Kurs
ChatGPT'yi Anlamak
1 sa
438.2K
Hepimiz ChatGPT’nin popülerliğini ve insanların onu üretkenliklerini artırmak için nasıl kullandığını biliyoruz. Ancak yeniyseniz, bir ChatGPT ücretsiz demosuna kaydolup sunduklarını denemeye değer. Ayrıca, etkili istemler yazmanın en iyi uygulamalarını öğrenmek ve bu güçlü yapay zeka aracından yararlanmaya yönelik yaygın iş kullanım durumlarını keşfetmek için ChatGPT’ye Giriş kursumuzu almalısınız.
Bu eğitimde, ChatGPT’yi uçtan uca bir veri bilimi projesinde nasıl kullanabileceğimizi öğreneceğiz. Proje taslağı oluşturmak, Python kodu yazmak, araştırma yapmak ve uygulamanın hata ayıklamasını gerçekleştirmek için çeşitli istemleri kullanacağız. Ayrıca, etkili ChatGPT istemleri yazmaya yönelik ipuçlarını öğreneceğiz. Yapay zekayı farklı amaçlar için kullanmaya ilgi duyuyorsanız, her seviyeye uygun yapay zeka projeleri rehberimize göz atın.
Uçtan Uca Bir Veri Bilimi Projesi İçin ChatGPT Kullanımı
Projede, DataLab’den Kredi Verisini kullanacak ve veri bilimi projesini bunun etrafında planlayacağız.
Burada işin yüzde 80’ini ChatGPT yapıyor; bizim sadece her şeyi doğru elde etmek için istem mühendisliğinde ustalaşmamız gerekiyor ve bunun için de harika Veri Bilimi için ChatGPT Kopya Kâğıdımız var. SQL, R ve Python’a dayalı veri bilimi görevleri için 60+ ChatGPT istemiyle birlikte geliyor.
Proje Planlama
Bu, projenin en önemli kısmıdır; mevcut kaynaklara ve hedeflere bakarak en uygun stratejiyi belirleriz.
chat.openai.com adresine gidip yeni bir sohbet başlatabilirsiniz. Ardından, mevcut kredi veri setinden bahsedip ChatGPT’den uçtan uca genel bir portföy projesi oluşturmak için adımları ortaya koymasını isteyeceğiz.
İstem: “9500 satır ve 14 sütundan oluşan bir kredi veri setim var: ['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']. Portföyüm için uçtan uca bir proje geliştirmek üzere izlemem gereken adımları listeleyebilir misiniz?”
Listeyi aldık, ancak sınıf dengesizliği sorununu ve “kredinin geri ödenmemesi”ni doğru tahmin etmeyi hedeflediğimizi belirtmeyi unuttuk.
Güncellenmiş İstem: “Lütfen sınıf dengesizliği sorunlarını dahil edin ve bir kredinin geri ödenip ödenmediğinden ziyade geri ödenmeyeceğini doğru şekilde tahmin edin.”
Ayrıca model izleme ile ilgilenmiyoruz ve bir Gradio uygulaması oluşturup bunu Huggingface Spaces üzerinde dağıtmak istiyoruz.
Güncellenmiş İstem: “Gradio kullanarak bir web uygulaması oluşturacağız ve bunu Spaces üzerinde dağıtacağız; üretimde modeli izlemeyeceğiz.”
Yazarın GIF’i | Bir projede yer alan adımların son listesi
Yukarıda gösterildiği gibi 9 adımlık bir liste ve her adıma nasıl yaklaşmamız gerektiğine dair ayrıntılı bir açıklama aldık.
Bu eğitimde takip edeceğimiz görevlerin listesi aşağıdadır:
- Veri temizleme ve ön işleme. Eksik değerlerle ilgilenme, kategorik değişkenleri sayısal değişkenlere dönüştürme, veriyi ölçekleme/normalize etme ve veri içindeki aykırı değerler veya anomalileri ele alma. Ayrıca, sınıf dengesizliği sorununu, azınlık sınıfını (tam olarak ödenmeyen krediler) aşırı örnekleyerek veya çoğunluk sınıfını (tam olarak ödenen krediler) eksik örnekleyerek ele almak isteyeceksiniz.
