एनालिटिक्स प्रोजेक्ट के कई हिस्से दोहरावदार, समय लेने वाले और निराशाजनक हो सकते हैं। सच बताइए—कौन डेटा इम्पोर्ट करना या उलझे हुए कॉलम साफ़ करना पसंद करता है? DataLab के नए AI Assistant के साथ, आप वह काम करने में अधिक समय लगा सकते हैं जो आपको पसंद है: डेटा के साथ सवालों के जवाब देना!
यह लेख 10 DataLab AI Assistant टिप्स को कवर करता है जो आपके वर्कफ़्लो को तेज कर सकते हैं और आपको कुशलतापूर्वक इनसाइट्स निकालने में मदद कर सकते हैं। यदि आप साथ-साथ चलकर लेख में दिए प्रॉम्प्ट्स पर प्रयोग करना चाहते हैं, तो आप इस वर्कबुक का उपयोग कर सकते हैं!
नोट: यद्यपि यहाँ दिए गए उदाहरण Python में हैं, वही सिद्धांत R वर्कबुक्स पर भी लागू होते हैं!
1. अपने सभी पैकेज इम्पोर्ट अपने-आप संभालें
संभावना है कि किसी प्रोजेक्ट की शुरुआत में आप कुछ मानक पैकेज इम्पोर्ट हमेशा लिखते हैं। उसके बाद, आप समय-समय पर नोटबुक के शुरू में जाकर कुछ और इम्पोर्ट जोड़ते हैं और फिर अपना काम जारी रखते हैं। और भी बाधक वे क्षण होते हैं जब आपको किसी पैकेज या फ़ंक्शन का नाम याद करने के लिए बाहरी डोक्यूमेंटेशन पर जाना पड़ता है।
लेकिन क्या आप जानते हैं कि आप Generate फीचर का उपयोग करके अधिकांश इम्पोर्ट जेनरेट कर सकते हैं? इतना सा प्रॉम्प्ट “मशीन लर्निंग क्लासिफिकेशन टास्क करने के लिए जिन पैकेजों की ज़रूरत होगी, उन्हें इम्पोर्ट करें।” pandas, NumPy और डेटा स्प्लिट करने, कुछ मॉडलों पर फ़िट करने और फिर उनका मूल्यांकन करने के लिए आवश्यक इम्पोर्ट्स लौटा देता है।
उपयोगी पैकेजों को इम्पोर्ट करने के लिए Generate का उपयोग
आप अपने वर्कफ़्लो के अतिरिक्त चरणों को शामिल करने के लिए प्रॉम्प्ट को बढ़ा भी सकते हैं। कई मामलों में, आप “including visualization” जोड़ना चाहेंगे ताकि Matplotlib और Seaborn जैसे पैकेज शामिल हों।
बेशक, सूची में कुछ इम्पोर्ट्स फिर भी छूट सकते हैं, लेकिन यह आपको बेसिक्स इम्पोर्ट करने में समय बचा देगा और आपकी ज़रूरत के अनुसार अपडेट भी किया जा सकता है।
अतिरिक्त सुझाव: आपके लिए जो प्रॉम्प्ट सबसे बेहतर काम करते हैं, उन्हें नोट करना उपयोगी रहता है ताकि आप जल्दी से उनकी तरफ़ लौट सकें!
2. सुंदर विज़ुअलाइज़ेशन तेज़ी से बनाएं
Python में विज़ुअलाइज़ेशन कठिन नहीं हैं, लेकिन अलग-अलग पैकेजों की सिंटैक्स याद करना समय ले सकता है। यहाँ भी AI Assistant मददगार साबित होता है!
नीचे दिए उदाहरण में, हम असिस्टेंट को एक डेटासेट एग्रीगेट करने और फिर इस प्रॉम्प्ट के साथ विज़ुअलाइज़ करने के लिए निर्देश देते हैं: “DataFrame df का Plotly बार प्लॉट बनाएं, job कॉलम में सबसे आम 10 नौकरियों की रैंकिंग दिखाते हुए।”
हमारे प्लॉट के पहले ड्राफ्ट के लिए Generate का उपयोग
नतीजा बुरा नहीं है, पर हम इसे और बेहतर बना सकते हैं। आप Generate का फिर से उपयोग करके इसके जेनरेट किए गए कोड पर इटरेट कर सकते हैं! प्रॉम्प्ट विंडो में “चार्ट को हॉरिज़ॉन्टल बार चार्ट बनाएं जिसे बड़े से छोटे क्रम में ऑर्डर किया गया हो। एक प्रासंगिक शीर्षक जोड़ें और साधारण सफेद थीम का उपयोग करें।” लिखकर दोबारा चलाने पर हमें नीचे जैसा आउटपुट मिलता है।
चार्ट जेनरेट करने का दूसरा दौर!
