Hình ảnh của Editor
Vào ngày 14 tháng 2023 năm 4, OpenAI đã ra mắt GPT-XNUMX, phiên bản mới nhất và mạnh mẽ nhất trong mô hình ngôn ngữ của họ.
Chỉ trong vài giờ sau khi ra mắt, GPT-4 đã khiến mọi người choáng váng khi biến một bản phác thảo vẽ tay thành một trang web chức năng, vượt qua kỳ thi thanhvà tạo bản tóm tắt chính xác các bài viết trên Wikipedia.
Nó cũng vượt trội so với người tiền nhiệm của nó, GPT-3.5, trong việc giải các bài toán và trả lời các câu hỏi dựa trên logic và suy luận.
ChatGPT, chatbot được xây dựng dựa trên GPT-3.5 và được phát hành ra công chúng, nổi tiếng là “ảo giác”. Nó sẽ tạo ra những câu trả lời có vẻ đúng và sẽ bảo vệ câu trả lời của mình bằng “sự thật”, mặc dù chúng chứa đầy lỗi.
Một người dùng đã lên Twitter sau khi người mẫu khẳng định rằng trứng voi là loài lớn nhất trong số các loài động vật trên cạn:
Hình ảnh từ FioraAeterna
Và nó đã không dừng lại ở đó. Thuật toán tiếp tục chứng thực phản hồi của nó bằng những sự thật bịa đặt khiến tôi gần như bị thuyết phục trong giây lát.
Mặt khác, GPT-4 đã được huấn luyện để ít bị “ảo giác” hơn. Mô hình mới nhất của OpenAI khó bị đánh lừa hơn và không thường xuyên tạo ra các thông tin sai lệch một cách tự tin.
Là một nhà khoa học dữ liệu, công việc của tôi yêu cầu tôi phải tìm các nguồn dữ liệu có liên quan, xử lý trước các tập dữ liệu lớn và xây dựng các mô hình máy học có độ chính xác cao nhằm thúc đẩy giá trị kinh doanh.
Tôi dành phần lớn thời gian trong ngày của mình để trích xuất dữ liệu từ các định dạng tệp khác nhau và hợp nhất dữ liệu đó vào một nơi.
Sau khi ChatGPT ra mắt lần đầu tiên vào tháng 2022 năm XNUMX, tôi đã tìm đến chatbot để được hướng dẫn về quy trình làm việc hàng ngày của mình. Tôi đã sử dụng công cụ này để tiết kiệm thời gian dành cho những công việc tầm thường - để thay vào đó tôi có thể tập trung vào việc đưa ra những ý tưởng mới và tạo ra những mô hình tốt hơn.
Sau khi GPT-4 được phát hành, tôi tò mò liệu nó có tạo ra sự khác biệt trong công việc tôi đang làm hay không. Có bất kỳ lợi ích đáng kể nào khi sử dụng GPT-4 so với các phiên bản trước không? Nó có giúp tôi tiết kiệm nhiều thời gian hơn so với GPT-3.5 không?
Trong bài viết này, tôi sẽ chỉ cho bạn cách tôi sử dụng ChatGPT để tự động hóa quy trình công việc khoa học dữ liệu.
Tôi sẽ tạo các lời nhắc giống nhau và đưa chúng vào cả GPT-4 và GPT-3.5 để xem liệu GPT-XNUMX và GPT-XNUMX có thực sự hoạt động tốt hơn và giúp tiết kiệm thời gian hơn không.
Nếu bạn muốn làm theo mọi thứ tôi làm trong bài viết này, bạn cần có quyền truy cập vào GPT-4 và GPT-3.5.
GPT-3.5
GPT-3.5 được cung cấp công khai trên trang web của OpenAI. Chỉ cần điều hướng đến https://chat.openai.com/auth/login, điền vào các chi tiết được yêu cầu và bạn sẽ có quyền truy cập vào mô hình ngôn ngữ:
Hình ảnh từ ChatGPT
GPT-4
Mặt khác, GPT-4 hiện đang ẩn sau tường phí. Để truy cập mô hình, bạn cần nâng cấp lên ChatGPTPlus bằng cách nhấp vào “Upgrade to Plus”.