- Keşifsel veri analizi (EDA). Değişkenlerin dağılımları, değişkenler arası korelasyonlar ve verideki örüntüleri belirleme gibi içgörüler elde etmek için veri setini keşfetme.
- Özellik mühendisliği. Modelin öngörü gücünü artırmak için yeni özellikler oluşturma veya mevcut özellikleri dönüştürme.
- Model seçimi. Karar ağaçları, rastgele ormanlar, lojistik regresyon veya destek vektör makineleri (SVM) gibi birkaç modeli deneme.
- Model eğitimi ve değerlendirme. Seçilen modeli veride eğitme ve doğruluk, kesinlik, duyarlılık ve F1 skoru gibi çeşitli metriklerle performansını değerlendirme.
- Hiperparametre ayarlama. Seçilen modelin hiperparametrelerini ince ayarlayarak performansını artırma.
- Gradio kullanarak web uygulaması oluşturma. En iyi modeli seçtikten sonra Gradio kullanarak bir web uygulaması oluşturabilirsiniz.
- Web uygulamasını Spaces üzerinde dağıtma. Gradio ile web uygulamasını oluşturduktan sonra Spaces üzerinde dağıtabilirsiniz.
- Web uygulamasını test etme. Beklendiği gibi çalıştığından emin olmak için test edin.
Keşifsel Veri Analizi (EDA)
Keşifsel veri analizi; veri manipülasyonu, istatistiksel analiz ve veri görselleştirmeyle ilgilidir. Veri setimiz üzerinde keşifsel veri analizi için Python kodu yazmaya yönelik bir takip istemi yazarak bunu tamamlayabiliriz.
Takip İstemi: “Kredi veri setini yüklemek ve Keşifsel Veri Analizi (EDA) yapmak için bir Python kodu yazar mısınız”
Bot bağlamı anlayacak ve nasıl çalıştığına ilişkin yorumlar ve ayrıntılı açıklamalarla birlikte Python kodu sunacaktır.
Yazarın GIF’i | EDA için Python kodu
- Veri setini Pandas dataframe olarak yükleme ve görüntüleme.
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
loan_df = pd.read_csv("loan_data.csv")
loan_df.head()
- Satır ve sütun sayısını ve sayısal değişkenler için istatistiksel özeti görüntüleme.
# 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- Her sütundaki eksik değerleri görüntüleme. Görüldüğü üzere hiç yok.
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- Hedef değişken “not.fully.paid” dağılımını görselleştirme
sns.countplot(x="not.fully.paid", data=loan_df)
plt.show()
- Değişkenler arasındaki korelasyonu görselleştirme.
corr = loan_df.corr()
sns.heatmap(corr, annot=True, cmap="coolwarm")
plt.show()
- Kredi amacının dağılımını anlama.
sns.countplot(x="purpose", data=loan_df)
plt.xticks(rotation=90)
plt.show()
- Kredi amacına göre faiz oranlarının dağılımını anlama.
sns.boxplot(x="purpose", y="int.rate", data=loan_df)
plt.xticks(rotation=90)
plt.show()Özellik Mühendisliği
Veriyi ön işlemek ve temizlemek yerine, ön işleme görevini basitleştirmek için özellik mühendisliği uygulayacağız.
Takip İstemi: “Özellik mühendisliği yapmak için bir Python kodu yazın”
Doğru çözümü aldık ancak alakasız kodlar içeriyordu; bu yüzden kodu değiştirmek için güncelleme istemi yazmak zorunda kaldık.
Güncellenmiş İstem: “sadece özellik mühendisliği kısmını ekleyin.”
# 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 iki yeni özellik önerdi: “installment_to_income_ratio” ve “credit_history”.
