Kursus
Memahami ChatGPT
1 jam
436.1K
Kita semua tahu popularitas ChatGPT dan bagaimana orang menggunakannya untuk meningkatkan produktivitas. Namun jika Anda baru, ada baiknya mendaftar untuk demo ChatGPT gratis dan bereksperimen dengan semua kemampuannya. Anda juga sebaiknya mengikuti kursus Introduction to ChatGPT kami untuk mempelajari praktik terbaik dalam menyusun prompt yang efektif dan mengeksplorasi use case bisnis umum dalam memanfaatkan alat AI yang kuat ini.
Dalam tutorial ini, kita akan mempelajari cara menggunakan ChatGPT untuk mengerjakan proyek data science end-to-end. Kita akan menggunakan berbagai prompt untuk membuat kerangka proyek, menulis kode Python, melakukan riset, dan melakukan debug aplikasi. Selain itu, kita akan mempelajari kiat menulis prompt ChatGPT yang efektif. Jika Anda tertarik menggunakan AI untuk berbagai tujuan, lihat panduan kami tentang proyek kecerdasan buatan untuk semua tingkat.
Menggunakan ChatGPT untuk Proyek Data Science End-to-End
Dalam proyek ini, kita akan menggunakan Loan Data dari DataLab dan merencanakan proyek data science di sekitarnya.
ChatGPT melakukan 80 persen pekerjaan di sini; kita hanya perlu menguasai prompt engineering agar semuanya tepat, dan untuk itu, kami memiliki ChatGPT Cheat Sheet for Data Science yang luar biasa. Dokumen ini berisi lebih dari 60 prompt ChatGPT untuk tugas data science berbasis SQL, R, dan Python.
Perencanaan Proyek
Ini adalah bagian terpenting dari proyek, di mana kita melihat sumber daya dan tujuan yang tersedia untuk menyusun strategi yang optimal.
Anda dapat membuka chat.openai.com dan memulai obrolan baru. Setelah itu, kita akan menyebutkan dataset pinjaman yang tersedia dan meminta ChatGPT menyusun langkah-langkah untuk membangun proyek portofolio generik end-to-end.
Prompt: “Saya memiliki dataset pinjaman yang terdiri dari 9500 baris dan 14 kolom: ['credit.policy', 'purpose', 'int.rate', 'installment', 'log.annual.inc','dti', 'fico', 'days.with.cr.line', 'revol.bal', 'revol.util', 'inq.last.6mths', 'delinq.2yrs', 'pub.rec', 'not.fully.paid']. Bisakah Anda membuat daftar langkah yang harus saya ikuti untuk mengembangkan proyek end-to-end untuk portofolio saya.”
Kita mendapat daftarnya, tetapi kita lupa menyebutkan isu ketidakseimbangan kelas dan tujuan proyek, yaitu memprediksi “pinjaman tidak terbayar” secara akurat.
Prompt Pembaruan: “Harap sertakan isu ketidakseimbangan kelas dan prediksi secara akurat apakah sebuah pinjaman tidak akan dibayar kembali alih-alih apakah pinjaman dibayar kembali.”
Kembali lagi, kita tidak tertarik pada pemantauan model, dan kita ingin membangun aplikasi Gradio dan men-deploy-nya di Hugging Face Spaces.
Prompt Pembaruan: “Kita akan membuat web app menggunakan Gradio dan men-deploy-nya di Spaces dan kita tidak akan memantau model di production.”
Gif oleh Penulis | Daftar akhir langkah-langkah yang terlibat dalam proyek
Kita mendapatkan daftar 9 langkah seperti yang ditunjukkan di atas, beserta penjelasan terperinci tentang cara mendekati setiap langkah.
Berikut adalah daftar tugas yang akan kita ikuti dalam tutorial ini:
- Pembersihan dan pra-pemrosesan data. Menangani nilai hilang, mengonversi variabel kategorikal menjadi variabel numerik, melakukan skala/normalisasi data, dan menangani outlier atau anomali dalam data. Selain itu, Anda perlu mengatasi masalah ketidakseimbangan kelas dengan melakukan oversampling pada kelas minoritas (pinjaman yang tidak sepenuhnya dibayar) atau undersampling pada kelas mayoritas (pinjaman yang sepenuhnya dibayar).