Có một khoản phí đăng ký hàng tháng là $20/tháng có thể bị hủy bất cứ lúc nào:
Hình ảnh từ ChatGPT
Nếu bạn không muốn trả phí thuê bao hàng tháng, bạn cũng có thể tham gia danh sách chờ API cho GPT-4. Khi bạn có quyền truy cập vào API, bạn có thể theo dõi điều này hướng dẫn sử dụng nó trong Python.
Không có vấn đề gì nếu bạn hiện không có quyền truy cập vào GPT-4.
Bạn vẫn có thể làm theo hướng dẫn này với phiên bản ChatGPT miễn phí sử dụng GPT-3.5 trong phần phụ trợ.
1. Trực quan hóa dữ liệu
Khi thực hiện phân tích dữ liệu khám phá, việc tạo trực quan nhanh bằng Python thường giúp tôi hiểu rõ hơn về tập dữ liệu.
Thật không may, nhiệm vụ này có thể cực kỳ tốn thời gian - đặc biệt là khi bạn không biết sử dụng cú pháp phù hợp để có được kết quả mong muốn.
Tôi thường thấy mình tìm kiếm thông qua tài liệu mở rộng của Seaborn và sử dụng StackOverflow để tạo một biểu đồ Python duy nhất.
Hãy xem ChatGPT có thể giúp giải quyết vấn đề này không.
Chúng tôi sẽ sử dụng Người da đỏ Pima tập dữ liệu trong phần này. Bạn có thể tải tập dữ liệu xuống nếu muốn theo dõi kết quả do ChatGPT tạo ra.
Sau khi tải xuống tập dữ liệu, hãy tải nó vào Python bằng thư viện Pandas và in phần đầu của khung dữ liệu:
import pandas as pd df = pd.read_csv('diabetes.csv')
df.head()
Có chín biến trong tập dữ liệu này. Một trong số đó, “Kết quả”, là biến mục tiêu cho chúng ta biết liệu một người có mắc bệnh tiểu đường hay không. Phần còn lại là các biến độc lập được sử dụng để dự đoán kết quả.
Được rồi! Vì vậy, tôi muốn xem biến số nào trong số này có tác động đến việc liệu một người có mắc bệnh tiểu đường hay không.
Để đạt được điều này, chúng ta có thể tạo biểu đồ thanh nhóm để trực quan hóa biến "Bệnh tiểu đường" trên tất cả các biến phụ thuộc trong tập dữ liệu.
Điều này thực sự khá dễ viết mã, nhưng hãy bắt đầu đơn giản. Chúng tôi sẽ chuyển sang các lời nhắc phức tạp hơn khi chúng tôi tiến hành thông qua bài viết.
Trực quan hóa dữ liệu với GPT-3.5
Vì tôi có đăng ký ChatGPT trả phí nên công cụ này cho phép tôi chọn mô hình cơ bản mà tôi muốn sử dụng mỗi khi truy cập.
Tôi sẽ chọn GPT-3.5:
Hình ảnh từ ChatGPT Plus
Nếu chưa đăng ký, bạn có thể sử dụng phiên bản ChatGPT miễn phí vì chatbot sử dụng GPT-3.5 theo mặc định.
Bây giờ, hãy nhập lời nhắc sau để tạo trực quan hóa bằng bộ dữ liệu bệnh tiểu đường:
Tôi có tập dữ liệu có 8 biến độc lập và 1 biến phụ thuộc. Biến phụ thuộc, "Kết quả", cho chúng ta biết liệu một người có mắc bệnh tiểu đường hay không.
Các biến độc lập, "Mang thai", "Glucose", "Huyết áp", "Độ dầy da", "Insulin", "BMI", "DiabetesPedigreeFunction" và "Tuổi" được sử dụng để dự đoán kết quả này.
Bạn có thể tạo mã Python để trực quan hóa tất cả các biến độc lập này theo kết quả không? Đầu ra phải là một biểu đồ thanh nhóm được tô màu bởi biến "Kết quả". Tổng cộng sẽ có 16 thanh, 2 thanh cho mỗi biến độc lập.
Đây là phản hồi của mô hình đối với lời nhắc trên:
Một điều nổi bật ngay lập tức là mô hình giả định rằng chúng tôi muốn nhập tập dữ liệu từ Seaborn. Có lẽ nó đã đưa ra giả định này vì chúng tôi đã yêu cầu nó sử dụng thư viện Seaborn.