Veriyi Ön İşleme ve Dengeleme
Yine, ChatGPT projenin bağlamını biliyor. Her şeyi yeniden açıklamak zorunda değiliz. Bu yüzden, veriyi temizlemek ve ön işlemek için Python kodu yazmasını isteyeceğiz.
Takip İstemi: “Şimdi veri setini temizlemek ve ön işlemek için bir Python kodu yazın”
- Gereksiz sütunları bırakma ve kategorik değişkenleri sayısal değişkenlere dönüştürme.
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'])- Sayısal özellikleri Standard Scaler kullanarak ölçekleme.
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])- imblearn’in aşırı örnekleme yöntemini kullanarak sınıf dengesizliğini ele alma.
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()Görüldüğü üzere sınıfı başarıyla dengeledik.
0 8045
1 8045
Name: not.fully.paid, dtype: int64Model Seçimi
Bu kısımda, model seçimi görevi için veriyi çeşitli modellerde eğitmesini ChatGPT’den istedik.
Takip İstemi: “Model seçimi için takip niteliğinde bir Python kodu yazın. Karar ağaçları, rastgele ormanlar, lojistik regresyon veya destek vektör makinelerini (SVM) deneyin. Not: yalnızca model seçimi kısmını dahil edin.”
Veri setini eğitim ve test olarak ayıran ve belirtilen modellerde eğitip doğruluk metriklerini gösteren bir Python betiği oluşturdu.
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))Rastgele Orman algoritması, diğer modelleri belirgin şekilde geride bıraktı.
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%Hiperparametre Ayarlama ve Model Değerlendirme
Daha iyi performans gösteren modeli seçecek ve model değerlendirmesi yapacağız. Metrik olarak doğruluk, kesinlik, duyarlılık ve F1 skorunun kullanılmasını ve model kararlılığını sağlamak için çapraz doğrulamayı belirttik.
Takip İstemi: “RandomForestClassifier’ı seçin ve model değerlendirmesi için bir Python kodu yazın. Modelin eğitim verisine aşırı uyum sağlamadığından emin olmak için metrik olarak doğruluk, kesinlik, duyarlılık ve F1 skorunu ve çapraz doğrulamayı kullanın.”
Python’u hiperparametre ayarlama görevlerini eklemek ve en iyi performans gösteren modeli kaydetmek üzere güncelleyeceğiz.
Güncellenmiş İstem: “yukarıdaki koda hiperparametre ayarlamayı da dahil edin ve en iyi performans gösteren modeli kaydedin”
Kodun son sürümü, hiperparametre ayarlaması için beş çapraz doğrulama bölmeli GridSearchCV kullanıyor ve en iyi hiperparametreleri bulmak için değerlendirmede f1 metriğini kullanıyor.
Ardından, ChatGPT otomatik olarak test setinde model değerlendirmesi için en iyi modeli seçen ve en iyi performans gösteren hiperparametreleri gösteren kodu ekledi.
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)89,35 doğruluk skoru ile kararlı bir modelimiz var. Kesinlik ve duyarlılık birbirine yakın.
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}Son olarak modeli joblib kullanarak kaydedeceğiz.
import joblib
# Save the best model to disk
joblib.dump(best_model, 'loan_classifier.joblib')Kaynak kodu ve çıktıları bu DataLab çalışma kitabında bulabilirsiniz; kendi kopyanızı kolayca oluşturabilir, kodu tarayıcıda düzenleyip çalıştırabilirsiniz; bilgisayarınıza hiçbir şey kurmanıza gerek yok.
Gradio Kullanarak Bir Web Uygulaması Oluşturma
Şimdi en eğlenceli kısma geldik. Yalnızca istemler kullanarak sayısal girdi alacak ve sonuçları bir makine öğrenimi modeliyle gösterecek tamamen özelleştirilebilir bir web uygulaması oluşturacağız.
ChatGPT bağlamı zaten biliyor; bu nedenle kredi verisi sınıflandırıcısı için bir Gradio web uygulaması yazmasını istememiz yeterli.