- Analisis data eksploratif (EDA). Mengeksplorasi dataset untuk mendapatkan wawasan, seperti distribusi variabel, korelasi antarvariabel, dan mengidentifikasi pola dalam data.
- Rekayasa fitur. Membuat fitur baru atau mentransformasi fitur yang ada untuk meningkatkan daya prediksi model.
- Seleksi model. Mencoba beberapa model, seperti decision tree, random forest, logistic regression, atau support vector machine (SVM).
- Pelatihan dan evaluasi model. Melatih model terpilih pada data dan mengevaluasi performanya menggunakan berbagai metrik seperti akurasi, presisi, recall, dan skor F1.
- Penyetelan hiperparameter. Menyetel hiperparameter dari model terpilih untuk meningkatkan performanya.
- Membuat web app menggunakan Gradio. Setelah Anda memilih model terbaik, Anda dapat membuat web app menggunakan Gradio.
- Men-deploy web app di Spaces. Setelah membuat web app menggunakan Gradio, Anda dapat men-deploy-nya di Spaces.
- Menguji web app. Uji untuk memastikan aplikasi berjalan sesuai harapan.
Exploratory Data Analysis (EDA)
Analisis data eksploratif berkaitan dengan manipulasi data, analisis statistik, dan visualisasi data. Kita dapat menyelesaikannya dengan menulis prompt lanjutan untuk menulis kode Python guna analisis data eksploratif pada dataset kita.
Prompt Lanjutan: “Tolong tulis kode Python untuk memuat dan melakukan Exploratory data analysis (EDA) pada dataset pinjaman”
Bot akan memahami konteks dan menghasilkan kode Python beserta komentar dan penjelasan rinci tentang cara kerjanya.
Gif oleh Penulis | Kode Python untuk EDA
- Memuat dan menampilkan dataset sebagai dataframe Pandas.
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
loan_df = pd.read_csv("loan_data.csv")
loan_df.head()
- Menampilkan jumlah baris dan kolom serta ringkasan statistik untuk variabel numerik.
# Display the number of rows and columns in the dataset
print("Number of rows and columns:", loan_df.shape)
# Display summary statistics for numerical variables
print(loan_df.describe())Number of rows and columns: (9578, 14)
credit.policy int.rate ... pub.rec not.fully.paid
count 9578.000000 9578.000000 ... 9578.000000 9578.000000
mean 0.804970 0.122640 ... 0.062122 0.160054
std 0.396245 0.026847 ... 0.262126 0.366676
min 0.000000 0.060000 ... 0.000000 0.000000
25% 1.000000 0.103900 ... 0.000000 0.000000
50% 1.000000 0.122100 ... 0.000000 0.000000
75% 1.000000 0.140700 ... 0.000000 0.000000
max 1.000000 0.216400 ... 5.000000 1.000000- Menampilkan nilai hilang di setiap kolom. Seperti terlihat, tidak ada.
print(loan_df.isnull().sum())credit.policy 0
purpose 0
int.rate 0
installment 0
log.annual.inc 0
dti 0
fico 0
days.with.cr.line 0
revol.bal 0
revol.util 0
inq.last.6mths 0
delinq.2yrs 0
pub.rec 0
not.fully.paid 0- Memvisualisasikan distribusi variabel target “not.fully.paid”
sns.countplot(x="not.fully.paid", data=loan_df)
plt.show()
- Memvisualisasikan korelasi antarvariabel.
corr = loan_df.corr()
sns.heatmap(corr, annot=True, cmap="coolwarm")
plt.show()
- Memahami distribusi tujuan pinjaman.
sns.countplot(x="purpose", data=loan_df)
plt.xticks(rotation=90)
plt.show()
- Memahami distribusi suku bunga berdasarkan tujuan pinjaman.
sns.boxplot(x="purpose", y="int.rate", data=loan_df)
plt.xticks(rotation=90)
plt.show()Rekayasa Fitur
Alih-alih melakukan pra-pemrosesan dan pembersihan data, kita akan melakukan rekayasa fitur untuk menyederhanakan tugas pra-pemrosesan.
Prompt lanjutan: “Tulis kode Python untuk melakukan rekayasa fitur”
Kita mendapat solusi yang benar, namun menyertakan kode yang tidak relevan, sehingga kita perlu menulis prompt pembaruan untuk memodifikasi kodenya.
Prompt Pembaruan: “hanya tambahkan bagian rekayasa fitur.”
