У меня уже 3 года опыта разработки в отрасли, и FOMO по науке о данных наконец-то меня настиг. Еще в первый год работы в Dell я не мог не почувствовать оттенок сожаления, наблюдая, как многочисленные друзья отправляются в свои замечательные путешествия по науке о данных. Выглядело так, будто я остался позади в этом путешествии с данными и упустил свой золотой билет.

В январе 2023 года я искренне решил начать изучать науку о данных. Но каждый курс по науке о данных казался либо слишком простым, либо слишком сложным. «Это кажется слишком простым», «Я не понимаю, что происходит за этой моделью», «Что .fit() делает в фоновом режиме?», «Что такое штраф за гребень?» беспокоил мой разум.

У меня всегда оставались бы вопросы без ответов, которые мешали бы моему продвижению и подпитывали мое любопытство в поисках ясности по предмету, который я изучал.

Войдите в ChatGPT — мой наставник:

Ах! не еще один человек, говорящий о ChatGPT, но послушайте меня, ChatGPT в основном расширил мои знания в науке о данных буквально по каждой теме.

ChatGPT выступал в роли наставника, и его способность вести беседы была огромным преимуществом, поскольку со мной разговаривал реальный человек.

В моем курсе по науке о данных я слышал термины «квадратика, кубика», но понятия не имел, что это такое. Я бы перешел к ChatGPT — «Что такое квадратика по отношению к ML?» — БУМ! — получил исчерпывающий ответ. И я всегда задавал вопросы: «Какие еще существуют способы захвата нелинейных данных, объясните их кодом и примерами».
Рассмотрим следующий фрагмент кода, который был ответом GPT:

import numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics.pairwise import rbf_kernel

# Create example data
X = np.array([[1], [2], [3]])
y = np.array([2, 4, 6])

# Find RBF centers using KMeans
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
centers = kmeans.cluster_centers_

# Compute RBF features
X_rbf = rbf_kernel(X, centers)

print(X_rbf)

С помощью ChatGPT понимание сложных концепций, таких как радиальные базисные функции (RBF), стало легким делом и, как работающему профессионалу, экономит мне много времени, поскольку мне не нужно гуглить каждый термин, чтобы удовлетворить моего перфекционистского монстра обучения.

Понимание алгоритмов машинного обучения.

Я сделаю отдельную публикацию в блоге о том, как глубже понять алгоритмы машинного обучения с помощью GPT. С помощью Chat GPT вы можете лучше понять различные алгоритмы, включая деревья решений, методы опорных векторов, случайные леса и нейронные сети.

Все, что для этого требуется, — это простая конкретная подсказка: «Подробно объясните входы и выходы деревьев решений с примерами в коде». — и теперь вы становитесь мастером деревьев решений. Вы всегда можете задать дополнительные вопросы, такие как «В каких реальных примерах мы используем деревья решений?», «В каком сценарии я бы выбрал дерево решений, а не SVM?»

На моем пути от новичка до маэстро данных ChatGPT продолжает оставаться моим надежным спутником. Возможности иметь бесплатного наставника, который может прояснить каждое ваше сомнение, безграничны, конечно, это не идеально, но кто? Поделитесь своими мыслями и комментариями, если GPT помог вам в вашем путешествии по науке о данных!