આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે ગ્રાફિક્સ જનરેટ કરવું: કોડથી વિઝ્યુઅલ સુધી, ચકાસણી સાથે

નફો:

• કૃત્રિમ બુદ્ધિમત્તા પર ગ્રાફનું ચિત્ર નહીં પણ ગ્રાફ બનાવતા કોડને પ્રિન્ટ કરીને અને તેને પોતે ચલાવીને નિર્ધારિત અને પુનરાવર્તિત પરિણામો મેળવવાની ક્ષમતા
• મૂલ્ય, અખંડિતતા, સ્કેલ અને સરવાળા ચેકસમ સાથે ડેટા સામે ચાર્ટ આઉટપુટને માન્ય કરવાની ક્ષમતા
• પ્રામાણિકતાના નિયમો લાદવાની ક્ષમતા (અક્ષ 0, ડાયરેક્ટ લેબલ, સ્ત્રોત નોંધમાંથી) અને મૌખિક અનુમાનને બદલે કોડ પર આધાર રાખવો

તમે સાચો ચાર્ટ પ્રકાર પસંદ કર્યો છે; હવે તેને ઉત્પાદન કરવાનો સમય છે. અહીં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો સૌથી ભરોસાપાત્ર ઉપયોગ તેને ગ્રાફને "ડ્રો" કરવા માટે કહેવાનો નથી, પરંતુ ગ્રાફ બનાવતા કોડને પ્રિન્ટ કરવા અને તે કોડને જાતે ચલાવવાનો છે. ક્યાંથી? કારણ કે મોટા ભાષાનું મોડેલ ટેક્સ્ટ જનરેટર છે; કોઈ સંખ્યાને મૌખિક રીતે "અનુમાન" કરી શકે છે, પરંતુ કોડ ડેટાની જેમ છે તેમ પ્રક્રિયા કરે છે અને એક નિર્ણાયક પરિણામ ઉત્પન્ન કરે છે (હંમેશા સમાન ઇનપુટને સમાન આઉટપુટ આપે છે). આ એકમમાં, આપણે શીખીશું કે કેવી રીતે ગ્રાફિકલ કોડ (મોટેભાગે પાયથોન) ને AI માં પ્રિન્ટ કરવો અને આઉટપુટની ચકાસણી કેવી રીતે કરવી.

શા માટે કોડ, શા માટે ચલાવો?

ભાષાના મોડેલને પૂછો "કુલ વેચાણ શું છે?" જો તમે પૂછો, તો તે ખરેખર ડેટા એકત્રિત કરતું નથી; સંભવિત સંખ્યા જનરેટ કરે છે. પરંતુ જો તમે તેના પર એકત્રીકરણ કોડ પ્રિન્ટ કરો અને તેને ચલાવો, તો પરિણામ વાસ્તવિક ડેટામાંથી આવે છે. આ જ ચાર્ટ માટે જાય છે: મોડેલ જે કોડ બનાવે છે તે તમારા ડેટા પર, તમારા મશીન પર ચાલે છે. કોડ પુનરાવર્તિત પણ છે: જ્યારે ડેટા અપડેટ થાય છે, ત્યારે તમે કોડ ફરીથી ચલાવો છો અને ચાર્ટને તાજું કરો છો.

સામાન્ય સાધનો: મેટપ્લોટલિબ અને સીબોર્ન (સ્ટેટિક પ્લોટ), પ્લોટલી (ઇન્ટરેક્ટિવ પ્લોટ) પાયથોન ભાષા સાથે; સ્પ્રેડશીટ પ્રોગ્રામ્સ અને BI (બિઝનેસ ઇન્ટેલિજન્સ) સાધનો પણ. આ એકમમાં, અમે Python/matplotlib નો ઉપયોગ કરીને ઉદાહરણો આપીશું કારણ કે તે સૌથી સામાન્ય છે; સિદ્ધાંત દરેક વાહનમાં સમાન છે.

