ایجاد فرآیند مهندسی ویژگی‌های هوش مصنوعی
این پرامپت برای کمک به دانشمندان داده، مهندسان یادگیری ماشین و متخصصان تحلیل داده طراحی شده است تا فرآیند مهندسی ویژگی‌های یک پروژه هوش مصنوعی یا یادگیری ماشین را به‌صورت جامع ایجاد کنند. مهندسی ویژگی‌ها یکی از مراحل کلیدی برای بهبود عملکرد مدل‌هاست که داده‌های خام را به ورودی‌های معنی‌دار و قابل پیش‌بینی تبدیل می‌کند. این پرامپت به کاربران کمک می‌کند تا ویژگی‌های مهم را شناسایی کنند، تبدیل‌های مناسب را پیشنهاد دهند، مقادیر گم‌شده را مدیریت کنند، متغیرهای دسته‌ای را کدگذاری کنند، داده‌های عددی را نرمال‌سازی یا مقیاس‌دهی کنند و در صورت نیاز ویژگی‌های جدید ترکیبی بسازند. خروجی ارائه‌شده عملی و قابل اجرا است و یک برنامه مرحله‌به‌مرحله ارائه می‌دهد که می‌تواند مستقیماً در Python، R یا دیگر چارچوب‌های یادگیری ماشین پیاده‌سازی شود. استفاده از این پرامپت موجب صرفه‌جویی در زمان، کاهش آزمون و خطای تصادفی و ایجاد یک روند استاندارد و قابل اعتماد برای مهندسی ویژگی‌ها می‌شود و در نهایت به مدل‌های دقیق‌تر و قابل تفسیرتر منجر خواهد شد.
پرامپت هوش مصنوعی
نحوه استفاده
1. توضیح دقیق و جامع از مجموعه داده و اهداف پروژه ارائه دهید.
2. نوع مدل یادگیری ماشین مورد نظر خود را مشخص کنید.
3. محدودیت‌ها و الزامات خاص را وارد کنید تا هوش مصنوعی مراحل واقع‌بینانه و قابل اجرا ارائه دهد.
4. پرامپت را در ابزار AI خود قرار دهید و برنامه مهندسی ویژگی‌های تولید شده را بررسی کنید.
5. برنامه را مطابق با ویژگی‌های خاص مجموعه داده و زمینه کسب‌وکار خود شخصی‌سازی کنید.
6. قبل از اعمال روی داده‌های واقعی، مراحل پیشنهادی را ارزیابی و اعتبارسنجی کنید.
نکته: از توصیف‌های کلی مجموعه داده پرهیز کنید؛ هرچه اطلاعات دقیق‌تر باشد، نتایج دقیق‌تر خواهند بود. همیشه پیشنهادهای AI را قبل از استفاده عملی بررسی کنید.
موارد استفاده
آماده‌سازی داده‌ها برای تحلیل‌های پیش‌بینی در حوزه مالی یا بازاریابی
خودکارسازی مهندسی ویژگی‌ها در خطوط پردازش یادگیری ماشین
بهبود دقت مدل‌های طبقه‌بندی یا رگرسیون
استانداردسازی مراحل مهندسی ویژگی‌ها بین تیم‌ها
ایجاد ویژگی‌های ترکیبی برای داده‌های پیچیده
پشتیبانی از نمونه‌سازی سریع در پروژه‌های داده‌کاوی
افزایش قابلیت تفسیر مدل‌ها از طریق تبدیل‌های سازمان‌یافته ویژگی‌ها
بهینه‌سازی پیش‌پردازش داده‌ها در پروژه‌های یادگیری ماشین بزرگ‌مقیاس
نکات حرفه‌ای
جزئیات کامل مجموعه داده را ارائه دهید تا توصیه‌های دقیق‌تری دریافت کنید.
ویژگی‌های پیشنهادی را با دانش حوزه بررسی کنید.
توصیه‌های AI را با ابزارهایی مانند FeatureTools یا pipelineهای scikit-learn ترکیب کنید.
برای بهینه‌سازی عملکرد مدل، تبدیل‌های مختلف ویژگی را به‌صورت تکراری آزمایش کنید.
برنامه مهندسی ویژگی‌ها را مستندسازی و نسخه‌بندی کنید تا قابلیت بازتولید داشته باشد.