# Perform feature engineering
loan_df["installment_to_income_ratio"] = (
loan_df["installment"] / loan_df["log.annual.inc"]
)
loan_df["credit_history"] = (loan_df["delinq.2yrs"] + loan_df["pub.rec"]) / loan_df[
"fico"
]ChatGPT menyarankan dua fitur baru: “installment_to_income_ratio” dan “credit_history”.
Pra-pemrosesan dan Penyeimbangan Data
Sekali lagi, ChatGPT mengetahui konteks proyek. Kita tidak perlu menjelaskan semuanya lagi. Jadi, kita cukup memintanya menulis kode Python untuk membersihkan dan melakukan pra-pemrosesan data.
Prompt lanjutan: “Sekarang tulis kode python untuk membersihkan dan memproses awal dataset”
- Menghapus kolom yang tidak diperlukan dan mengonversi variabel kategorikal menjadi numerik.
from sklearn.preprocessing import LabelEncoder, StandardScaler
loan_df = loan_df.drop(['credit.policy', 'days.with.cr.line', 'purpose'], axis=1)
# Convert categorical variables to numerical using LabelEncoder
le = LabelEncoder()
loan_df['not.fully.paid'] = le.fit_transform(loan_df['not.fully.paid'])- Menskalakan fitur numerik menggunakan Standard Scaler.
scaler = StandardScaler()
numerical_cols = ['int.rate', 'installment', 'log.annual.inc', 'dti', 'fico', 'revol.bal', 'revol.util', 'inq.last.6mths', 'delinq.2yrs', 'pub.rec','credit_history','installment_to_income_ratio']
loan_df[numerical_cols] = scaler.fit_transform(loan_df[numerical_cols])- Menangani ketidakseimbangan kelas menggunakan metode oversampling dari imblearn.
from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state=42)
X = loan_df.drop('not.fully.paid', axis=1)
y = loan_df['not.fully.paid']
X_resampled, y_resampled = sm.fit_resample(X, y)
loan_df = pd.concat([X_resampled, y_resampled], axis=1)
loan_df['not.fully.paid'].value_counts()Seperti terlihat, kita berhasil menyeimbangkan kelas.
0 8045
1 8045
Name: not.fully.paid, dtype: int64Seleksi Model
Pada bagian ini, kita meminta ChatGPT untuk melatih data pada berbagai model untuk tugas seleksi model.
Prompt lanjutan: “Tulis kode python lanjutan untuk seleksi model. Coba decision tree, random forest, logistic regression, atau support vector machine (SVM). Catatan: hanya sertakan bagian seleksi model.”
Ia menghasilkan skrip Python untuk membagi dataset menjadi data latih dan uji, serta melatih dataset pada model yang ditentukan untuk menampilkan metrik akurasi.
from sklearn.model_selection import train_test_split
# Split the dataset into training and testing sets
X = loan_df.drop('not.fully.paid', axis=1)
y = loan_df['not.fully.paid']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Fit and evaluate decision tree classifier
dt = DecisionTreeClassifier(random_state=42)
dt.fit(X_train, y_train)
dt_score = dt.score(X_test, y_test)
print("Decision Tree Classifier Accuracy: {:.2f}%".format(dt_score*100))
# Fit and evaluate random forest classifier
rf = RandomForestClassifier(random_state=42)
rf.fit(X_train, y_train)
rf_score = rf.score(X_test, y_test)
print("Random Forest Classifier Accuracy: {:.2f}%".format(rf_score*100))
# Fit and evaluate logistic regression classifier
lr = LogisticRegression(random_state=42)
lr.fit(X_train, y_train)
lr_score = lr.score(X_test, y_test)
print("Logistic Regression Classifier Accuracy: {:.2f}%".format(lr_score*100))
# Fit and evaluate support vector machine classifier
svm = SVC(random_state=42)
svm.fit(X_train, y_train)
svm_score = svm.score(X_test, y_test)
print("Support Vector Machine Classifier Accuracy: {:.2f}%".format(svm_score*100))Algoritma Random Forest secara signifikan mengungguli model lainnya.
Decision Tree Classifier Accuracy: 81.21%
Random Forest Classifier Accuracy: 89.14%
Logistic Regression Classifier Accuracy: 61.32%
Support Vector Machine Classifier Accuracy: 66.54%Penyetelan Hiperparameter dan Evaluasi Model
Kita akan memilih model yang berkinerja lebih baik dan melakukan evaluasi model. Kita telah menentukan penggunaan akurasi, presisi, recall, dan skor F1 sebagai metrik serta cross-validation untuk memastikan kestabilan model.