Đây không phải là vấn đề lớn, chúng ta chỉ cần thay đổi một dòng trước khi chạy mã.
Đây là đoạn mã hoàn chỉnh được tạo bởi 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()
Bạn có thể sao chép và dán phần này vào IDE Python của mình.
Đây là kết quả được tạo sau khi chạy đoạn mã trên:
Biểu đồ này có vẻ hoàn hảo! Đó chính xác là cách tôi hình dung khi nhập lời nhắc vào ChatGPT.
Tuy nhiên, một vấn đề nổi bật là văn bản trên biểu đồ này bị chồng chéo. Tôi sẽ hỏi mô hình xem nó có thể giúp chúng tôi khắc phục điều này không, bằng cách nhập lời nhắc sau:
Thuật toán giải thích rằng chúng tôi có thể ngăn chặn sự trùng lặp này bằng cách xoay nhãn biểu đồ hoặc điều chỉnh kích thước hình. Nó cũng tạo mã mới để giúp chúng tôi đạt được điều này.
Hãy chạy mã này để xem nó có mang lại cho chúng ta kết quả mong muốn không:
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()
Các dòng mã trên sẽ tạo ra đầu ra sau:
Điều này trông tuyệt vời!
Bây giờ tôi hiểu tập dữ liệu tốt hơn rất nhiều chỉ bằng cách nhìn vào biểu đồ này. Có vẻ như những người có mức glucose và insulin cao hơn có nhiều khả năng mắc bệnh tiểu đường hơn.
Ngoài ra, hãy lưu ý rằng biến “DiabetesPedigreeFunction” không cung cấp cho chúng tôi bất kỳ thông tin nào trong biểu đồ này. Điều này là do tính năng này ở quy mô nhỏ hơn (từ 0 đến 2.4). Nếu muốn thử nghiệm thêm với ChatGPT, bạn có thể nhắc ChatGPT tạo nhiều ô con trong một biểu đồ để giải quyết vấn đề này.
Trực quan hóa dữ liệu với GPT-4
Bây giờ, hãy đưa các lời nhắc tương tự vào GPT-4 để xem liệu chúng tôi có nhận được phản hồi khác không. Tôi sẽ chọn mô hình GPT-4 trong ChatGPT và nhập lời nhắc tương tự như trước đây:
Lưu ý cách GPT-4 không giả định rằng chúng tôi sẽ sử dụng khung dữ liệu được tích hợp trong Seaborn.
Nó cho chúng tôi biết rằng nó sẽ sử dụng một khung dữ liệu có tên là “df” để xây dựng hình ảnh trực quan, đây là một cải tiến so với phản hồi do GPT-3.5 tạo ra.
Đây là mã hoàn chỉnh được tạo bởi thuật toán này:
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()
Đoạn mã trên sẽ tạo ra cốt truyện sau:
Đây là hoàn hảo!
Mặc dù chúng tôi không yêu cầu nhưng GPT-4 đã bao gồm một dòng mã để tăng kích thước ô. Tất cả các nhãn trên biểu đồ này đều có thể nhìn thấy rõ ràng, vì vậy chúng tôi không phải quay lại và sửa đổi mã như chúng tôi đã làm trước đó.
Đây là một bước cao hơn so với phản hồi do GPT-3.5 tạo ra.
Tuy nhiên, nhìn chung, có vẻ như GPT-3.5 và GPT-4 đều hiệu quả trong việc tạo mã để thực hiện các tác vụ như trực quan hóa và phân tích dữ liệu.
Điều quan trọng cần lưu ý là vì bạn không thể tải dữ liệu lên giao diện của ChatGPT, nên bạn nên cung cấp cho mô hình mô tả chính xác về tập dữ liệu của mình để có kết quả tối ưu.
2. Làm việc với Tài liệu PDF
Mặc dù đây không phải là trường hợp sử dụng khoa học dữ liệu phổ biến, nhưng tôi đã phải trích xuất dữ liệu văn bản từ hàng trăm tệp PDF để xây dựng mô hình phân tích tình cảm một lần. Dữ liệu không có cấu trúc và tôi đã dành nhiều thời gian để trích xuất và xử lý trước dữ liệu đó.
