Bölüm

Geliştirici Araçları ve Yapay Zeka ile Veri Analizini ve Görselleştirmeyi Basitleştirme | Python Veri Bilimi Günü

örneklerini şununla değiştirin: Nitya Narasimhan

Python Veri Bilimi Günü

Veri analizi ve görselleştirme becerilerine sahip olmak, Büyük Dil Modellerinin ve üretken yapay zekanın yeni çağında giderek daha önemli hale gelir. Ancak Python olmayan bir geliştirici, yılların Python veya veri bilimi deneyiminden yararlanmadan proje hedeflerine ulaşmak için gereken araçlar ve en iyi yöntemlerle hızlı bir şekilde nasıl hızlanıyor? Burası, biraz yapay zeka yardımıyla doğru geliştirici araçlarının yardımcı olabileceği yerdir.

Bu konuşmada açık kaynak bir veri kümesini tanımlamaktan içgörüler için analiz etmeye ve ilgili sonuçları görselleştirmeye kadar 25 dakika içinde yalnızca gitHub hesabı ve OpenAI uç noktası kullanacağız. Bu arada, yolculuğunuzu kolaylaştıran bir dizi geliştirici aracı tanıtacağız:

  • Veri Kümesini açma: ""analiz etmek"" için - Kaggle, Hugging Face veya Azure'dan
  • Data Wrangler: to ""sanitize"" data - Visual Studio Code'dan uzantı
  • Jupyter Notebook: to ""record"" process - aktarılabilir öğrenme için
  • GitHub Codespaces: to ""pre-build"" environment - tutarlı yeniden kullanım için
  • GitHub Copilot: ""açıklama/düzeltme"" kodu için - yapay zeka yardımıyla odaklanmış öğrenme için
  • Microsoft LIDA: ""öneri/derleme"" görselleştirme hedefleri için - yapay zeka yardımıyla sezginizi oluşturmaya yönelik

Konuşma, çatal oluşturabileceğiniz ilişkili bir depoyla birlikte gelir ve daha sonra kendi veri kümenizle değiştirerek kendi veri kümenizi genişletebilir veya deneme yapabilirsiniz. Konuşmanın sonunda, biraz yapay zeka yardımıyla var olan araçları kullanarak bir veri kümesini keşfetmekten bu veri kümesi hakkında görsel içgörüler elde etmeye nasıl geçebileceğiniz hakkında bir fikir sahibi olmanız gerekir.

Chapters

  • 00:00 - Geliştirici Araçları ve Yapay Zeka ile Veri Analizi ve Görselleştirmeyi Basitleştirme
  • 00:29 - Takip edin
  • 00:54 - Giriş - Veri Analizi Zorlukları ve Hedefleri
  • 04:44 - GitHub Codespaces - Yeniden kullanılabilir ortamlar
  • 08:32 - Jupyter Notebooks - Yeniden üretilebilir hale getirme
  • 11:18 - GitHub Copilot - Yapay zeka destekli öğrenme
  • 14:43 - Visual Studio Code - Üretkenlik uzantıları
  • 15:39 - Açık Veri Kümeleri - Veri Düzenleyicisi
  • 19:15 - Resonsible AI araç seti - Eşitlik için model hata ayıklama
  • 21:13 - Project LIDA - Yapay zeka destekli sezgi ve görselleştirme
  • 25:24 - Azure AI Studio - Paradigm'i LLM Ops'a geçirme
  • 25:47 - Özet - Sorular ve Sonraki Adımlar

Bağlan

  • Nitya Narasimhan | Twitter/X: @nitya

Developer
Python

Geri bildirimde bulunmak ister misiniz? Burada bir sorun gönderin.