우리의 목표는 배치 예측 데이터 세트를 사용하여 학생 채용 배치 자격을 예측하는 기계 학습 애플리케이션을 만드는 것입니다. Chatgpt의 각 단계를 통해 O3-Mini를 안내합니다
1. 프로젝트 설정
우리는 O3-Mini에 데이터 세트 세부 정보 및 프로젝트 사양을 제공하여 BASH 명령을 사용하여 필요한 파일 및 폴더의 생성을 요청합니다. 데이터 세트에는 StudentID, CGPA, 인턴쉽, 프로젝트, 워크샵/인증, AptitudeTestScore, SoftSkillrating, 과외 활동, 배치 트레이닝, SSC 및 HSC 마크 및 PlacementStatus (Target 변수)가 포함됩니다.
프롬프트는 O3-MINI에게 데이터 분석, 모델 구축, 실험 추적 (MLFLOW 사용), 모델 교육 (하이퍼 파라미터 튜닝 포함), 모델 추론 응용 프로그램 (예 : 플라스크 웹 앱), 컨테이너 화를위한 Dockerfile 및 클라우드 개요 (안아주 공간)를 포괄하는 프로젝트 구조를 생성하도록 지시합니다. 예상되는 결과물에는 폴더 구조, 파이썬 스크립트, 도구/라이브러리 제안, MLFLOW 설정 안내 및 배포 단계가 포함됩니다.
프로젝트 설정을위한 생성 된 bash 스크립트는 다음과 같습니다
이 스크립트는 필요한 프로젝트 구조를 성공적으로 만듭니다
다음 섹션 (데이터 분석, 데이터 전처리, 모델 교육, 실험 추적, 하이퍼 파라미터 튜닝, 모델 추론 응용 프로그램, DockerFile 및 클라우드 배포)는 각 단계에 대해 O3-MINI가 생성 한 코드와 얻은 결과를 자세히 설명합니다. (참고 : 길이의 제약으로 인해 각 단계의 세부 코드 스 니펫은 여기에 생략되지만 원래 응답에는 포함됩니다.) 포옹 페이스 공간의 최종 배포 된 응용 프로그램은 다음과 같습니다.
출처 : 학생 배치
효과적인 O3-MINI 프롬프트 엔지니어링 > 팁
충돌 지시를 피하십시오 : 명확성과 일관성 우선 순위. 가장 최근의 지시가 우선합니다.
수동 디버깅 :
일부 코드 문제를 수동으로 해결할 준비를하십시오. O3-Mini의 수정은 의도하지 않은 결과를 초래할 수 있습니다
포괄적 인 컨텍스트 : 정확한 결과를 위해 모든 관련 데이터와 세부 사항을 제공합니다.
결과물을 지정하십시오 :
명확하게 설명 원하는 출력 (폴더, 파일, 코드, 지침).
강력한베이스 프롬프트 : 포괄적 인 기본 프롬프트로 시작한 다음 후속 명령으로 개선하십시오.
-
결론
O3-MINI는 속도 및 파이썬/HTML 코드 생성 기능에서 GPT-4O 및 O1을 능가합니다. 생성 된 Python 코드는 일반적으로 원활하게 작동하며 향상된 사용자 인터페이스를 위해 HTML을 효과적으로 향상시킵니다. 이 튜토리얼은 데이터 과학자 및 기술 전문가에 대한 O3-Mini의 가치를 보여주고 복잡한 기계 학습 워크 플로를 단순화합니다. 최적의 결과를 위해 초기 프롬프트에서 완전한 컨텍스트와 결과물을 제공해야합니다. AI 애플리케이션을 더 잘 제어하기 위해 Bentoml과 같은 도구를 사용하여 자신의 LLM을 배포하는 방법을 배우십시오.