काफी बेहतर! चंद वाक्यों से हमने लेबल्स और कस्टम स्टाइलिंग सहित एक साफ़-सुथरा और सूचनात्मक चार्ट तैयार कर लिया।
अतिरिक्त सुझाव: इसे प्लॉट्स में हाथ से किए छोटे बदलावों के साथ मिलाकर उपयोग करना सबसे असरदार रहता है। AI Assistant अक्सर आपको 90% तक पहुँचा देगा, लेकिन अंतिम 10% शायद आपके अपने संशोधनों से आएगा! अपनी पसंदीदा विज़ुअलाइज़ेशन पैकेज सीखने के लिए ज़रूर DataCamp के विज़ुअलाइज़ेशन कोर्स का उपयोग करें।
3. अपना SQL तेज़ करें
DataLab आपको SQL डेटाबेस क्वेरी करने और परिणामों का Python या R में विश्लेषण करने के बीच सहजता से स्विच करने देता है (अब आप SQL का उपयोग करके CSV फ़ाइलों को भी क्वेरी कर सकते हैं!)। हालाँकि, एक अच्छे से फ़ॉर्मैटेड SQL क्वेरी लिखना समय लेने वाला काम हो सकता है।
आप SQL सेल्स पर भी Generate का उपयोग करके अपनी क्वेरी लिखवा सकते हैं। चूँकि AI Assistant को डेटाबेस स्कीमा की पहुँच है, यह प्रासंगिक कॉलम्स का उपयोग भी करेगा।
नीचे दिए उदाहरण में, हमने बिना टेबल या कॉलम नाम बताए बस 10 सबसे लोकप्रिय इवेंट्स के लिए टिकट काउंट माँगा। इसने वह क्वेरी लौटाई जिसने आवश्यक दो टेबल्स (event और sales) को जोड़ा, qtysold कॉलम को एग्रीगेट किया, और 10 सबसे लोकप्रिय इवेंट्स को अवरोही क्रम में लौटाया। इसने आउटकम कॉलम को एक सहायक उपनाम (alias) भी दिया!
तुरंत क्वेरी!
4. एक परिचय लिखें
टेक्स्ट सेल पर Generate का उपयोग आपकी रिपोर्ट के लिखित हिस्सों की शुरुआत करने में मदद कर सकता है। ऐसा प्रॉम्प्ट जैसे “क्रेडिट कार्ड फ्रॉड के मामलों की पहचान पर केंद्रित मशीन लर्निंग प्रोजेक्ट के लिए एक परिचय लिखें। यह क्यों महत्वपूर्ण है, यह ज़रूर शामिल करें।” पहले से ही एक ठोस परिचय लौटा सकता है जिसे आप अपनी विशेष परिस्थिति के अनुसार संशोधित कर सकते हैं।
तुरंत परिचय!
5. अपना कोड फ़ॉर्मैट करें
विश्लेषण के बीच में अपने कोड के साथ ढिलाई हो जाना आसान है। इंडेंटेशन बिगड़ जाता है, अतिरिक्त व्हाइट स्पेस आ जाता है, और लाइनें लंबी व बोझिल हो जाती हैं। हो सकता है आप अपना काम समझ लें, पर दूसरे न समझ पाएं। मानकीकृत कोड फ़ॉर्मैटिंग का पालन करने के कई फायदे हैं।
खुशकिस्मती से, आपको इसे हाथ से फ़ॉर्मैट नहीं करना पड़ेगा! टेक्स्ट सेल में दिया एक सरल प्रॉम्प्ट आपकी सारी फ़ॉर्मैटिंग समस्याओं को आसानी से संभाल सकता है।
रिपोर्ट जमा करने से पहले, हर कोड सेल पर जाएँ और ऐसा प्रॉम्प्ट चलाएँ: “इस कोड को PEP 8 मानकों के अनुसार फ़ॉर्मैट करें।” इससे आप कोड को जल्दी साफ़ कर सकते हैं—जहाँ ज़रूरी हो वहाँ व्हाइटस्पेस जोड़ना/हटाना, सही तरह से नई पंक्तियाँ सुनिश्चित करना, और कुल मिलाकर कोड को अधिक पठनीय बनाना।
ढीले-ढाले कोड को फ़ॉर्मैट करने के लिए Generate का उपयोग!