ટીપ: "મને ચાર્ટનું ચિત્ર આપો" ને બદલે "મને ચાર્ટ બનાવતો કોડ આપો અને હું તેને ચલાવીશ." આ રીતે, પરિણામ વાસ્તવિક ડેટામાંથી આવે છે અને તમે ઇચ્છો તેટલા ગોઠવણો કરી શકો છો.

સ્ટેપ બાય સ્ટેપ: કોડથી ગ્રાફિક્સ સુધી

1. ગ્રાફિક પ્રકાર અને સંદેશ (પહેલાનું એકમ) નક્કી કરો.
2. મોડેલમાં ડેટા સ્ટ્રક્ચરનું વર્ણન કરો (કૉલમના નામ, પ્રકાર; સંવેદનશીલ ડેટા નહીં).
3. કોડ જનરેટ કરો, પ્રામાણિકતાના નિયમો પ્રોમ્પ્ટમાં મૂકો (અક્ષ 0, ટેગ, સ્ત્રોત નોંધમાંથી).
4. કોડ જાતે ચલાવો અને ગ્રાફ જુઓ.
5. તપાસો: શું ચાર્ટમાંનું મૂલ્ય ડેટામાંના મૂલ્ય જેટલું જ છે? શું કુલ/શેર ધરાવે છે?
6. સુધારો: શીર્ષકને ક્રિયા શીર્ષકમાં બદલો, બિનજરૂરી કાઢી નાખો, હાઇલાઇટ રંગ ઉમેરો.

તમારી ભૂમિકા: Python ડેટા વિઝ્યુલાઇઝેશન સહાયક. મારી પાસે CSV છે: કૉલમ "મહિનો" (YYYY-MM), "ચેનલ" (ટેક્સ્ટ), "આવક" (નંબર). matplotlib સાથે લાઇન ગ્રાફ કોડ લખો:- દરેક ચેનલ એક અલગ લાઇન છે, x=month, y=come.- y અક્ષને 0 થી શરૂ થવા દો (કાપશો નહીં).- લીટીઓના અંતમાં સીધા જ લેબલો મૂકો, અલગ લિજેન્ડની જરૂર નથી.- શીર્ષકમાં ક્રિયા શીર્ષક માટે પ્લેસહોલ્ડર મૂકો.- "અમારી જમણી બાજુએ એક નાનું નથી. કોડને સંપૂર્ણ અને એક્ઝિક્યુટેબલ બનાવો, ઉદાહરણ વાંચન લાઇન પણ લખો. નંબર ફિટિંગ; CSV માંથી ડેટા વાંચો.

હાલના ચાર્ટને ઠીક કરવા માટે:

આ મેટપ્લોટલિબ કોડને ઠીક કરો: (1) સૌથી મોટાથી નાના સુધીના મૂલ્ય દ્વારા બારને સૉર્ટ કરો, (2) માત્ર સૌથી વધુ બાર નારંગી અને બાકીનાને ગ્રે બનાવો, (3) y-અક્ષને 0 થી શરૂ કરો, (4) હજારો વિભાજક સાથે દશાંશ ફોર્મેટ કરો. કોડને તેની સંપૂર્ણતામાં પરત કરો. કોડ: [...]

ઇન્ટરેક્ટિવ ચાર્ટ માટે (ડૅશબોર્ડ માટે):

સમાન ડેટા સાથે પ્લોટલીનો ઉપયોગ કરીને ઇન્ટરેક્ટિવ લાઇન ચાર્ટ કોડ લખો: માઉસને હોવર કરવાથી મહિનો અને આવક દેખાશે, અને ચેનલો ફિલ્ટર કરી શકાય છે. ધરી 0 થી શરૂ થવા દો. સંપૂર્ણ કોડ આપો.

માન્યતા: શું ચાર્ટ "સાચો" છે, "સુંદર" નથી?

