60 ChatGPT Prompts for Data Science (Tried, Tested, and Rated)

הסקירה

המדריך הזה של Travis Tang באתר Medium כולל בדיוק 60 פרומפטים מובנים לעבודה מול ChatGPT במשימות של מדעי הנתונים. במקום לנסח פקודות מאפס ולנחש מה יחזיר תשובה מדויקת, הטקסט מציג לכל תרחיש את הפקודה המדויקת שנבדקה, את התשובה שהתקבלה מהמודל ואת הציון שהמחבר נתן לתוצאה. המדריך מחלק את משימות התכנות לכתיבת קוד, הסבר תחביר קיים, ייעול ביצועים, תיעוד והסבת שפות. החלוקה הזו מראה מיד איפה המודל מצטיין בייצור תבניות מוכנות ואיפה הוא מייצר פתרונות שדורשים בדיקה זהירה. מי שעובד עם נתונים ביומיום מקבל פה בעצם מאגר פקודות שמקצר חיפושים ארוכים ברשת.

התוכן כולו מוגש באנגלית מלאה, בדיוק כמו הפרומפטים והספריות שהוא מכסה. אם אתם רגילים לכתוב סקריפטים בעברית או מתעסקים בהערות קוד בשפה מקומית, זה לא המקום שיעזור לכם.

איך עובדים הניסוחים בפועל

החלק המשמעותי של המאגר מתמקד בכתיבת קוד Python למשימות למידת מכונה וניתוח סטטיסטי. יש כאן תבניות מוגדרות לאימון מודל סיווג באמצעות Train Classification Model, בניית תהליכי לימוד אוטומטיים עם Automatic Machine Learning, וחיפוש פרמטרים בעזרת Tune Hyperparameter. הפקודות מטפלות גם באתגרים נפוצים כמו התמודדות עם חוסר איזון בנתונים תחת Address Imbalance Data או ניתוח חשיבות משתנים דרך Get Feature Importance. לצד אלה יש תבניות מפורטות להצגת נתונים בספריות Matplotlib וייצור מערכי NumPy. המטרה היא להדביק את הפרומפט ולקבל שלד עבודה מיידי שפותר את השלבים הטכניים המשעממים.

הכוח של המאגר מתבטא בעיקר בפקודות להסבר פנימי של מודלים מורכבים. המחבר שילב בדיקות ממוקדות לחבילות Shap ו־Lime, שמאפשרות להבין למה אלגוריתם קיבל החלטה מסוימת על רשומה בודדת. הערך האמיתי כאן הוא הדירוג שמראה איפה הפרומפט הצליח ואיפה המודל זייף. המידע הזה חוסך ניסיונות סרק של פקודות שלא מסוגלות לייצר קוד תקין. לא הייתי משתמש בזה בלי להריץ את הקוד בסביבה מבודדת קודם, כי מודלים עדיין מייצרים שגיאות תחביר נסתרות. הדירוג של הטקסט מציג את הפער הזה בצורה ברורה.

ספריות הסבר מודלים לא תמיד מחזירות פלט נקי. לפעמים תצטרכו לתקן את הקוד ידנית.

ייעול שורות ותרגום תחביר

חלק ניכר מוקדש לשיפור ביצועים של קוד קיים שנכתב בצורה איטית או עמוסה מדי. המדריך מציע פרומפטים ייעודיים להאצת שאילתות באמצעות Optimize SQL, ייעול תהליכים בספריית Pandas תחת Optimize Pandas, ובדיקת זמני ריצה עם Compare Function Speeds. בנוסף יש פקודות שמטפלות בכתיבת קוד מקבילי עם Write Multithreaded Functions ובדיקת תקינות של עמודות עם Validate Column. הטקסט בוחן גם מעבר בין כלי פיתוח, כמו תרגום שאילתות בין מנועי מסדי נתונים שונים תחת Translate Between DBMS, או המרת סקריפטים מלאים בין שפת Python לשפת R בשני הכיוונים.

בנוסף לקוד, המדריך בודק פרומפטים שמיועדים להסברת מושגים ברמות שונות, מילד בן חמש ועד מרצה באקדמיה או גורם עסקי. יש גם תבניות להעלאת רעיונות לפרויקטים, ניתוח בדיקות A/B והתמודדות עם מקרי קצה. מה שבאמת מפריע כאן הוא שאין באתר שום התייחסות לתמחור של הפרומפטים עצמם או של הגישה למאמר. המאמר פורסם בתוך פלטפורמת Medium של קהילת DataDrivenInvestor, שבה חלק מהתכנים פתוחים וחלק דורשים מנוי בתשלום. האתר לא מציג מחיר נקוב או מחירון עבור הרשימה הזו.

• מחיר באתרלא צוין
• כמות פקודות60 פרומפטים
• שפת תוכןאנגלית בלבד

החומר הזה מתאים למי שכבר כותב קוד באופן שוטף ומחפש תבניות מוכנות לעבודה מול בינה מלאכותית כדי לזרז את יום העבודה שלו. הוא יעזור למפתחים שרוצים לייעל סקריפטים ארוכים של עיבוד נתונים או צריכים לתרגם קוד ישן משפה לשפה בלי לעשות הכל לבד. לעומת זאת, מי שלא מכיר את הספריות הרלוונטיות או מחפש הסברים בעברית על נתונים מקומיים לא ימצא פה מענה. הטקסט מניח שאתם מבינים מה המודל פולט ויודעים לזהות מתי התשובה שהוא קיבל אינה מספקת.

זה שווה את זה רק אם אתם יודעים לקרוא קוד ולתקן אותו בעצמכם כשהמודל טועה.