✏️ 10 پرامپت فوق العاده ChatGPT
✅ برای پروژه‌ها و کارهای روزمره علوم داده
👨🏻💻 تو این مدتی که ChatGPT اومده، کلی به من توی پروژه‌های دیتا ساینس کمک کرده. توی بعضی از مراحل پروژه واقعا نمی‌دونستم دقیقاً باید از کجا شروع کنم یا چه ابزاری برای رفع مشکل مناسب‌تره.
🖋 حالا یه لیست ده‌تایی از پرامپت‌هایی که خیلی این مدت بهم کمک کردن رو آماده کردم و اینجا براتون گذاشتم. هر کدوم یه بخش از مراحل انجام پروژه‌های دیتا ساینس رو پوشش میدن و توی چالش‌های پروژه‌ها خیلی بهتون کمک می‌کنن.
🔢 بررسی و پاکسازی داده‌ها: وقتی نمی‌دونین داده‌ها رو چطور بررسی کنین یا چجوری مقادیر گم‌شده و ناهنجاری‌ها رو رفع کنین، از این پرامپت استفاده کنین.
✍️ "Given this dataset summary: [خلاصه اطلاعات دیتاست], suggest methods to explore and clean the data. Include techniques for handling missing values and outliers."
🔢 مهندسی ویژگی‌ها: ایده‌هایی برای ساخت ویژگی‌های جدید و بهینه کردن مدل‌هاتون.
✍️ "Suggest advanced feature engineering techniques for a dataset related to [موضوع موردنظر مثل پیش‌بینی ترک مشتری]. Include ideas for creating new variables."
🔢 انتخاب مدل مناسب: شناسایی مدل‌های مناسب با تمام مزایا و معایبشون.
✍️ "What are the best machine learning models for [نوع مسئله مثل طبقه‌بندی]? Provide pros, cons, and use cases for each."
🔢 ارزیابی عملکرد مدل: شناخت دقیق روش‌های ارزیابی مدل‌ها.
✍️ "Explain the most effective methods to evaluate the performance of a [نوع مدل] for [وظیفه مثل طبقه‌بندی تصاویر]. Include key metrics and their interpretation."
🔢 ایده‌های مصورسازی داده‌ها: مناسب برای وقتی که می‌خواین گزارش‌های شفاف و جذاب ارائه بدین.
✍️ "Recommend visualization techniques to present findings from [نوع داده مثل فروش]. Suggest specific charts or graphs for maximum clarity."
🔢 تحلیل آماری: به راحتی فرضیاتتون رو تست کنین و تحلیل‌های آماری دقیق داشته باشین.
✍️ "How can I perform statistical analysis to test the hypothesis: [فرضیه موردنظر]? Include steps and the statistical tests to use."
🔢 خودکارسازی جریان‌های داده: اگه می‌خواین کلی از زمان‌تون رو صرفه‌جویی کنین، این پرامپت خیلی کاربردیه.
✍️ "Outline a plan to automate data collection, cleaning, and storage for a [نوع پروژه]. Suggest tools and techniques for efficiency."
🔢 تشخیص ناهنجاری‌ها: مناسب برای کشف موارد غیرعادی و مشکلات احتمالی توی داده‌هاتون.
✍️ "What methods can I use to detect anomalies in [نوع داده مثل ترافیک شبکه]? Explain the process and algorithms suitable for this task."
🔢 تحلیل سری‌های زمانی: اگر با داده‌های زمان‌محور کار می‌کنین، این پرامپت کاربردیه.
✍️ "Guide me through building a predictive model for time series data, specifically for forecasting [متریک مثل قیمت سهام]. Include preprocessing steps and algorithms."
🔢 پردازش زبان طبیعی: برای تحلیل داده‌های متنی، مثل تحلیل احساسات یا استخراج اطلاعات کلیدی.
✍️ "Explain how to process and analyze textual data for [کاربرد مثل تحلیل احساسات]. Suggest tools, libraries, and workflows for an end-to-end solution."
🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa
✅ برای پروژه‌ها و کارهای روزمره علوم داده
👨🏻💻 تو این مدتی که ChatGPT اومده، کلی به من توی پروژه‌های دیتا ساینس کمک کرده. توی بعضی از مراحل پروژه واقعا نمی‌دونستم دقیقاً باید از کجا شروع کنم یا چه ابزاری برای رفع مشکل مناسب‌تره.
🖋 حالا یه لیست ده‌تایی از پرامپت‌هایی که خیلی این مدت بهم کمک کردن رو آماده کردم و اینجا براتون گذاشتم. هر کدوم یه بخش از مراحل انجام پروژه‌های دیتا ساینس رو پوشش میدن و توی چالش‌های پروژه‌ها خیلی بهتون کمک می‌کنن.
🔢 بررسی و پاکسازی داده‌ها: وقتی نمی‌دونین داده‌ها رو چطور بررسی کنین یا چجوری مقادیر گم‌شده و ناهنجاری‌ها رو رفع کنین، از این پرامپت استفاده کنین.
✍️ "Given this dataset summary: [خلاصه اطلاعات دیتاست], suggest methods to explore and clean the data. Include techniques for handling missing values and outliers."
🔢 مهندسی ویژگی‌ها: ایده‌هایی برای ساخت ویژگی‌های جدید و بهینه کردن مدل‌هاتون.
✍️ "Suggest advanced feature engineering techniques for a dataset related to [موضوع موردنظر مثل پیش‌بینی ترک مشتری]. Include ideas for creating new variables."
🔢 انتخاب مدل مناسب: شناسایی مدل‌های مناسب با تمام مزایا و معایبشون.
✍️ "What are the best machine learning models for [نوع مسئله مثل طبقه‌بندی]? Provide pros, cons, and use cases for each."
🔢 ارزیابی عملکرد مدل: شناخت دقیق روش‌های ارزیابی مدل‌ها.
✍️ "Explain the most effective methods to evaluate the performance of a [نوع مدل] for [وظیفه مثل طبقه‌بندی تصاویر]. Include key metrics and their interpretation."
🔢 ایده‌های مصورسازی داده‌ها: مناسب برای وقتی که می‌خواین گزارش‌های شفاف و جذاب ارائه بدین.
✍️ "Recommend visualization techniques to present findings from [نوع داده مثل فروش]. Suggest specific charts or graphs for maximum clarity."
🔢 تحلیل آماری: به راحتی فرضیاتتون رو تست کنین و تحلیل‌های آماری دقیق داشته باشین.
✍️ "How can I perform statistical analysis to test the hypothesis: [فرضیه موردنظر]? Include steps and the statistical tests to use."
🔢 خودکارسازی جریان‌های داده: اگه می‌خواین کلی از زمان‌تون رو صرفه‌جویی کنین، این پرامپت خیلی کاربردیه.
✍️ "Outline a plan to automate data collection, cleaning, and storage for a [نوع پروژه]. Suggest tools and techniques for efficiency."
🔢 تشخیص ناهنجاری‌ها: مناسب برای کشف موارد غیرعادی و مشکلات احتمالی توی داده‌هاتون.
✍️ "What methods can I use to detect anomalies in [نوع داده مثل ترافیک شبکه]? Explain the process and algorithms suitable for this task."
🔢 تحلیل سری‌های زمانی: اگر با داده‌های زمان‌محور کار می‌کنین، این پرامپت کاربردیه.
✍️ "Guide me through building a predictive model for time series data, specifically for forecasting [متریک مثل قیمت سهام]. Include preprocessing steps and algorithms."
🔢 پردازش زبان طبیعی: برای تحلیل داده‌های متنی، مثل تحلیل احساسات یا استخراج اطلاعات کلیدی.
✍️ "Explain how to process and analyze textual data for [کاربرد مثل تحلیل احساسات]. Suggest tools, libraries, and workflows for an end-to-end solution."
🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa