劇集

使用開發人員工具和 AI 簡化數據分析和視覺效果 |Python 資料科學 日

取代為 Nitya Narasimhan

Python 資料科學 日

在大型語言模型和產生 AI 的新時代，擁有數據分析和視覺效果技能變得越來越重要。 但是，非 Python 開發人員如何快速掌握達成項目目標所需的工具和最佳做法，而不需要多年的 Python 或數據科學體驗？ 這是適當的開發人員工具，使用一點點 AI 協助，可以協助。

在此討論中，我們將從識別開放原始碼數據集，到在25分鐘內分析以取得深入解析並可視化相關結果，而只有 GitHub 帳戶和OpenAI端點。 一路上，我們將介紹一系列開發人員工具，讓您的旅程更容易：

  • 開啟數據集：至 “”analyze“- 從 Kaggle、Hugging Face 或 Azure
  • 數據 Wrangler：對 “sanitize”“ 數據 - Visual Studio Code 的延伸模組
  • Jupyter Notebook：至 “”record“” 程式 - 用於可轉移學習
  • GitHub Codespaces：至 “pre-build”“ 環境 - 以一致重複使用
  • GitHub Copilot：若要「說明/修正」程序代碼 - 以 AI 協助集中學習
  • Microsoft LIDA：若要「建議/建置」視覺效果目標 - 以 AI 協助建置您的直覺

交談隨附一個相關聯的存放庫，您可以派生 -- 然後將 取代為您自己的數據集，以便稍後自行擴充或實驗。 在討論結束時，您應該瞭解如何從探索數據集到取得一些視覺效果深入解析，搭配一些 AI 協助使用現有的工具。

章

  • 00：00 - 使用開發人員工具和 AI 簡化數據分析與視覺效果
  • 00：29 - 跟著
  • 00：54 - 簡介 - 數據分析挑戰和目標
  • 04：44 - GitHub Codespaces - 可重複使用的環境
  • 08：32 - Jupyter Notebook - 讓它重現
  • 11：18 - GitHub Copilot - AI 輔助學習
  • 14：43 - Visual Studio Code - 生產力延伸模組
  • 15：39 - 開放數據集 - 數據整頓
  • 19：15 - 共鳴 AI 工具組 - 公平性的模型偵錯
  • 21：13 - Project LIDA - AI 輔助直覺和視覺效果
  • 25：24 - Azure AI Studio - 範例轉移至 LLM Ops
  • 25：47 - 摘要 - 問題與後續步驟

連線

  • Nitya Narasimhan |Twitter/X： @nitya

開發人員
Python

有任何意見嗎？ 請在此提交問題。