Prompt lanjutan: “Pilih RandomForestClassifier dan tulis kode python untuk evaluasi model. Gunakan akurasi, presisi, recall, dan skor F1 sebagai metrik dan cross-validation untuk memastikan model tidak overfitting terhadap data latih.”
Kita akan memperbarui Python untuk menambahkan tugas penyetelan hiperparameter dan menyimpan model dengan performa terbaik.
Prompt Pembaruan: “juga sertakan penyetelan hiperparameter dalam kode di atas dan simpan model dengan performa terbaik”
Versi akhir kode menggunakan GridSearchCV untuk penyetelan hiperparameter dengan lima lipatan cross-validation dan menggunakan metrik f1 untuk evaluasi guna menemukan hiperparameter terbaik.
Setelah itu, ChatGPT secara otomatis menambahkan kode untuk memilih model terbaik untuk evaluasi model pada set pengujian dan menampilkan hiperparameter dengan performa terbaik.
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# Define the parameter grid for hyperparameter tuning
param_grid = {
'n_estimators': [100, 200, 300],
'max_depth': [10, 20, 30, None],
'min_samples_split': [2, 5, 10],
'min_samples_leaf': [1, 2, 4]
}
# Perform grid search with cross-validation to find the best hyperparameters
grid_search = GridSearchCV(rf, param_grid, cv=5, scoring='f1')
grid_search.fit(X_train, y_train)
# Get the best model and its hyperparameters
best_model = grid_search.best_estimator_
best_params = grid_search.best_params_
# Evaluate the best model on the testing set
y_pred = best_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
# Print the results
print("Random Forest Classifier Evaluation Results:")
print("Accuracy: {:.2f}%".format(accuracy * 100))
print("Precision: {:.2f}%".format(precision * 100))
print("Recall: {:.2f}%".format(recall * 100))
print("F1 Score: {:.2f}%".format(f1 * 100))
print("Best hyperparameters:", best_params)Kita memiliki model yang stabil dengan skor akurasi 89,35. Baik presisi maupun recall serupa.
Random Forest Classifier Evaluation Results:
Accuracy: 89.35%
Precision: 89.92%
Recall: 88.33%
F1 Score: 89.12%
Best hyperparameters: {'max_depth': None, 'min_samples_leaf': 1, 'min_samples_split': 2, 'n_estimators': 300}Pada akhirnya, kita akan menyimpan model menggunakan joblib.
import joblib
# Save the best model to disk
joblib.dump(best_model, 'loan_classifier.joblib')Anda dapat menemukan kode sumber beserta keluarannya pada DataLab workbook ini; Anda dapat dengan mudah membuat salinannya untuk mengedit dan menjalankan kode di browser, semuanya tanpa harus menginstal apa pun di komputer Anda.
Membuat Web App menggunakan Gradio
Sekarang masuk ke bagian paling menyenangkan. Kita hanya akan menggunakan prompt untuk membuat web app yang sepenuhnya dapat dikustomisasi yang akan menerima masukan numerik dan menampilkan hasil menggunakan model machine learning.
ChatGPT sudah mengetahui konteksnya, jadi kita hanya perlu memintanya menulis web app Gradio untuk pengklasifikasi data pinjaman.
Prompt lanjutan: “Tulis kode Python untuk membuat web app Gradio untuk pengklasifikasi data pinjaman. Kita tidak menggunakan kolom ['credit.policy', 'days.with.cr.line', 'purpose'].”
Minta ChatGPT hanya menyertakan bagian aplikasi Gradio, bukan skrip pelatihan dan inferensi.
Prompt Pembaruan: “hanya sertakan bagian aplikasi gradio.”
Kode yang kita dapatkan menampilkan probabilitas kelas prediktif, dan kita ingin menampilkan label klasifikasi.
Prompt Pembaruan: “modifikasi kode untuk menampilkan klasifikasi alih-alih probabilitas kelas.”
Setelah menjalankan kodenya, kita melihat beberapa peringatan dan error. Anda dapat memperbaikinya dengan menyebutkan error tersebut kepada ChatGPT.