Tôi cũng thường làm việc với các nhà nghiên cứu, những người đọc và tạo nội dung về các sự kiện hiện tại đang diễn ra trong các ngành cụ thể. Họ cần cập nhật tin tức, phân tích các báo cáo của công ty và đọc về các xu hướng tiềm năng trong ngành.
Thay vì đọc 100 trang báo cáo của một công ty, việc trích xuất những từ bạn quan tâm và chỉ đọc qua các câu có chứa những từ khóa đó không dễ dàng hơn sao?
Hoặc nếu bạn quan tâm đến các xu hướng, bạn có thể tạo một quy trình công việc tự động hiển thị sự phát triển của từ khóa theo thời gian thay vì xem qua từng báo cáo theo cách thủ công.
Trong phần này, chúng tôi sẽ sử dụng ChatGPT để phân tích các tệp PDF bằng Python. Chúng tôi sẽ yêu cầu chatbot trích xuất nội dung của tệp PDF và viết nó thành tệp văn bản.
Một lần nữa, điều này sẽ được thực hiện bằng cả GPT-3.5 và GPT-4 để xem liệu có sự khác biệt đáng kể nào trong mã được tạo hay không.
Đọc tệp PDF với GPT-3.5
Trong phần này, chúng tôi sẽ phân tích một tài liệu PDF có sẵn công khai có tiêu đề Giới thiệu ngắn gọn về Machine Learning dành cho kỹ sư. Đảm bảo tải xuống tệp này nếu bạn muốn viết mã cho phần này.
Đầu tiên, hãy yêu cầu thuật toán tạo mã Python để trích xuất dữ liệu từ tài liệu PDF này và lưu nó vào tệp văn bản:
Đây là mã hoàn chỉnh được cung cấp bởi thuật toán:
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)
(Lưu ý: Đảm bảo thay đổi tên tệp PDF thành tên bạn đã lưu trước khi chạy mã này.)
Thật không may, sau khi chạy mã do GPT-3.5 tạo ra, tôi gặp phải lỗi unicode sau:
Hãy quay lại GPT-3.5 và xem mô hình có thể khắc phục điều này không:
Tôi đã dán lỗi vào ChatGPT và mô hình phản hồi rằng có thể sửa lỗi bằng cách thay đổi mã hóa được sử dụng thành “utf-8”. Nó cũng cung cấp cho tôi một số mã sửa đổi phản ánh sự thay đổi này:
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)
Mã này đã thực thi thành công và tạo một tệp văn bản có tên là “output_file.txt.” Tất cả nội dung trong tài liệu PDF đã được ghi vào tệp:
Đọc tệp PDF với GPT-4
Bây giờ, tôi sẽ dán lời nhắc tương tự vào GPT-4 để xem mô hình có kết quả gì:
Đây là mã hoàn chỉnh được tạo bởi 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)
Nhìn kìa!
Không giống như GPT-3.5, GPT-4 đã chỉ định rằng nên sử dụng mã hóa “utf-8” để mở tệp văn bản. Chúng tôi không cần phải quay lại và sửa đổi mã như chúng tôi đã làm trước đây.
Mã do GPT-4 cung cấp sẽ thực thi thành công và bạn sẽ thấy nội dung của tài liệu PDF trong tệp văn bản đã được tạo.
Có nhiều kỹ thuật khác mà bạn có thể sử dụng để tự động hóa tài liệu PDF bằng Python. Nếu bạn muốn khám phá thêm điều này, đây là một số lời nhắc khác mà bạn có thể nhập vào ChatGPT:
- Bạn có thể viết mã Python để hợp nhất hai tệp PDF không?
- Làm cách nào tôi có thể đếm số lần xuất hiện của một từ hoặc cụm từ cụ thể trong tài liệu PDF bằng Python?
- Bạn có thể viết mã Python để trích xuất các bảng từ tệp PDF và viết chúng trong Excel không?
Tôi khuyên bạn nên thử một số thứ này trong thời gian rảnh - bạn sẽ ngạc nhiên về tốc độ GPT-4 có thể giúp bạn hoàn thành những nhiệm vụ tầm thường thường mất hàng giờ để thực hiện.
