- اوسط
- واپس
- پسدید
- بار
- سلاکھون
- کی بنیاد پر
- BE
- کیونکہ
- بن
- اس سے پہلے
- پیچھے
- فوائد
- بہتر
- کے درمیان
- bmi
- جسم
- بورنگ
- خرابی
- تعمیر
- تعمیر
- کاروبار
- by
- کہا جاتا ہے
- کر سکتے ہیں
- منسوخ
- نہیں کر سکتے ہیں
- کیونکہ
- تبدیل
- تبدیل کرنے
- چارٹ
- چیٹ بٹ
- چیٹ جی پی ٹی
- واضح طور پر
- کلک کریں
- کوڈ
- COM
- آنے والے
- کامن
- کمپنی کے
- کمپنی کی
- مکمل
- پیچیدہ
- اندراج
- اعتماد سے
- رابطہ قائم کریں
- کنکشن
- مضبوط
- مواد
- مندرجات
- ہم آہنگی
- سکتا ہے
- تخلیق
- بنائی
- تخلیق
- اسناد
- شوقین
- موجودہ
- اس وقت
- اپنی مرضی کے مطابق
- اپنی مرضی کے مطابق
- روزانہ
- اعداد و شمار
- ڈیٹا تجزیہ
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- اعداد و شمار کی تصور
- ڈیٹاسیٹس
- دن
- پہلے سے طے شدہ
- انحصار
- تفصیل
- تفصیلات
- ترقی
- ذیابیطس
- DID
- فرق
- مختلف
- دستاویز
- دستاویزات
- دستاویزات
- نہیں کرتا
- کر
- نہیں
- ڈاؤن لوڈ، اتارنا
- ڈرائیو
- کے دوران
- ہر ایک
- اس سے قبل
- آسان
- موثر
- انڈے
- یا تو
- ہاتھی
- ای میل
- ای میل
- کو چالو کرنے کے
- چالو حالت میں
- خفیہ کاری
- درج
- خرابی
- نقائص
- خاص طور پر
- Ether (ETH)
- واقعات
- ہر کوئی
- سب کچھ
- بالکل
- ایکسل
- عملدرآمد
- موجودہ
- تجربہ
- وضاحت کی
- تحقیقی ڈیٹا کا تجزیہ
- تلاش
- وسیع
- نکالنے
- نمایاں کریں
- فیس
- چند
- اعداد و شمار
- فائل
- فائلوں
- بھرنے
- مل
- پہلا
- درست کریں
- مقرر
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- کے لئے
- سابق
- مفت
- اکثر
- سے
- فنکشنل
- مزید
- جنس
- پیدا
- پیدا
- پیدا ہوتا ہے
- پیدا کرنے والے
- حاصل
- دے دو
- فراہم کرتا ہے
- GMAIL
- Go
- جا
- گوگل
- ترقی
- رہنمائی
- رہنمائی
- ہاتھ
- ہے
- سر
- مدد
- مدد کرتا ہے
- یہاں
- پوشیدہ
- اعلی
- انتہائی
- افقی
- HOURS
- کس طرح
- کیسے
- تاہم
- HTTPS
- بھاری
- سینکڑوں
- i
- خیالات
- فوری طور پر
- اثر
- درآمد
- اہم
- بہتری
- in
- شامل
- اضافہ
- ناقابل یقین حد تک
- آزاد
- صنعتوں
- صنعت
- معلومات
- کے بجائے
- دلچسپی
- انٹرفیس
- تعارف
- مسئلہ
- IT
- میں
- ایوب
- میں شامل
- KDnuggets
- جان
- لیبل
- لینڈ
- زبان
- بڑے
- سب سے بڑا
- تازہ ترین
- شروع
- شروع
- سیکھنے
- آو ہم
- سطح
- لائبریری
- کی طرح
- امکان
- لائن
- لائنوں
- لنکڈ
- لسٹ
- لوڈ
- محل وقوع
- دیکھا
- تلاش
