ChatGPT vous apprend à rédiger un package d'IA et à rédiger un modèle de reconnaissance pour sept dialogues, avec une précision allant jusqu'à 99,7 %

Désormais, les débutants en IA n'ont même plus besoin de lire des didacticiels, ils peuvent créer des modèles en utilisant uniquement ChatGPT.

Il vous aide non seulement à trouver des ensembles de données, à entraîner des modèles et à écrire du code, mais il peut également évaluer la précision et créer des programmes en une seule étape.

Il y a un gars de 25 ans qui a demandé à ChatGPT de l'aider à créer un programme de reconnaissance de localisation géographique, avec une précision finale allant jusqu'à 99,7%.

Et tous les détails et étapes sont là, vous apprenant à apprendre en travaillant.

Cette vague, j'ai été émue par ChatGPT.

Ce qui est plus prévenant, c'est qu'après chaque question et réponse, ChatGPT dira : Si vous avez des questions, dites-le-moi.

Mise en œuvre concrète

Au début du projet, ce type a été clair : je ne veux plus travailler dur, pouvez-vous m'aider à créer un programme d'IA ?

Prenez deux coordonnées en entrée et prédisez dans quel pays elles se trouvent.

Et ChatGPT a "avec plaisir" accepté le défi et a rappelé au gars que l'ensemble de données correspondant est nécessaire, sinon le modèle ne peut pas être entraîné. Il serait également préférable qu'il y ait plus d'informations.

Tout d’abord, vous devez trouver un ensemble de données approprié.

Le petit frère a de nouveau demandé à ChatGPT, et il s'est avéré qu'il lui proposait trois options parmi lesquelles choisir sans rien dire, y compris des liens d'introduction.

Parmi les trois ensembles de données, l'ensemble de données sur la terre naturelle est évidemment meilleur, et il contient également des informations sur la « frontière », le littoral et d'autres informations. Cela signifie que le concept de « frontière » doit être expliqué au modèle et séparé. étiquettes. Mais en tant que nouveau venu, le premier ensemble de données contient plus de données liées à la tâche et le modèle est plus facile à mettre en œuvre. L'auteur a finalement choisi le premier ensemble de données.

Après avoir informé ChatGPT de cette décision, il vous apprendra comment créer un DataFrame (trame de données) et vous donnera un exemple de code.

Après une exécution réussie, nous arrivons à la deuxième étape : la formation du modèle. ChatGPT a également donné un code sans dire un mot, et a même joint une explication détaillée.

Ce code prédira le pays en fonction des coordonnées données à l'aide de l'algorithme k-NN. L'algorithme KNN est un algorithme simple qui classe une entrée en fonction de la classe majoritaire de ses k voisins les plus proches.

Dans cet exemple, les données sont divisées en ensemble d'entraînement et ensemble de test avec un ratio de 80-20. Le classificateur KNN est ensuite entraîné à l'aide de l'ensemble d'entraînement et la précision du modèle est testée à l'aide de l'ensemble de test.

Veuillez garder à l'esprit qu'il s'agit d'un exemple simple et que la précision du modèle peut ne pas être élevée. Vous pouvez essayer d'expérimenter différents algorithmes et différentes valeurs de k pour voir si vous pouvez améliorer la précision de votre modèle

Après avoir supprimé certaines données vierges (pays sans coordonnées), la première exécution de l'entraînement k-NN a réussi. et il y a un taux de précision de 99,7 %.

Cependant, ce résultat n'est pas si satisfaisant. L'auteur attribue ces raisons : une répartition inégale des données entre les différents pays ; il existe des biais dans les données et d'autres problèmes.

Cela nous amène à la troisième étape : la réévaluation.

Dans ce code, j'utilise l'API OpenCage Geocoding pour obtenir des informations sur le pays à partir des coordonnées. Vous devez remplacer YORBAPI_KEY par votre clé API pour accéder à l'API. Vous pouvez enregistrer une clé API gratuite sur le site Web d'OpenCage.

En suivant les instructions, l'auteur a modifié le code, et les résultats ont montré qu'il y avait de nombreuses erreurs NA, ce qui équivalait à seulement 30 % des données restantes. Mais la terre est en effet majoritairement constituée d’eau. (Rien de mal, Doge)

La précision du modèle final a un peu baissé, atteignant 98,6%, mais l'auteur était très satisfait du résultat. Après tout, il a aidé à créer un modèle d'IA en seulement 7 tours de dialogue.

J'ai également essayé d'autres algorithmes

Mais ce n'est pas ma première tentative. Au cours de la première conversation, il a utilisé un ensemble de données plus petit provenant de la même source qui nécessitait davantage de corrections de l'ensemble de données, et le premier code de formation du modèle fourni par ChatGPT était une régression logistique avec une précision de seulement 51 %.

Ensuite, il a essayé différents « solveurs » (la précision était d'environ 65 %), ainsi que d'autres algorithmes, notamment les forêts aléatoires et k-NN, avec des taux de précision de 93 % et 92 % respectivement.

Cet homme de 25 ans travaille comme chercheur principal en sécurité chez SentinelOne, recherchant et développant une logique de détection de logiciels malveillants.

Parce qu'il était très intéressé par l'apprentissage automatique, il a commencé l'auto-apprentissage et avait une certaine base. Dans cette conversation, il a en fait parlé à ChatGPT en tant que débutant et a été surpris par l'effet puissant.

Enfin, il a également déclaré qu'il envisageait vraiment d'appeler ChatGPT « ils » au lieu de « cela ».

Alors débutants en IA, commencez rapidement à utiliser ChatGPT. (Doge)

Conversation complète : https://sharegpt.com/c/7zLivmp

Lien de référence : https://xrl1.sh/posts/coordonnées-model-with-ChatGPT/

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!