Takip İstemi: “Kredi verisi sınıflandırıcıları için bir Gradio web uygulaması oluşturmak üzere Python kodu yazın. ['credit.policy', 'days.with.cr.line', 'purpose'] sütunlarını kullanmıyoruz.”
ChatGPT’den, eğitimi ve ardından çıkarım betiğini değil, yalnızca Gradio uygulaması kısmını dahil etmesini isteyin.
Güncellenmiş İstem: “sadece gradio uygulaması kısmını dahil edin.”
Aldığımız kod sınıf olasılıklarını gösteriyor; biz sınıflandırma etiketlerini göstermek istiyoruz.
Güncellenmiş İstem: “kodu sınıf olasılıkları yerine sınıflandırmayı gösterecek şekilde değiştirin.”
Kodu çalıştırdıktan sonra birden fazla uyarı ve hata gördük. Hataları ChatGPT’ye belirterek iyileştirebilirsiniz.
ChatGPT’nin sınırlamalarını anlamamız gerekiyor. Eski bir veri kümesiyle eğitildi ve kodu en güncel API ile güncellemesini beklerseniz duvara toslarsınız. Bunun yerine Gradio dokümantasyonunu okuyup kodu manuel olarak güncellemeliyiz.
Başarısız İstem: “Gradio kodunu gradio.components içindeki bileşenle güncelleyin”
Gradio uygulamasında, kaydedilen modeli yüklüyor ve kullanıcılardan girdileri alarak model tahminlerini gösteriyoruz.
Gradio’nun nasıl çalıştığını Gradio Belgelerini okuyarak öğrenin.
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()Yukarıdaki kodu `app.py` dosyasına kaydedebilir ve terminalde `python app.py` komutunu çalıştırarak uygulamayı tarayıcıda başlatabilirsiniz.
Yazarın GIF’i | Kredi onay sınıflandırıcı uygulaması
Uygulamamız düzgün çalışsa da, sayısal özellikleri ölçeklendirdiğimizi ChatGPT tamamen atlamış. Bu nedenle, kodu güncellemesini istemek yerine standart ölçekleyici parametrelerini geri dönüp kaydedebilirsiniz.
scalar = joblib.load('std_scaler.bin')Ardından, uygulamanızda ölçekleyiciyi joblib ile yükleyin.
input_array = [list(input_dict.values())]
scaled_array = scalar.transform(input_array)
prediction = model.predict(scaled_array)[0]Peki bunu neden manuel yapıyoruz? ChatGPT’den tek bir satırı değiştirmesini isterseniz, tüm kodu ve hatta değişken adlarını bile değiştirebilir.
Evet, ChatGPT mükemmel değil ve bir geliştiricinin yerini asla almayacak.
Web Uygulamasını Spaces Üzerinde Dağıtma
Gradio uygulamasını Hugging Face Spaces üzerinde dağıtmanın basit yolunu öğretmesini ChatGPT’den isteyebilirsiniz; gerekli adımları listeleyecektir.
İstem: “gradio uygulaması huggingface spaces’e nasıl dağıtılır.”
- Hugging Face web sitesine gidin ve sol üstteki profil resminize tıklayarak “New Space” seçeneğini seçin.
Görsel: Yazar
- Uygulama deposunu oluşturmak için ad ve lisans türünü ekleyin.
- Files and Versions sekmesine tıklayın > + Add file > Depoya dosya eklemek için Upload files.
- app.py, model ve ölçekleyici dosyalarını sürükleyin ve “Commit change to main” düğmesine tıklayın; bir commit mesajıyla kaydedin. Git’e benzer.
Görsel: Yazar
Çalışma zamanı hatasıyla karşılaşıyorsanız, requirements.txt dosyası eklemeyi unuttuğunuz içindir. Files and Versions sekmesi > + Add file > Create a new file seçin ve aşağıda gösterildiği gibi dosya adını ve sürümleriyle birlikte Python kütüphanelerini ekleyin.