3. Gửi email tự động
Tôi dành hàng giờ trong tuần làm việc để đọc và trả lời email. Điều này không chỉ tốn thời gian mà còn có thể khiến bạn vô cùng căng thẳng khi phải cập nhật email khi bạn đang theo đuổi thời hạn chặt chẽ.
Và mặc dù bạn không thể yêu cầu ChatGPT viết tất cả email cho bạn (tôi muốn), bạn vẫn có thể sử dụng nó để viết các chương trình gửi email theo lịch trình vào một thời điểm cụ thể hoặc sửa đổi một mẫu email có thể gửi cho nhiều người .
Trong phần này, chúng tôi sẽ lấy GPT-3.5 và GPT-4 để giúp chúng tôi viết tập lệnh Python để gửi email tự động.
Gửi email tự động với GPT-3.5
Trước tiên, hãy nhập lời nhắc sau để tạo mã để gửi email tự động:
Đây là mã hoàn chỉnh được tạo bởi GPT-3.5 (Đảm bảo thay đổi địa chỉ email và mật khẩu trước khi chạy mã này):
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)
Rất tiếc, mã này không thực thi thành công đối với tôi. Nó tạo ra lỗi sau:
Hãy dán lỗi này vào ChatGPT và xem mô hình có thể giúp chúng tôi giải quyết không:
Được rồi, vậy là thuật toán đã chỉ ra một vài lý do tại sao chúng ta có thể gặp phải lỗi này.
Tôi biết chắc chắn rằng thông tin đăng nhập và địa chỉ email của tôi là hợp lệ và không có lỗi chính tả nào trong mã. Vì vậy, những lý do này có thể được loại trừ.
GPT-3.5 cũng gợi ý rằng việc cho phép các ứng dụng kém an toàn hơn có thể giải quyết vấn đề này.
Tuy nhiên, nếu bạn thử điều này, bạn sẽ không tìm thấy tùy chọn trong tài khoản Google của mình để cho phép truy cập vào các ứng dụng kém an toàn hơn.
Điều này là do Google không còn nữa cho phép người dùng cho phép các ứng dụng kém an toàn hơn do lo ngại về bảo mật.
Cuối cùng, GPT-3.5 cũng đề cập rằng mật khẩu ứng dụng sẽ được tạo nếu bật xác thực hai yếu tố.
Tôi chưa bật xác thực hai yếu tố, vì vậy tôi sẽ (tạm thời) từ bỏ mô hình này và xem liệu GPT-4 có giải pháp hay không.
Gửi email tự động với GPT-4
Được rồi, vì vậy nếu bạn nhập lời nhắc tương tự vào GPT-4, bạn sẽ thấy rằng thuật toán tạo mã rất giống với những gì GPT-3.5 đã cung cấp cho chúng tôi. Điều này sẽ gây ra lỗi tương tự mà chúng tôi đã gặp phải trước đây.
Hãy xem liệu GPT-4 có thể giúp chúng tôi khắc phục lỗi này không:
Các đề xuất của GPT-4 rất giống với những gì chúng ta đã thấy trước đây.
Tuy nhiên, lần này, nó cung cấp cho chúng tôi bảng phân tích từng bước về cách hoàn thành từng bước.
GPT-4 cũng đề xuất tạo mật khẩu ứng dụng, vì vậy hãy thử.
Trước tiên, hãy truy cập Tài khoản Google của bạn, điều hướng đến “Bảo mật” và bật xác thực hai yếu tố. Sau đó, trong cùng một phần, bạn sẽ thấy một tùy chọn có nội dung “Mật khẩu ứng dụng”.
Bấm vào nó và màn hình sau sẽ xuất hiện:
Bạn có thể nhập bất kỳ tên nào bạn thích và nhấp vào “Tạo”.
Một mật khẩu ứng dụng mới sẽ xuất hiện.
Thay thế mật khẩu hiện tại của bạn trong mã Python bằng mật khẩu ứng dụng này và chạy lại mã:
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)
Lần này nó sẽ chạy thành công và người nhận của bạn sẽ nhận được một email giống như sau:
Perfect!
Nhờ có ChatGPT, chúng tôi đã gửi thành công một email tự động bằng Python.