Kita perlu memahami keterbatasan ChatGPT. Model ini dilatih pada dataset lama, dan jika Anda mengharapkannya memperbarui kode dengan API terbaru, Anda akan menemui jalan buntu. Sebaliknya, kita harus membaca dokumentasi Gradio dan memperbarui kode secara manual.
Prompt Gagal: “perbarui kode Gradio dengan komponen dari gradio.components”
Dalam aplikasi Gradio, kita memuat model yang disimpan dan mengambil input dari pengguna untuk menampilkan prediksi model.
Pelajari cara kerja Gradio dengan membaca Gradio Docs.
import gradio as gr
import joblib
# Load the trained model
model = joblib.load("loan_classifier.joblib")
def predict_loan_status(
int_rate,
installment,
log_annual_inc,
dti,
fico,
revol_bal,
revol_util,
inq_last_6mths,
delinq_2yrs,
pub_rec,
installment_to_income_ratio,
credit_history,
):
input_dict = {
"int.rate": int_rate,
"installment": installment,
"log.annual.inc": log_annual_inc,
"dti": dti,
"fico": fico,
"revol.bal": revol_bal,
"revol.util": revol_util,
"inq.last.6mths": inq_last_6mths,
"delinq.2yrs": delinq_2yrs,
"pub.rec": pub_rec,
"installment_to_income_ratio": installment_to_income_ratio,
"credit_history": credit_history,
}
# Convert the dictionary to a 2D array
input_array = [list(input_dict.values())]
prediction = model.predict(input_array)[0]
if prediction == 0:
return "Loan fully paid"
else:
return "Loan not fully paid"
inputs = [
gr.Slider(0.06, 0.23, step=0.01, label="Interest Rate"),
gr.Slider(100, 950, step=10, label="Installment"),
gr.Slider(7, 15, step=0.1, label="Log Annual Income"),
gr.Slider(0, 40, step=1, label="DTI Ratio"),
gr.Slider(600, 850, step=1, label="FICO Score"),
gr.Slider(0, 120000, step=1000, label="Revolving Balance"),
gr.Slider(0, 120, step=1, label="Revolving Utilization"),
gr.Slider(0, 10, step=1, label="Inquiries in Last 6 Months"),
gr.Slider(0, 20, step=1, label="Delinquencies in Last 2 Years"),
gr.Slider(0, 10, step=1, label="Public Records"),
gr.Slider(0, 5, step=0.1, label="Installment to Income Ratio"),
gr.Slider(0, 1, step=0.01, label="Credit History"),
]
outputs = [gr.Label(num_top_classes=2)]
title = "Loan Approval Classifier"
description = (
"Enter the details of the loan applicant to check if the loan is approved or not."
)
gr.Interface(
fn=predict_loan_status,
inputs=inputs,
outputs=outputs,
title=title,
description=description,
).launch()Anda dapat menyimpan kode di atas dalam file `app.py` dan meluncurkan aplikasi di browser dengan menjalankan skrip `python app.py` di terminal.
Gif oleh Penulis | Aplikasi pengklasifikasi persetujuan pinjaman
Walaupun aplikasi kita berjalan baik, ChatGPT sama sekali melewatkan bahwa kita telah melakukan penskalaan pada fitur numerik. Jadi, alih-alih meminta memperbarui kode, Anda bisa kembali dan menyimpan parameter standard scaler.
scalar = joblib.load('std_scaler.bin')Setelah itu, muat scaler di aplikasi Anda menggunakan joblib.
input_array = [list(input_dict.values())]
scaled_array = scalar.transform(input_array)
prediction = model.predict(scaled_array)[0]Jadi, mengapa kita melakukannya secara manual? Jika Anda meminta ChatGPT memodifikasi satu baris, ia mungkin memodifikasi seluruh kode bahkan nama variabelnya.
Ya, ChatGPT tidak sempurna, dan tidak akan pernah menggantikan pengembang.
Men-deploy Web App di Spaces
Anda cukup meminta ChatGPT mengajari cara sederhana men-deploy aplikasi gradio di Hugging Face Spaces, dan ia akan membuat daftar langkah-langkah yang diperlukan.
Prompt: “how to deploy gradio app to huggingface spaces.”
- Kunjungi situs Hugging Face dan klik foto profil Anda di kiri atas untuk memilih opsi “New Space”.
Gambar oleh Penulis
- Tambahkan nama dan jenis lisensi untuk membuat repo aplikasi.