6. नमूना डेटासेट बनाएं
हम यहाँ अपने ही Richie Cotton से प्रेरणा ले रहे हैं, जिन्होंने इसे Python के साथ OpenAI API एक्सेस पर अपने लेख में उदाहरण के रूप में उपयोग किया था। उस लेख में, Richie दिखाते हैं कि API का उपयोग करके नमूना डेटासेट जेनरेट करने का कोड कैसे लौटाया जा सकता है।
जैसा कि वे बताते हैं, नमूना डेटासेट कोड की वैधता जांचने और विभिन्न तकनीकों का अभ्यास करने जैसी चीज़ों के लिए बेहद उपयोगी होता है। वे OpenAI API का उपयोग करते हैं, लेकिन आप वही काम एक Generate प्रॉम्प्ट से कर सकते हैं!
बस वह डेटासेट प्रकार लिख दें जिसे आप जेनरेट करना चाहते हैं, और उसमें शामिल की जाने वाली जानकारी का उल्लेख करें।
नमूना मार्केटिंग डेटासेट जेनरेट करना
चेतावनी: ज़रूर बताएँ कि आपको कितनी पंक्तियाँ चाहिए। लंबाई के बिना दिए प्रॉम्प्ट पर केवल पाँच पंक्तियों वाला नमूना डेटासेट मिल सकता है!
7. अपने कोड को पुन: प्रयोज्य फ़ंक्शनों में रीफ़ैक्टर करें
एक अच्छा नियम है: यदि आप कोई कार्य दो से अधिक बार करने वाले हैं, तो एक फ़ंक्शन लिखें। Generate का उपयोग करके आप अपने बिखरे कोड को जल्दी से एक काम करने वाले फ़ंक्शन में बदल सकते हैं।
नीचे दिए उदाहरण में, हम एक रैंडम वॉक जेनरेट और प्लॉट करने वाले कुछ कोड को लेते हैं और उसे एक फ़ंक्शन में बदलते हैं। इससे भी बेहतर, हम इसमें ऐसे पैरामीटर्स जोड़ने के लिए कहते हैं जो स्टेप्स की संख्या और स्टेप साइज को नियंत्रित करने दें।
ढीला-ढाला कोड
Generate का उपयोग करने के बाद!
यदि आप फ़ंक्शन पर इटरेट करना चाहते हैं, तो आप अतिरिक्त प्रॉम्प्ट्स से इसे और परिष्कृत कर सकते हैं या Writing Functions in Python या Introduction to Writing Functions in R जैसे कोर्स से सीखी जानकारी का उपयोग करके स्वयं भी कूद सकते हैं।
8. फीचर इंजीनियरिंग और प्रीप्रोसेसिंग
प्रीप्रोसेसिंग पाइपलाइन को इनिशियलाइज़ करने का कोड लंबा और बोझिल हो सकता है। Generate आपको बहुत कम संशोधनों के साथ तेज़ी से पाइपलाइन सेटअप करने की सुविधा देता है।
दरअसल, चूँकि AI Assistant पहले से ही आपके DataFrame से अवगत है, यह प्रासंगिक वेरिएबल्स को ध्यान में रखकर पाइपलाइन सेट कर सकता है। नीचे हमने प्रॉम्प्ट दिया: “संख्यात्मक वेरिएबल्स को स्केल करने और श्रेणीबद्ध वेरिएबल्स को वन-हॉट एन्कोड करने के लिए एक पाइपलाइन तैयार करें।”—और इसने पूरा वर्कफ़्लो जेनरेट कर दिया।
Python में प्री-प्रोसेसिंग पाइपलाइन इनिशियलाइज़ करने के लिए Generate का उपयोग
9. हाइपरपैरामीटर ट्यूनिंग की तेज़ शुरुआत करें
हाइपरपैरामीटर ट्यूनिंग आपके मशीन लर्निंग मॉडलों से अतिरिक्त प्रदर्शन निकालने का एक बढ़िया तरीका हो सकता है। लेकिन इसके लिए अक्सर बहुत सारा कोड चाहिए होता है, और किन पैरामीटर्स को समायोजित करना है, यह याद रखना मुश्किल हो सकता है।
