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 پیش‌پردازش داده‌های خام ایجاد کنند. هدف اصلی آن تبدیل داده‌های اولیه به مجموعه داده‌های آماده برای مدل‌سازی و تحلیل است تا اطمینان حاصل شود که داده‌ها پاک، یکپارچه و بهینه برای الگوریتم‌های یادگیری ماشین هستند. این پرامپت کاربران را در مراحل سیستماتیک راهنمایی می‌کند، از جمله پاکسازی داده‌ها، مدیریت مقادیر گمشده و داده‌های تکراری، شناسایی و اصلاح داده‌های پرت، مهندسی ویژگی‌ها، نرمال‌سازی و مقیاس‌بندی متغیرها، انتخاب ویژگی‌های مهم و کاهش بعد داده‌ها. همچنین توصیه‌هایی برای تقسیم داده‌ها به مجموعه‌های آموزش و آزمون و گزینه‌های افزایشی یا تولید داده‌های مصنوعی ارائه می‌دهد. با استفاده از این استراتژی، تیم‌ها می‌توانند دقت مدل‌ها را افزایش دهند، کارایی محاسباتی را بهبود بخشند و خطوط لوله‌ای قابل تکرار و نگهداری ایجاد کنند. این پرامپت همچنین ابزارها و کتابخانه‌های مناسب را معرفی کرده و چالش‌های احتمالی را شناسایی و راهکارهای عملی ارائه می‌دهد، و برای پروژه‌هایی که داده‌ها از منابع مختلف با نویز بالا یا نیاز به تبدیل‌های خاص دارند، بسیار کاربردی است.
پرامپت هوش مصنوعی
نحوه استفاده
1. جایگزین متن‌های داخل کروشه با مشخصات دقیق مجموعه داده خود شوید.
2. در صورت نیاز، نوع مدل یا تحلیل (مثلاً رگرسیون، طبقه‌بندی) را مشخص کنید.
3. از پرامپت برای دریافت یک استراتژی ساختاریافته استفاده کنید و برای نیازهای خاص دامنه، آن را تکرار و بهینه کنید.
4. از ارائه توضیحات بسیار کلی خودداری کنید؛ جزئیات دقیق باعث بهبود نتایج می‌شود.
5. ابزارها و کتابخانه‌های پیشنهادی را از نظر سازگاری با محیط خود بررسی کنید.
6. پیشنهادات AI را بررسی کنید تا از بهترین شیوه‌ها استفاده شود و از ایجاد سوگیری یا نشت داده جلوگیری شود.
موارد استفاده
آماده‌سازی داده‌های تراکنش برای مدل‌های پیش‌بینی
پاکسازی و نرمال‌سازی داده‌های مشتری و جمعیت‌شناسی
تبدیل داده‌های حسگر یا IoT برای تحلیل سری‌های زمانی
مهندسی ویژگی برای مدل‌های بازاریابی و فروش
ایجاد خطوط لوله قابل تکرار برای پروژه‌های تیمی
مدیریت مجموعه داده‌های نامتوازن در مسائل طبقه‌بندی
کاهش ابعاد در داده‌های بزرگ متنی یا تصویری
ادغام داده‌ها از منابع مختلف برای تحلیل جامع
نکات حرفه‌ای
مشخصات دقیق داده‌ها و هدف پروژه را بیان کنید.
نتایج AI را با دانش حوزه خود ترکیب و بازبینی کنید.
محدودیت‌های حافظه یا زمان اجرا را در صورت نیاز لحاظ کنید.
پیشنهادات AI را از نظر عملی بودن بررسی کنید.
خطوط لوله را به صورت ماژولار طراحی کنید تا تغییرات آینده آسان باشد.
هر مرحله را مستند کنید تا قابلیت تکرار و بررسی فراهم شود.
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 …
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 …
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 …