Görsel: Yazar
Uygulamanız hazır. Girdiyi kaydırıcılarla değiştirebilir ve müşteriye kredi verilip verilmeyeceğini tahmin edebilirsiniz.
kingabzpro tarafından oluşturulan bir Hugging Face Space üzerinde canlı demoyu deneyebilirsiniz.
Görsel: Yazar | Kredi Sınıflandırıcı
Etkili ChatGPT İstemleri Yazmak İçin İpuçları
Gerçek hayat projelerinde kullanırken istem mühendisliği zorlu olabilir. ChatGPT’de neleri yapabileceğimize veya nerede devreye girip düzeltme yapmamız gerektiğine dair kuralları anlamamız gerekir.
Projeden ödün vermeden ChatGPT deneyiminizi nasıl iyileştirebileceğinize dair bazı ipuçları şunlardır:
- Her zaman açık ve öz istemler yazın. Başta ihtiyacınız olan her şeyi ayrıntılı şekilde açıkladığınızdan emin olun.
- Bir proje geçmişi oluşturun. ChatGPT bir sohbet botudur; bağlamı etkin şekilde anlayabilmesi için bir geçmiş oluşturmanız gerekir.
- Denemeye devam edin. İstem yazmanın standart bir yolu yoktur. Temel bir istemle başlayıp takip güncelleme istemleri yazarak bunları iyileştirmeniz gerekir.
- Kod hatalarını belirtin. Kodu yerel makinenizde çalıştırıp hata alırsanız, takip isteminde hatadan bahsetmeyi deneyin. ChatGPT hatadan hemen ders çıkarır ve daha iyi bir çözümle gelir.
- Manuel değişiklik yapın. ChatGPT eski verilerle eğitilmiştir; yeni bir fikir veya API komutu üretmesini bekliyorsanız hayal kırıklığına uğrayabilirsiniz. Oluşturulan kod mükemmel olmadığı için mümkün olduğunda kodunuzda manuel değişiklikler yapmaya çalışın.
- Yaygın görevler için kullanın. Yaygın görevler isterseniz ChatGPT ile başarı şansı daha yüksektir.
- Yeni bir şey öğrenmek için kullanın. ChatGPT’den her zaman yeni şeyleri açıklamasını veya “nasıl yapılır” türünde eğitimler istemesini söyleyin. İşi halledecek basit adımların bir listesini sağlayacaktır. Öğrenme güçlüğünüz varsa oldukça faydalıdır.
ChatGPT ve OpenAI API ile ilgileniyorsanız, web seminerine kaydolun: OpenAI API ve ChatGPT’ye Başlangıç. OpenAI API kullanarak dil ve kod üretimi görevlerini nasıl gerçekleştireceğinizi ve daha fazlasını öğreneceksiniz.
Sonuç
Kredi onay sınıflandırıcısı geliştirmek, ChatGPT’nin veri bilimi projelerinde kullanımına dair pek çok örnekten sadece biridir. Sentetik veri üretebilir, SQL sorguları çalıştırabilir, veri analizi raporları oluşturabilir, makine öğrenimi araştırması yapabilir ve daha fazlasını yapabiliriz. Üretken yapay zeka kalıcıdır ve hayatımızı kolaylaştıracaktır. Bir proje için haftalar ve aylar harcamak yerine, veri bilimi uygulamalarını saatler içinde geliştirebilir, test edebilir ve dağıtabilirsiniz.
Bu eğitimde, proje planlama, veri analizi, veri temizleme ve ön işleme, model seçimi, hiperparametre optimizasyonu ve web uygulamaları oluşturma ile dağıtma için ChatGPT kullanmayı öğrendik.
ChatGPT’yi kullanmanın bir püf noktası var. Projedeki farklı görevleri anlamak için istatistiksel analiz ve Python kodlama deneyimine sahip olmanız gerekir; aksi halde karanlıkta yürümüş olursunuz. Veri bilimi yolculuğunuza Python ile Veri Bilimci kariyer yolunu alarak başlayın ve bir veri bilimci olarak başarılı olmak için gereken kariyer becerilerini edinin.
Konular