यह एक और स्थिति है जहाँ AI Assistant आपका बहुत समय बचा सकता है। बस बताइए कि आप किस प्रकार के मॉडल को ट्यून करना चाहते हैं, और बाकी Generate संभाल लेगा। नीचे दिए उदाहरण में, AI उस DataFrame को भी ध्यान में रखता है जिसका हम उपयोग कर रहे हैं, और is_fraud कॉलम को टार्गेट वेरिएबल बनाकर ट्यूनिंग सेट करता है।
नोट: हम सलाह देते हैं कि इसका उपयोग करने से पहले आपको हाइपरपैरामीटर ट्यूनिंग का कुछ ज्ञान हो। इस तरह, आप तय कर सकेंगे कि किन पैरामीटर्स को शामिल करना है, आदि। इस विषय पर DataCamp के Python और R में दो बेहतरीन कोर्स उपलब्ध हैं।
AI Assistant के साथ हाइपरपैरामीटर ट्यूनिंग
10. मॉडल परिणामों का अनुवाद और व्याख्या करें
आपने एक मशीन लर्निंग मॉडल फ़िट किया है और उसका प्रदर्शन आँका है। हालाँकि आपको परिणामों की व्याख्या करने में दिक्कत नहीं है, गैर-तकनीकी उपयोगकर्ताओं के लिए साथ बने रहना कठिन हो सकता है।
आप Generate का उपयोग करके अपने परिणामों की व्यापक दर्शकों के लिए व्याख्या करने में मदद ले सकते हैं। नीचे दिए उदाहरण में, हम एक क्लासिफिकेशन टास्क की प्रीसिशन और रिकॉल साझा करते हैं और AI से ग्राहक चर्न की भविष्यवाणी के संदर्भ में परिणामों की व्याख्या करने को कहते हैं।
निश्चित करें कि परिणाम को आप स्वयं परखें और अपने विषय-ज्ञान से मिलान करें। लेकिन अधिकांश मामलों में, इस तरह का प्रॉम्प्ट सभी हितधारकों के लिए आपके परिणामों को संक्षेपित करने में मदद कर सकता है।
क्लासिफिकेशन मैट्रिक्स की व्याख्या
आगे की राह
DataLab में नए AI टूल्स के साथ संभावनाएँ लगभग असीम हैं। लगातार प्रयोग करते रहें, क्योंकि अंततः आप ऐसे प्रॉम्प्ट्स का टूलबॉक्स बना लेंगे जिन पर आप अपने वर्कफ़्लो को तेज़ करने के लिए भरोसा करते हैं। संलग्न वर्कबुक में दिए प्रॉम्प्ट्स को निःसंकोच संशोधित करें या एक नया खाली Python या R वर्कबुक बनाएं।
पर सावधान रहें: AI असिस्टेंट के आउटपुट का आँख बंद करके उपयोग न करें। AI-जनित कोड स्पष्ट और सूक्ष्म दोनों तरीकों से गलत हो सकता है। हमेशा अपने परिणामों को परखें, और यह साफ़ समझ रखें कि आप क्या हासिल करना चाहते हैं। उदाहरण के लिए, क्या जेनरेट की गई क्वेरी सही कॉलम्स का उपयोग करती है? क्या प्रीप्रोसेसिंग पाइपलाइन उन्हीं वेरिएबल्स को और उसी तरह ट्रांसफॉर्म करती है जैसा आपने तय किया है?
AI Assistant एक टूल है, व्यावहारिक ज्ञान का विकल्प नहीं। जबकि AI Assistant सहायक सलाह या सिंटैक्स दे सकता है, अंतिम परिणाम की ज़िम्मेदारी आपकी है। इसी कारण, हम अनुशंसा करते हैं कि जिन विषयों के लिए आप असिस्टेंट का उपयोग करते हैं, उन पर आपका ज्ञान भी पुख्ता हो। जिन कौशलों और तकनीकों का आप उपयोग करने की योजना बना रहे हैं, उन पर नज़र बनाये रखने के लिए DataCamp की कोर्स लाइब्रेरी एक बेहतरीन साधन है।
अतिरिक्त संसाधन
यदि आप और प्रेरणा चाहते हैं, तो प्रॉम्प्ट इंजीनियरिंग पर हमारा लेख और ChatGPT के लिए हमारा चीट शीट ज़रूर देखें, जिनमें कई ऐसे प्रॉम्प्ट्स हैं जिन्हें सीधे DataLab के अंदर उपयोग किया जा सकता है।