- دیکھنا
- بہت
- مشین
- مشین لرننگ
- بنا
- بنا
- دستی طور پر
- بہت سے
- مارچ
- ریاضی
- matplotlib
- ذکر ہے
- ضم کریں
- پیغام
- شاید
- موڈ
- ماڈل
- ماڈل
- نظر ثانی کی
- نظر ثانی کرنے
- لمحہ
- ماہانہ
- ماہانہ رکنیت
- زیادہ
- سب سے زیادہ
- منتقل
- ایک سے زیادہ
- نام
- تشریف لے جائیں
- ضرورت ہے
- نئی
- نیا اے پی پی
- تازہ ترین
- خبر
- بدنام
- نومبر
- تعداد
- اعتراض
- of
- ٹھیک ہے
- on
- ایک
- کھول
- اوپنائی
- زیادہ سے زیادہ
- اختیار
- دیگر
- نتائج
- Outperforms
- پیداوار
- صفحہ
- ادا
- pandas
- جذبہ
- پاس ورڈ
- پاس ورڈز
- ادا
- لوگ
- انجام دینے کے
- کارکردگی کا مظاہرہ
- انسان
- مقام
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- علاوہ
- ممکنہ
- طاقتور
- پیشگی
- پیشن گوئی
- خوبصورت
- کی روک تھام
- پہلے
- پرنٹ
- شاید
- مسئلہ
- مسائل
- پروگرام
- پیش رفت
- فراہم
- فراہم
- عوامی
- عوامی طور پر
- ازگر
- سوالات
- فوری
- جلدی سے
- پڑھیں
- ریڈر
- پڑھنا
- وجوہات
- وصول
- وصول کنندگان
- جھلکتی ہے
- جاری
- متعلقہ
- باقی
- رپورٹ
- رپورٹیں
- ضرورت
- کی ضرورت ہے
- محققین
- جواب دیں
- جواب
- نتیجہ
- نتائج کی نمائش
- رن
- چل رہا ہے
- اسی
- محفوظ کریں
- بچت
- کا کہنا ہے کہ
- پیمانے
- شیڈول کے مطابق
- سائنس
- سائنسدان
- سکرین
- سمندری
- تلاش
- سیکشن
- محفوظ بنانے
- سیکورٹی
- بھیجنا
- جذبات
- مقرر
- ہونا چاہئے
- دکھائیں
- اہم
- اسی طرح
- سادہ
- صرف
- بعد
- ایک
- سائز
- چھوٹے
- So
- حل
- حل
- حل کرنا۔
- کچھ
- ذرائع
- مخصوص
- مخصوص
- خرچ
- خرچ
- کھڑا ہے
- شروع کریں
- رہنا
- مرحلہ
- ابھی تک
- بند کرو
- موضوع
- سبسکرائب
- کامیابی کے ساتھ
- پتہ چلتا ہے
- موزوں
- حیران کن
- نحو
- موزوں
- لے لو
- لینے
- ہدف
- ٹاسک
- کاموں
- تکنیک
- بتاتا ہے
- سانچے
- کہ
- ۔
- ان
- ان
- وہاں.
- یہ
- بات
- کے ذریعے
- وقت
- وقت لگتا
- عنوان
- عنوان
- TLS
- کرنے کے لئے
- کے آلے
- سب سے اوپر
- کل
- تربیت یافتہ
- رجحانات
- ٹرننگ
- سبق
- ٹویٹر
- بنیادی
- سمجھ
- یونیکوڈ
- اپ گریڈ
- us
- استعمال کی شرائط
- رکن کا
- صارفین
- عام طور پر
- قیمت
- ورژن
- نظر
- دورہ
- تصور
- W
- چاہتے تھے
- ویب سائٹ
- کیا
- چاہے
- جس
- ڈبلیو
- وکیپیڈیا
- گے
- ساتھ
- کے اندر
- لفظ
- الفاظ
- کام
- کام کا بہاؤ
- کام کے بہاؤ
- کام کر
- گا
- لکھنا
- تحریری طور پر
- لکھا
- اور
- زیفیرنیٹ