- Klik tab Files and Versions > + Add file > Upload files untuk menambahkan file ke repo.
- Seret file app.py, model, dan scaler lalu klik tombol “Commit change to main'' dan simpan commit dengan pesan commit. Mirip seperti Git.
Gambar oleh Penulis
Jika Anda mengalami runtime error, itu karena Anda lupa menambahkan file requirements.txt. Pilih Files and Versions tab > + Add file > Create a new file dan tambahkan nama file serta pustaka Python dengan versinya seperti ditunjukkan di bawah.
Gambar oleh Penulis
Aplikasi Anda siap. Anda dapat mengubah input menggunakan slider dan memprediksi apakah pelanggan seharusnya mendapatkan pinjaman atau tidak.
Anda dapat mencoba demo langsung di Hugging Face Space oleh kingabzpro.
Gambar oleh Penulis | Loan Classifier
Kiat Menulis Prompt ChatGPT yang Efektif
Prompt engineering tidak mudah saat digunakan untuk proyek nyata. Kita perlu memahami aturan tentang apa yang bisa dilakukan atau kapan kita harus turun tangan untuk mengoreksi ChatGPT.
Berikut beberapa kiat untuk meningkatkan pengalaman Anda dengan ChatGPT tanpa mengorbankan proyek.
- Selalu tulis prompt yang jelas dan ringkas. Pastikan Anda menjelaskan secara detail apa yang Anda butuhkan dari awal.
- Buat riwayat proyek. ChatGPT adalah chatbot, jadi agar dapat memahami konteks secara efektif, Anda perlu membangun riwayat.
- Terus coba. Tidak ada cara baku untuk menulis prompt. Mulailah dengan prompt dasar dan terus perbaiki dengan menulis prompt pembaruan lanjutan.
- Sebutkan error pada kode. Jika Anda menjalankan kode di mesin lokal dan muncul error, coba sebutkan error tersebut dalam prompt lanjutan. ChatGPT akan segera belajar dari kesalahan itu dan memberikan solusi yang lebih baik.
- Lakukan perubahan secara manual. ChatGPT dilatih pada data lama, dan jika Anda mengharapkan ide atau perintah API baru, Anda akan kecewa. Cobalah melakukan perubahan manual pada kode Anda jika memungkinkan karena kode yang dihasilkan tidak sempurna.
- Gunakan untuk tugas umum. Peluang sukses dengan ChatGPT lebih besar jika Anda meminta tugas-tugas umum.
- Gunakan untuk mempelajari hal baru. Selalu minta ChatGPT untuk menjelaskan hal baru atau tutorial “how to do”. Ia akan memberikan daftar langkah sederhana yang akan menyelesaikan pekerjaan. Ini cukup membantu jika Anda memiliki hambatan belajar.
Jika Anda tertarik dengan ChatGPT dan OpenAI API, daftar untuk webinar: Getting Started with the OpenAI API and ChatGPT. Anda akan belajar melakukan tugas generasi bahasa dan kode menggunakan OpenAI API dan banyak lagi.
Kesimpulan
Mengembangkan pengklasifikasi persetujuan pinjaman adalah salah satu dari banyak contoh penggunaan ChatGPT untuk proyek data science. Kita dapat menggunakannya untuk menghasilkan data sintetis, menjalankan kueri SQL, membuat laporan analitik data, melakukan riset machine learning, dan banyak lagi. Generative AI akan terus ada dan mempermudah hidup kita. Alih-alih menghabiskan berminggu-minggu atau berbulan-bulan pada sebuah proyek, Anda dapat mengembangkan, menguji, dan men-deploy aplikasi data science dalam hitungan jam.
Dalam tutorial ini, kita telah mempelajari cara menggunakan ChatGPT untuk perencanaan proyek, analisis data, pembersihan dan pra-pemrosesan data, seleksi model, optimisasi hiperparameter, serta membuat dan men-deploy aplikasi web.
Ada tantangan dalam menggunakan ChatGPT. Anda perlu memiliki pengalaman dengan analisis statistik dan pengkodean Python untuk memahami berbagai tugas dalam proyek; tanpanya, Anda berjalan tanpa arah. Mulailah perjalanan data science Anda dengan mengikuti jalur karier Data Scientist with Python dan dapatkan keterampilan pembangun karier yang Anda perlukan untuk sukses sebagai data scientist.
