Bir analitik projesinin pek çok unsuru tekrarlayıcı, zaman alıcı ve yorucu olabilir. Verileri içe aktarmayı ya da dağınık sütunları temizlemeyi gerçekten kim seviyor? DataLab'in yeni Yapay Zeka Asistanı ile sevdiğiniz şeye daha fazla zaman ayırabilirsiniz: soruları verilerle yanıtlamaya!
Bu makalede, iş akışınızı hızlandırabilecek ve içgörüleri verimli biçimde çıkarabilmenize yardımcı olacak 10 DataLab Yapay Zeka Asistanı ipucunu ele alacağız. Bu makaledeki komutları takip etmek ve denemeler yapmak isterseniz, bu çalışma kitabını kullanabilirsiniz!
Not: Buradaki örnekler Python ile gösterilse de aynı ilkeler R çalışma kitapları için de geçerlidir!
1. Paket İçe Aktarımlarınızı Otomatik Olarak Yönetin
Bir projeye başlarken yazmayı alışkanlık edindiğiniz bazı standart paket içe aktarımlarınız olması muhtemeldir. Sonrasında, not defterinizin en üstüne periyodik olarak dönüp birkaç satır daha import ekler ve sonra kaldığınız yerden devam edersiniz. Daha da zorlayıcı olan, adını unuttuğunuz bir paket ya da fonksiyonun ismini hatırlamak için harici dokümantasyona bakmak zorunda kaldığınız anlardır.
Oysa Generate özelliğini kullanarak içe aktarımlarınızın çoğunu oluşturabileceğinizi biliyor muydunuz? “Bir makine öğrenmesi sınıflandırma görevi gerçekleştirmek için ihtiyaç duyacağım tüm paketleri içe aktar.” gibi basit bir komut bile pandas, NumPy ve verilerinizi bölmek, birkaç modele uydurmak ve ardından değerlendirmek için gereken importları döndürür.
Faydalı paketleri içe aktarmak için Generate kullanımı
Ayrıca, komuta iş akışınızın ek aşamalarını da dahil edebilirsiniz. Çoğu durumda, Matplotlib ve Seaborn gibi paketlerin eklenmesi için “görselleştirme dahil” ifadesini eklemek isteyebilirsiniz.
Elbette listede yine de eksik importlar olabilir, ancak temel paketleri içe aktarmada size zaman kazandırır ve ihtiyaçlarınıza göre güncellenebilir.
Ek ipucu: Sizin için en iyi sonucu veren komutları not almak ve hızlıca geri dönebilmek çoğu zaman faydalıdır!
2. Daha Hızlı Güzel Görselleştirmeler Oluşturun
Python'da görselleştirme zor değildir, ancak farklı paketlerin sözdizimini hatırlamak zaman alabilir. Yapay Zeka Asistanı yine imdadınıza yetişiyor!
Aşağıdaki örnekte, “job sütununda en yaygın 10 işi sıralayan, df DataFrame'i için bir Plotly çubuk grafiği oluştur.” komutunu kullanarak asistandan bir veri kümesini birleştirmesini ve ardından görselleştirmesini istiyoruz.
Grafiğimizin ilk yinelemesi için Generate kullanımı
Sonuç fena değil, ama daha iyisini yapabiliriz. Üretilen kod üzerinde yineleme yapmak için Generate'ü tekrar kullanabilirsiniz! Komut penceresine “Grafiği büyükten küçüğe sıralı yatay bir çubuk grafik yap. Uygun bir başlık ekle ve basit beyaz bir tema kullan.” yazarak yeniden çalıştırdığımızda aşağıdaki çıktıyı elde ediyoruz.
Grafik üretiminin ikinci turu!
Çok daha iyi! Birkaç cümleyle, etiketleri ve özel stillendirmesiyle birlikte temiz ve bilgilendirici bir grafik oluşturduk.
Ek ipucu: Bu yöntem, grafikleri elle yapacağınız ince ayarlarla birleştirildiğinde en etkilidir. Yapay Zeka Asistanı genellikle sizi işin %90'ına kadar getirir, ancak son %10 muhtemelen kendi değişikliklerinizden gelecektir! Tercih ettiğiniz görselleştirme paketini öğrenmek için DataCamp’in görselleştirme kurslarını mutlaka kullanın.
3. SQL’inizi Hızlandırın
DataLab, SQL veritabanlarını sorgulama ile sonuçları Python veya R'de analiz etme arasında sorunsuz bir şekilde geçiş yapmanızı sağlar (artık CSV dosyalarını da SQL ile sorgulayabilirsiniz!). Ancak iyi biçimlendirilmiş bir SQL sorgusu yazmak zaman alıcı olabilir.