ગ્રાફિક્સ આઉટપુટ હોવાને કારણે જ કામ પૂરું થતું નથી. ત્રણ ચેકસમ:

• મૂલ્ય પ્રદાન કરવું: હાથ/ટેબલ દ્વારા 2-3 રેન્ડમ પોઈન્ટ તપાસો. શું ચાર્ટ પર સૌથી વધુ બાર ખરેખર સૌથી વધુ છે?
• કુલ/શેર વેરિફિકેશન: શું શેર પાર્ટ-હોલ ચાર્ટમાં 100% સુધી પૂર્ણ થયા છે?
• દ્રશ્ય પ્રમાણિકતા: શું ધરી 0 થી શરૂ થાય છે, શું સ્કેલ રેખીય છે, શું તે સમાન એકમ છે? (વિગતો આગામી એકમમાં.)

નિયંત્રણ

કેવી રીતે કાળજી લેવી

લાલ ધ્વજ

મૂલ્ય

ડેટા સાથે 2-3 પોઈન્ટની સરખામણી કરો

ગ્રાફ-ડેટા મેળ ખાતા નથી

અખંડિતતા

શું ત્યાં કોઈ મહિના/કેટેગરી ખૂટે છે?

આ ગેપ ચુપચાપ છોડી દેવામાં આવ્યો

સ્કેલ

Y અક્ષ ક્યાંથી શરૂ થાય છે

0 નથી, તફાવત અતિશયોક્તિપૂર્ણ છે

કુલ

શેર્સ/ટોટલ

તે 100% ધરાવતું નથી

સાવધાન: મોડેલ કેટલીકવાર ડેટામાંથી ગુમ થયેલા મહિનાઓને "પૂર્ણ" કરે છે અથવા ગુમ થયેલ પંક્તિને ચૂપચાપ કાઢી નાખે છે. ચાર્ટ પરના પોઈન્ટની સંખ્યા ડેટાની પંક્તિઓની સંખ્યા સાથે મેળ ખાય છે કે કેમ તે જુઓ.

ત્રણ નાના કેસો

કેસ 1 - કોડ બીટની આગાહી. વિશ્લેષક સૌ પ્રથમ મોડેલને પૂછે છે "કુલ કેટલું છે?" તેણે પૂછ્યું, અને જવાબ મળ્યો "≈4.2 મિલિયન". પછી તેણે વધારાનો કોડ છાપ્યો અને તેને ચલાવ્યો: વાસ્તવિક કુલ 3.87 મિલિયન હતો. મૌખિક આગાહી 8% ખોટી હતી. તે દિવસથી, તેણે કોડમાંથી દરેક નંબર મેળવ્યા.

કેસ 2 - સાયલન્ટ મિસિંગ લાઇન. એક ટીમે માસિક ચાર્ટ બનાવ્યો હતો; બધું સારું લાગતું હતું. પરંતુ ડેટામાં માર્ચ ખાલી હતો, અને ચાર્ટે તેને છોડી દીધો અને ફેબ્રુઆરીથી એપ્રિલને જોડ્યો; તે નરમ દેખાતું હતું કારણ કે તે વલણમાં હતું. તેઓએ બિંદુઓની સંખ્યા નોંધી (તે 11 ને બદલે 12 હોવા જોઈએ) અને તેને સુધારી; વાસ્તવિક વલણમાં ઉછાળો આવ્યો હતો.

કેસ 3 - પ્રજનનક્ષમતા. એક માર્કેટર દર મહિને હાથ વડે ચાર્ટ બનાવતો હતો (લગભગ 40 મિનિટ). એકવાર તેણે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા લખાયેલ કોડ ઇન્સ્ટોલ કર્યો; પછીના મહિનાઓમાં નવી CSV દાખલ કરવામાં અને કોડ ચલાવવામાં 2 મિનિટ લાગી. દર મહિને 38 મિનિટ બચાવી અને મેન્યુઅલ કૉપિ કરવામાં વધુ ભૂલો નહીં.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

આ વેચાણ ડેટાનો ગ્રાફ બનાવો.

મોડેલ ચિત્રને ફિટ કરી શકે છે અથવા રેન્ડમ કોડ આપી શકે છે; ડેટા પર ખરેખર પ્રક્રિયા કરવામાં આવતી નથી, ત્યાં કોઈ પ્રમાણિકતા સેટિંગ્સ નથી.