Nếu bạn muốn tiến thêm một bước nữa, tôi khuyên bạn nên tạo lời nhắc cho phép bạn:
- Gửi email hàng loạt cho nhiều người nhận cùng lúc
- Gửi email đã lên lịch tới danh sách địa chỉ email được xác định trước
- Gửi cho người nhận một email tùy chỉnh phù hợp với độ tuổi, giới tính và vị trí của họ.
Natasha Selvaraj là một nhà khoa học dữ liệu tự học với niềm đam mê viết lách. Bạn có thể kết nối với cô ấy trên LinkedIn.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: 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
- :là
- $ LÊN
- 1
- 100
- 2022
- 2023
- 7
- 8
- a
- Giới thiệu
- ở trên
- truy cập
- hoàn thành
- Tài khoản
- chính xác
- Đạt được
- ngang qua
- thực sự
- địa chỉ
- Sau
- thuật toán
- Tất cả
- Cho phép
- cho phép
- Đã
- Mặc dù
- số lượng
- phân tích
- phân tích
- phân tích
- và
- động vật
- câu trả lời
- api
- ứng dụng
- xuất hiện
- ứng dụng
- LÀ
- bài viết
- AS
- giả sử
- giả định
- At
- Xác thực
- tự động hóa
- Tự động
- có sẵn
- Trung bình cộng
- trở lại
- Backend
- thanh
- thanh
- dựa
- BE
- bởi vì
- trở nên
- trước
- sau
- Lợi ích
- Hơn
- giữa
- bmi
- thân hình
- Nhàm chán
- Breakdown
- xây dựng
- xây dựng
- kinh doanh
- by
- gọi là
- CAN
- đã hủy
- không thể
- Nguyên nhân
- thay đổi
- thay đổi
- Biểu đồ
- chatbot
- ChatGPT
- Rõ ràng
- Nhấp chuột
- mã
- COM
- đến
- Chung
- công ty
- Của công ty
- hoàn thành
- phức tạp
- Mối quan tâm
- tự tin
- Kết nối
- liên quan
- củng cố
- nội dung
- nội dung
- chứng thực
- có thể
- tạo
- tạo ra
- Tạo
- Credentials
- tò mò
- Current
- Hiện nay
- tùy chỉnh
- tùy chỉnh
- tiền thưởng
- dữ liệu
- phân tích dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- trực quan hóa dữ liệu
- bộ dữ liệu
- ngày
- Mặc định
- phụ thuộc
- Mô tả
- chi tiết
- phát triển
- Bệnh tiểu đường
- ĐÃ LÀM
- sự khác biệt
- khác nhau
- tài liệu
- tài liệu hướng dẫn
- tài liệu
- Không
- làm
- dont
- tải về
- lái xe
- suốt trong
- mỗi
- Sớm hơn
- dễ dàng hơn
- Hiệu quả
- Trứng
- hay
- voi
- cho phép
- kích hoạt
- mã hóa
- đăng ký hạng mục thi
- lôi
- lỗi
- đặc biệt
- Ether (ETH)
- sự kiện
- Mỗi
- tất cả mọi thứ
- chính xác
- Excel
- thi hành
- hiện tại
- thử nghiệm
- Giải thích
- Phân tích dữ liệu thăm dò
- khám phá
- mở rộng
- trích xuất
- Đặc tính
- chi phí
- vài
- Hình
- Tập tin
- Các tập tin
- điền
- Tìm kiếm
- Tên
- Sửa chữa
- cố định
- Tập trung
- theo
- tiếp theo
- Trong
- Cựu
- Miễn phí
- thường xuyên
- từ
- chức năng
- xa hơn
- Giới Tính
- tạo ra
- tạo ra
- tạo
- tạo ra
- được
- Cho
- cho
- gmail
- Go
- đi
- Tăng trưởng
- hướng dẫn
- hướng dẫn
- tay
- Có
- cái đầu
- giúp đỡ
- giúp
- tại đây
- Thành viên ẩn danh
- cao hơn
- cao
- Ngang
- GIỜ LÀM VIỆC
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTTPS
- lớn
- Hàng trăm
- i
- ý tưởng
- ngay
- Va chạm
- nhập khẩu