Sorgularınızı sizin için yazması için SQL hücrelerinde de Generate'ü kullanabilirsiniz. Yapay Zeka Asistanı veritabanı şemasına erişebildiği için ilgili sütunları da kullanacaktır.
Aşağıdaki örnekte, tablo veya sütun adlarını belirtmeden sadece en popüler 10 etkinlik için bilet sayısı istedik. Bu, gerekli iki tabloyu (event ve sales) birleştiren, qtysold sütununu toplayan ve en popüler 10 etkinliği azalan sırada döndüren bir sorgu üretti. Hatta çıktı sütununa faydalı bir takma ad da verdi!
Anında sorgu!
4. Bir Giriş Yazın
Bir metin hücresinde Generate kullanmak, raporunuzun yazılı bölümlerine başlamanıza yardımcı olabilir. “Kredi kartı dolandırıcılığı örneklerini belirlemeye odaklanan bir makine öğrenmesi projesi için bir giriş yaz. Neden önemli olduğunu mutlaka belirt.” gibi bir komut, ardından kendi koşullarınıza göre ince ayar yapabileceğiniz sağlam bir giriş döndürebilir.
Anında giriş!
5. Kodunuzu Biçimlendirin
Bir analiz sırasında, kodunuzda özensizleşmek çok kolaydır. Girintiler bozulur, fazladan boşluklar oluşur ve satırlar uzayıp hantallaşır. Siz çalışmanızı çözebilseniz de başkaları çözemez. standartlaştırılmış kod biçimlendirmesine uymanın pek çok avantajı vardır.
Neyse ki bunu elle yapmak zorunda değilsiniz! Bir metin hücresine yazacağınız basit bir komut, tüm biçimlendirme sorunlarınızı kolayca halledebilir.
Bir raporu göndermeden önce, her kod hücresinden geçin ve “Bu kodu PEP 8 standartlarına göre biçimlendir.” gibi bir komut çalıştırın. Bu, gerektiğinde boşluk ekleyip/kaldırmak, yeni satırların doğru kullanıldığından emin olmak ve genel olarak kodunuzu daha okunaklı hale getirmek gibi temizlikleri hızla yapmanıza yardımcı olabilir.
Düzensiz kodumuzu biçimlendirmek için Generate kullanımı!
6. Örnek Veri Kümeleri Oluşturun
Burada, Python ile OpenAI API'ına erişim üzerine makalesinde bunu örnek olarak kullanan kendi ekibimizden Richie Cotton'dan ilham alıyoruz. Richie, makalede API'ı kullanarak bir örnek veri kümesi oluşturan kodu nasıl döndüreceğini gösteriyor.
Belirttiği gibi, örnek bir veri kümesi; kodu doğrulamak ve farklı teknikleri pratik etmek gibi şeyler için son derece kullanışlıdır. O, OpenAI API'ını kullanıyor olsa da siz de aynısını bir Generate komutuyla yapabilirsiniz!
Oluşturulmasını istediğiniz veri kümesinin türünü ve dahil edilmesini istediğiniz bilgileri yazarak belirtmeniz yeterlidir.
Örnek bir pazarlama veri kümesi oluşturma
Uyarı: İstediğiniz satır sayısını mutlaka belirtin. Uzunluk içermeyen bir komut, yalnızca beş satırlık veriden oluşan bir örnek veri kümesi döndürebilir!
7. Kodunuzu Yeniden Düzenleyip Yeniden Kullanılabilir Fonksiyonlara Dönüştürün
İyi bir kural şudur: Bir görevi ikiden fazla yapmayı planlıyorsanız bir fonksiyon yazın. Generate'ü kullanarak dağınık kodunuzu hızla çalışan bir fonksiyona dönüştürebilirsiniz.
Aşağıdaki örnekte, bir rastgele yürüyüş üretip çizen bazı kodları alıp bir fonksiyona dönüştürüyoruz. Dahası, adım sayısını ve adım boyutunu kontrol etmemize olanak tanıyan bazı parametreleri de eklemesini istiyoruz.
Dağınık kod
Generate kullandıktan sonra!
Fonksiyon üzerinde yineleme yapmak isterseniz, ek komutlarla daha da ince ayar yapabilir veya Python'da Fonksiyon Yazma ya da R'de Fonksiyon Yazmaya Giriş gibi bir dersten edindiğiniz bilgilerle kendiniz müdahale edebilirsiniz.