پرامپت‌های مرتبط
طراحی خط لوله آموزش یادگیری عمیق
این پرامپت به کاربران کمک می‌کند تا یک خط لوله کامل و حرفه‌ای برای آموزش مدل‌های یادگیری عمیق طراحی کنند. …
یک خط لوله کامل برای آموزش مدل یادگیری عمیق برای \[توضیح پروژه یا حوزه مسئله] …
توسعه ارزیابی عملکرد مدل
این پرامپت به کاربران کمک می‌کند تا عملکرد مدل‌های یادگیری ماشین خود را به صورت سیستماتیک و دقیق ارزیابی کنند. …
عملکرد مدل یادگیری ماشین من را ارزیابی کن. نوع مدل \[نوع مدل را وارد کنید، …
ایجاد ارزیابی اخلاق و تعصب در هوش مصنوعی
این پرامپت به کاربران امکان می‌دهد تا ارزیابی جامعی از جنبه‌های اخلاقی و تعصبات احتمالی در سیستم‌های هوش مصنوعی انجام …
یک ارزیابی کامل از اخلاق و تعصب هوش مصنوعی برای سیستم \[نام سیستم یا مدل …
توسعه استراتژی یادگیری ماشینی خودکار
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع برای یادگیری ماشینی خودکار (AutoML) طراحی کنند که متناسب با …
یک استراتژی دقیق برای یادگیری ماشینی خودکار (AutoML) برای \[پروژه مشخص، مسئله کسب‌وکار یا مجموعه …
توسعه و پیاده‌سازی پردازش زبان طبیعی
این پرامپت برای کمک به متخصصان هوش مصنوعی و دانشمندان داده طراحی شده است تا راهکارهای پیشرفته پردازش زبان طبیعی …
یک پیاده‌سازی کامل پردازش زبان طبیعی (NLP) برای \[مثال: تحلیل احساسات، طبقه‌بندی متن، شناسایی موجودیت‌ها] …
طراحی استراتژی آموزش مدل هوش مصنوعی
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع و حرفه‌ای برای آموزش مدل‌های هوش مصنوعی طراحی کنند که …
به‌عنوان یک کارشناس هوش مصنوعی عمل کن و یک استراتژی آموزش جامع برای مدل هوش …
بیشتر از هوش مصنوعی و یادگیری ماشین
ایجاد چارچوب انتخاب مدل یادگیری ماشین
این پرامپت برای داده‌کاوان، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی طراحی شده است تا فرآیندی ساختاریافته برای انتخاب مناسب‌ترین …
شما یک مشاور خبره در زمینه یادگیری ماشین هستید. یک چارچوب جامع برای انتخاب مدل‌های …
توسعه استراتژی خط لوله پیش‌پردازش داده‌ها
این پرامپت برای کمک به دانشمندان داده، مهندسین یادگیری ماشین و تحلیلگران طراحی شده است تا یک استراتژی جامع برای …
یک استراتژی جامع برای پیش‌پردازش داده‌های من توسعه بده. داده‌ها شامل \[توضیح کوتاه از مجموعه …
برنامه‌ریزی و طراحی معماری شبکه‌های عصبی
این پرامپت به متخصصان هوش مصنوعی، دانشمندان داده و مهندسان یادگیری ماشین کمک می‌کند تا معماری شبکه‌های عصبی را به …
یک معماری شبکه عصبی برای وظیفه‌ی \[تعیین وظیفه/مسئله] طراحی کنید با استفاده از داده‌های \[نوع …
طراحی استراتژی آموزش مدل هوش مصنوعی
این پرامپت به کاربران کمک می‌کند تا یک استراتژی جامع و حرفه‌ای برای آموزش مدل‌های هوش مصنوعی طراحی کنند که …
به‌عنوان یک کارشناس هوش مصنوعی عمل کن و یک استراتژی آموزش جامع برای مدل هوش …
توسعه و پیاده‌سازی پردازش زبان طبیعی
این پرامپت برای کمک به متخصصان هوش مصنوعی و دانشمندان داده طراحی شده است تا راهکارهای پیشرفته پردازش زبان طبیعی …
یک پیاده‌سازی کامل پردازش زبان طبیعی (NLP) برای \[مثال: تحلیل احساسات، طبقه‌بندی متن، شناسایی موجودیت‌ها] …
طراحی سیستم بینایی ماشین
این پرامپت برای کمک به متخصصان هوش مصنوعی، دانشمندان داده و مهندسان یادگیری ماشین طراحی شده است تا بتوانند یک …
یک سیستم کامل بینایی ماشین برای \[نوع کاربرد مشخص، مثال: تشخیص نقص‌های صنعتی، هدایت خودران …
طراحی خط لوله آموزش یادگیری عمیق
این پرامپت به کاربران کمک می‌کند تا یک خط لوله کامل و حرفه‌ای برای آموزش مدل‌های یادگیری عمیق طراحی کنند. …
یک خط لوله کامل برای آموزش مدل یادگیری عمیق برای \[توضیح پروژه یا حوزه مسئله] …
ایجاد ارزیابی اخلاق و تعصب در هوش مصنوعی
این پرامپت به کاربران امکان می‌دهد تا ارزیابی جامعی از جنبه‌های اخلاقی و تعصبات احتمالی در سیستم‌های هوش مصنوعی انجام …
یک ارزیابی کامل از اخلاق و تعصب هوش مصنوعی برای سیستم \[نام سیستم یا مدل …