મજબૂત:

તમારી ભૂમિકા: Python/matplotlib સહાયક. ડેટા: CSV, કૉલમ "પ્રદેશ" (ટેક્સ્ટ), "બ્યુમ_પર્સન્ટેજ" (સંખ્યા, નકારાત્મક હોઈ શકે છે). આડો બાર ચાર્ટ કોડ લખો: મૂલ્ય દ્વારા સૉર્ટ કરો, ઉચ્ચતમ પ્રદેશને પ્રકાશિત કરો, y=0 સંદર્ભ રેખા ઉમેરો (નકારાત્મક પ્રદર્શિત કરો), બાર છેડે ટકાવારી લેબલ્સ મૂકો. કોડ એક્ઝિક્યુટેબલ આપો, CSV થી વાંચો, નંબર ફિટિંગ. શીર્ષક માટે ક્રિયા શીર્ષક પ્લેસહોલ્ડર મૂકો.

બીજામાં ડેટા માળખું, પ્રમાણિકતાના નિયમો અને "કોડમાંથી વાંચો, તેને બનાવશો નહીં" સિદ્ધાંતનો સમાવેશ થાય છે; આઉટપુટ સચોટ અને સંપાદનયોગ્ય બંને છે.

સાધન પસંદગી: ક્યારે સ્પ્રેડશીટ, ક્યારે કોડ?

તમારે દરેક ચાર્ટ માટે કોડ લખવાની જરૂર નથી. નાના, વન-ઑફ, સરળ ચાર્ટ માટે, સ્પ્રેડશીટ (એક્સેલ, ગૂગલ સ્પ્રેડશીટ્સ) ઘણીવાર પૂરતી અને ઝડપી હોય છે. કોડ જીતે છે જ્યારે: ડેટા નિયમિતપણે અપડેટ થાય છે (દર મહિને સમાન ચાર્ટને તાજું કરવામાં આવે છે), ચાર્ટ જટિલ અથવા અસંખ્ય હોય છે (જેમ કે નાના બહુવિધ ચાર્ટ), સંપૂર્ણ નિયંત્રણ જરૂરી છે (અખંડિતતા સેટિંગ્સ, કસ્ટમ લેબલિંગ), અથવા તે મહત્વપૂર્ણ છે કે પરિણામ પુનરાવર્તિત છે. તમે એ પણ પૂછી શકો છો કે કૃત્રિમ બુદ્ધિ માટે કયું યોગ્ય છે.

સ્થિતિ

યોગ્ય વાહન

શા માટે

વન-ટાઇમ સિમ્પલ બાર

સ્પ્રેડશીટ

ઝડપી, કોઈ કોડની જરૂર નથી

દર મહિને રિપોર્ટ અપડેટ કરવામાં આવે છે

કોડ (પાયથોન)

એકવાર લખો, ફરીથી ચલાવો

ઇન્ટરેક્ટિવ/ફિલ્ટર ડેશબોર્ડ

કોડ (પ્લોટલી) / BI ટૂલ

ક્રિયાપ્રતિક્રિયા જરૂરી છે

ઘણાં નાના ગ્રાફિક્સ

કોડ

હાથ વડે દોરવું એ કંટાળાજનક અને અચોક્કસ છે

તમારી ભૂમિકા: ડેટા વિઝ્યુલાઇઝેશન કન્સલ્ટન્ટ. મારે નીચેનો ગ્રાફ બનાવવાની જરૂર છે:[રેસીપી]. [કેટલી વાર] ડેટા અપડેટ કરવામાં આવે છે, [કેટલા] વિવિધ ચાર્ટ આવશ્યક છે. શું સ્પ્રેડશીટ અથવા પાયથોન કોડ વધુ અર્થપૂર્ણ છે? તમારા નિર્ણયને યોગ્ય ઠેરવો; કોડ માટે તમે કઈ લાઇબ્રેરીની ભલામણ કરો છો?