8. Özellik Mühendisliği ve Ön İşleme
Bir ön işleme hattını başlatmaya yönelik kod uzun ve zahmetli olabilir. Generate, çok az ince ayarla hızla bir pipeline kurma olanağı sunar.
Hatta Yapay Zeka Asistanı zaten DataFrame'inizle önceden eşlendiğinden, ilgili değişkenleri dikkate alarak bir hat kurabilir. Aşağıda “Sayısal değişkenleri ölçeklendirmek ve kategorik değişkenleri one-hot encode etmek için bir pipeline hazırla.” komutunu kullanarak bu tam iş akışını oluşturduk.
Python'da bir ön işleme hattını başlatmak için Generate kullanımı
9. Hiperparametre Ayarına Hızlı Bir Başlangıç Yapın
Hiperparametre ayarı, makine öğrenmesi modellerinizden ek performans elde etmenin harika bir yolu olabilir. Ancak genellikle çok sayıda kod gerekir ve hangi parametreleri ayarlayacağınızı hatırlamak zor olabilir.
Bu da Yapay Zeka Asistanının size çok zaman kazandırabileceği bir başka durumdur. Ayarlamak istediğiniz model türünü belirtmeniz yeterlidir; gerisini Generate halleder. Aşağıdaki örnekte, yapay zeka ayrıca kullandığımız DataFrame'i de dikkate alıyor ve hedef değişken olarak is_fraud sütununu ayarlayarak ayarlama sürecini kuruyor.
Not: Bunu kullanmadan önce hiperparametre ayarı hakkında bir miktar bilgi sahibi olmanızı öneririz. Böylece hangi parametrelerin dahil edileceği gibi unsurları değerlendirebilir ve ayarlayabilirsiniz. Bu konuda DataCamp’in Python ve R dillerinde iki harika dersi vardır.
Yapay Zeka Asistanı ile hiperparametre ayarı
10. Model Sonuçlarını Çevirin ve Yorumlayın
Bir makine öğrenmesi modelini eğittiniz ve performansını değerlendirdiniz. Siz sonuçları yorumlamakta zorlanmıyor olsanız da teknik olmayan kullanıcılar takip etmekte güçlük çekebilir.
Sonuçlarınızı daha geniş bir kitle için yorumlamanıza yardımcı olmak üzere Generate'ü kullanabilirsiniz. Aşağıdaki örnekte, bir sınıflandırma görevinin kesinlik (precision) ve geri çağırım (recall) değerlerini paylaşıyor ve yapay zekadan sonuçları müşteri kaybını tahmin etme bağlamında yorumlamasını istiyoruz.
Sonucu mutlaka akla yatkınlık açısından kontrol edin ve konuyla ilgili kendi bilginizle karşılaştırın. Ancak çoğu zaman bu tür bir komut, sonuçlarınızı tüm paydaşlar için damıtmanıza yardımcı olabilir.
Sınıflandırma metriklerini yorumlama
İleriye Dönük
DataLab'deki yeni yapay zeka araçları ile olasılıklar neredeyse sınırsız. Sürekli denemeler yapın; zamanla iş akışınızı hızlandırmak için başvurduğunuz bir komut araç kutusu oluşturacaksınız. eşlik eden çalışma kitabındaki komutları dilediğiniz gibi değiştirin ya da yeni bir boş Python veya R çalışma kitabı oluşturun.
Ancak dikkat: Yapay zeka asistanının çıktısını körü körüne kullanmayın. Yapay zekâ tarafından üretilen kod, bariz ve ince yollarla hatalı olabilir. Sonuçlarınızı her zaman akıl süzgecinden geçirin ve neyi başarmaya çalıştığınız konusunda sağlam bir anlayışa sahip olun. Örneğin, üretilen sorgu doğru sütunları mı kullanıyor? Ön işleme hattı dönüştürmek istediğiniz değişkenleri, dönüştürmeyi planladığınız şekilde dönüştürüyor mu?
Yapay Zeka Asistanı bir araçtır; pratik bilginin yerini tutmaz. Asistan faydalı tavsiyeler veya sözdizimi sağlayabilir, ancak nihai sonuç sizin sorumluluğunuzdadır. Bu nedenle, asistanı kullandığınız konular hakkında bilgi sahibi olmanızı da öneririz. DataCamp’in ders kütüphanesi, kullanmayı planladığınız beceri ve teknikleri güncel tutmanın harika bir yoludur.
Ek Kaynaklar
Daha fazla ilham isterseniz, komut tasarımı hakkındaki makalemizi ve içinde DataLab'de doğrudan kullanılabilecek pek çok komut bulunan ChatGPT için Kopya Kağıdımızı mutlaka inceleyin.