- quan trọng
- cải thiện
- in
- bao gồm
- Tăng lên
- vô cùng
- độc lập
- các ngành công nghiệp
- ngành công nghiệp
- thông tin
- thay vì
- quan tâm
- Giao thức
- Giới thiệu
- vấn đề
- IT
- ITS
- Việc làm
- tham gia
- Xe đẩy
- Biết
- Nhãn
- Quốc gia
- Ngôn ngữ
- lớn
- lớn nhất
- mới nhất
- phóng
- phát động
- học tập
- cho phép
- niveaux
- Thư viện
- Lượt thích
- Có khả năng
- Dòng
- dòng
- Danh sách
- tải
- địa điểm thư viện nào
- nhìn
- tìm kiếm
- NHÌN
- Rất nhiều
- máy
- học máy
- thực hiện
- làm cho
- thủ công
- nhiều
- Tháng Ba
- toán học
- matplotlib
- đề cập đến
- đi
- tin nhắn
- Might
- Chế độ
- kiểu mẫu
- mô hình
- sửa đổi
- sửa đổi
- thời điểm
- hàng tháng
- đăng ký hàng tháng
- chi tiết
- hầu hết
- di chuyển
- nhiều
- tên
- Điều hướng
- Cần
- Mới
- ứng dụng mới
- Mới nhất
- tin tức
- khét tiếng
- Tháng mười một
- con số
- vật
- of
- Được rồi
- on
- ONE
- mở
- OpenAI
- tối ưu
- Tùy chọn
- Nền tảng khác
- Kết quả
- Vượt trội hơn
- đầu ra
- trang
- thanh toán
- gấu trúc
- niềm đam mê
- Mật khẩu
- Mật khẩu
- Trả
- người
- thực hiện
- biểu diễn
- người
- Nơi
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- thêm
- tiềm năng
- mạnh mẽ
- người tiền nhiệm
- dự đoán
- khá
- ngăn chặn
- trước đây
- In
- có lẽ
- Vấn đề
- vấn đề
- Khóa Học
- Tiến độ
- cho
- cung cấp
- công khai
- công khai
- Python
- Câu hỏi
- Nhanh chóng
- Mau
- Đọc
- Người đọc
- Reading
- lý do
- nhận
- người nhận
- phản ánh
- phát hành
- có liên quan
- còn lại
- báo cáo
- Báo cáo
- cần phải
- đòi hỏi
- nhà nghiên cứu
- đáp ứng
- phản ứng
- kết quả
- Kết quả
- chạy
- chạy
- tương tự
- Lưu
- Tiết kiệm
- nói
- Quy mô
- lên kế hoạch
- Khoa học
- Nhà khoa học
- Màn
- sơ sinh
- tìm kiếm
- Phần
- an toàn
- an ninh
- gửi
- tình cảm
- định
- nên
- hiển thị
- có ý nghĩa
- tương tự
- Đơn giản
- đơn giản
- kể từ khi
- duy nhất
- Kích thước máy
- nhỏ hơn
- So
- giải pháp
- động SOLVE
- Giải quyết
- một số
- nguồn
- riêng
- quy định
- tiêu
- tiêu
- đứng
- Bắt đầu
- ở lại
- Bước
- Vẫn còn
- Dừng
- Tiêu đề
- đăng ký
- Thành công
- Gợi ý
- phù hợp
- ngạc nhiên
- cú pháp
- phù hợp
- Hãy
- dùng
- Mục tiêu
- Nhiệm vụ
- nhiệm vụ
- kỹ thuật
- nói
- mẫu
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- Đó
- Kia là
- điều
- Thông qua
- thời gian
- mất thời gian
- Yêu sách
- có tiêu đề
- TLS
- đến
- công cụ
- hàng đầu
- Tổng số:
- đào tạo
- Xu hướng
- Quay
- hướng dẫn
- cơ bản
- hiểu
- unicode
- nâng cấp
- us
- sử dụng
- người sử dang
- Người sử dụng
- thường
- giá trị
- phiên bản
- có thể nhìn thấy
- Truy cập
- hình dung
- W
- muốn
- Website
- Điều gì
- liệu
- cái nào
- CHÚNG TÔI LÀ
- Wikipedia
- sẽ
- với
- ở trong
- Từ
- từ
- Công việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- sẽ
- viết
- viết
- viết
- trên màn hình
- zephyrnet