સંકેત: "શું હું દર મહિને આ ફરી કરીશ?" જો પ્રશ્નનો જવાબ "હા" છે, તો કોડ રોકાણ લગભગ હંમેશા પોતાને માટે ચૂકવણી કરે છે. જો તે એક-ઑફ છે, તો સ્પ્રેડશીટ પૂરતી હશે.

સામાન્ય ભૂલો

• ચાર્ટના "ચિત્ર" માટે પૂછવું: જ્યારે તમે કોડને બદલે છબી માટે પૂછો છો, ત્યારે ડેટા ખરેખર પ્રક્રિયા કરવામાં આવતો નથી.
• કોડને એક્ઝિક્યુટ કર્યા વિના તેના પર વિશ્વાસ કરવો: સ્લાઇડ પર આઉટપુટને વિઝ્યુઅલી વેરિફિકેશન કર્યા વિના મૂકવું.
• મૂલ્ય માન્યતા પ્રદાન કરતું નથી: ડેટા સાથે ચાર્ટ પરના પોઈન્ટ્સની તુલના નથી.
• ખૂટતી/છોડી ગયેલી રેખા દેખાતી નથી: બિંદુઓની સંખ્યા તપાસી નથી.
• તેને એક-વખતની નોકરીની જેમ વર્તવું: કોડ રાખવો નહીં અને દર મહિને શરૂઆતથી શરૂ કરવું.

સારાંશમાં

કૃત્રિમ બુદ્ધિમત્તાને કોડ માટે પૂછો જે ગ્રાફ બનાવે છે, ગ્રાફનું ચિત્ર નહીં, અને તે કોડ જાતે ચલાવો; કારણ કે કોડ ડેટાની જેમ છે તેમ પ્રક્રિયા કરે છે અને નિર્ધારિત અને પુનરાવર્તિત પરિણામો આપે છે. ડેટા સ્ટ્રક્ચરનું વર્ણન કરો, વિનંતીમાં અખંડિતતા નિયમો (અક્ષ 0, લેબલ, સ્ત્રોતમાંથી) મૂકો, મૂલ્ય-અખંડિતતા-સ્કેલ-સમ હેશ સાથે આઉટપુટને માન્ય કરો. કોડ દર વખતે મૌખિક આગાહીને હરાવે છે; પરંતુ અંતિમ નિયંત્રણ તમારું છે.

એપ્લિકેશન કાર્ય

તમારી ડેટા ફાઇલ માટે: (1) AI ને ડેટા સ્ટ્રક્ચરનું વર્ણન કરો અને ગ્રાફ જનરેશન કોડ પ્રિન્ટ કરો (પ્રમાણિકતાના નિયમો સાથે). (2) કોડ ચલાવો અને મેન્યુઅલી ડેટા સાથે ચાર્ટમાં 2-3 મૂલ્યોની તુલના કરો. (3) સમાન કોડમાં, બારને મૂલ્ય પ્રમાણે સૉર્ટ કરો અને એક હાઇલાઇટ રંગ ઉમેરો. (4) આવતા મહિને ફરીથી ઉપયોગ કરવા માટે કોડ સાચવો.

ચેકલિસ્ટ

• [ ] હું ઇચ્છતો હતો અને કોડ ચલાવતો હતો જે ચાર્ટ બનાવે છે, તેનું ચિત્ર નહીં.
• કોડ વાસ્તવિક ફાઇલમાંથી ડેટા વાંચે છે, તે સંખ્યાઓ બનાવતો નથી.
• [ ] મેં ડેટા સાથે ચાર્ટમાં 2-3 મૂલ્યોની સરખામણી કરી.
• [ ] બિંદુઓ/શ્રેણીઓની સંખ્યા ડેટામાંની પંક્તિઓ સાથે સુસંગત છે.
• [ ] Y અક્ષ અને સ્કેલ પ્રમાણિક છે; કોઈ અક્ષ વિક્ષેપ નથી.
• [ ] મેં ફરીથી વાપરવા માટે કોડ સાચવ્યો.