ರಾಸಾಯನಿಕ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಪೈಥಾನ್: ಪಾಂಡಾಗಳು, ಸ್ಟೊಯಿಕಿಯೊಮೆಟ್ರಿ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯ

ಲಾಭಗಳು:

• ಭಾಷಾ ಮಾದರಿಯ ಮೌಖಿಕ ಊಹೆಗಿಂತ ಹೆಚ್ಚಾಗಿ ಕಾರ್ಯಗತಗೊಂಡ ಪೈಥಾನ್ ಕೋಡ್‌ನಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಆಧರಿಸಿರುವ ಸಾಮರ್ಥ್ಯ
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಡೇಟಾ ಕ್ಲೀನಿಂಗ್ ಕೋಡ್ ಅನ್ನು ಬರೆಯುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ತಿಳಿದಿರುವ ಉತ್ತರಗಳೊಂದಿಗೆ ಮಾದರಿಗಳೊಂದಿಗೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸಲು
• ಯಾವಾಗಲೂ ಘಟಕಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಮೂಲಕ ಮತ್ತು ಅವುಗಳ ಕ್ರಮವನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ದೋಷಗಳನ್ನು ತಡೆಯುವ ಸಾಮರ್ಥ್ಯ

ರಸಾಯನಶಾಸ್ತ್ರವು ಸಂಖ್ಯೆಗಳಿಂದ ತುಂಬಿದೆ: ತೂಕಗಳು, ಸಂಪುಟಗಳು, ಹೀರಿಕೊಳ್ಳುವ ಮೌಲ್ಯಗಳು, ಇಳುವರಿಗಳು, ಸಾಂದ್ರತೆಗಳು. ಈ ಡೇಟಾವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು ನಿಧಾನ ಮತ್ತು ದೋಷ ಪೀಡಿತವಾಗಿದೆ. AI ಇಲ್ಲಿ ಎರಡು ಪ್ರಮುಖ ಸೇವೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ: (1) ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ, (2) ಆ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡುತ್ತದೆ (ಕೋಡ್ ಅನ್ನು ಚಲಾಯಿಸಬಹುದಾದ ಪರಿಸರದಲ್ಲಿ) ಮತ್ತು ನಿರ್ಣಾಯಕ ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ. ನಿರ್ಣಾಯಕ ತತ್ವ ಇದು: ಕಾರ್ಯಗತಗೊಳಿಸಿದ ಕೋಡ್‌ನ ಔಟ್‌ಪುಟ್‌ಗೆ ಲೆಕ್ಕಾಚಾರವನ್ನು ಬಿಡಿ, ಭಾಷಾ ಮಾದರಿಯ "ಮೌಖಿಕ ಭವಿಷ್ಯ" ಕ್ಕೆ ಅಲ್ಲ. ಭಾಷಾ ಮಾದರಿ "142 × 0.05 ಎಂದರೇನು?" ಕೆಲವೊಮ್ಮೆ ಪ್ರಶ್ನೆಗೆ ತಪ್ಪಾಗಿ ಉತ್ತರಿಸಬಹುದು; ಆದರೆ ಅವನು ಬರೆಯುವ ಪೈಥಾನ್ ಲೈನ್ ಯಾವಾಗಲೂ ಸರಿಯಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಈ ತತ್ವಶಾಸ್ತ್ರದೊಂದಿಗೆ AI ಯೊಂದಿಗೆ ರಾಸಾಯನಿಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಕಲಿಯುತ್ತೇವೆ.

ಮೌಖಿಕ ಊಹೆಗಿಂತ ಕೋಡ್ ಏಕೆ ಉತ್ತಮವಾಗಿದೆ?

ಭಾಷಾ ಮಾದರಿಯು "ಸಂಭವನೀಯ ಫಲಿತಾಂಶವನ್ನು ಊಹಿಸುವ" ಮೂಲಕ ಅಂಕಗಣಿತವನ್ನು ಮಾಡುತ್ತದೆ; ಆದ್ದರಿಂದ ಇದು ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳು ಅಥವಾ ಬಹು-ಹಂತದ ಕಲನಶಾಸ್ತ್ರದಲ್ಲಿ ತಪ್ಪಾಗಿರಬಹುದು. ಆದರೆ ಪೈಥಾನ್‌ನಲ್ಲಿ ಅಭಿವ್ಯಕ್ತಿ 142 * 0.05 ನಿರ್ಣಾಯಕವಾಗಿದೆ: ಇದು ಯಾವಾಗಲೂ 7.1 ಅನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ ತಂತ್ರ: AI ಅನ್ನು ಲೆಕ್ಕ ಹಾಕುವಂತೆ ಮಾಡಬೇಡಿ, ಲೆಕ್ಕಾಚಾರದ ಕೋಡ್ ಅನ್ನು ಮುದ್ರಿಸಿ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ. ಆದ್ದರಿಂದ ನೀವು AI ಯ ಸೃಜನಶೀಲತೆಯನ್ನು ಬಳಸುತ್ತೀರಿ (ಕೋಡ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು) ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ಭಾಗವನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿ (ಹೆಡ್ ಅಂಕಗಣಿತ).

ಸಲಹೆ: ನೀವು AI ನಿಂದ ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ಪಡೆದಾಗ, "ಇದನ್ನು ಪೈಥಾನ್‌ನ ಸಾಲಿನೊಂದಿಗೆ ಪ್ರತಿನಿಧಿಸಿ" ಎಂದು ಹೇಳಿ. ಕೋಡ್ ಸ್ವತಃ ಖಾತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಚಲಾಯಿಸಲು ಮತ್ತು ಅದನ್ನು ಖಚಿತಪಡಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ನಿಮಗೆ ಕೋಡ್ ಕಾಣಿಸದಿದ್ದರೆ, ಸಂಖ್ಯೆಯನ್ನು ನಂಬಬೇಡಿ.

ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ವಿಶಿಷ್ಟ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಕಾರ್ಯಗಳು

• ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿ: ಮೋಲ್, ದ್ರವ್ಯರಾಶಿ, ಸೀಮಿತಗೊಳಿಸುವ ಕಾರಕ, ಸೈದ್ಧಾಂತಿಕ ಇಳುವರಿ, ಶೇಕಡಾ ಇಳುವರಿ ಲೆಕ್ಕಾಚಾರ.
• ಏಕಾಗ್ರತೆ: ಮೊಲಾರಿಟಿ, ದುರ್ಬಲಗೊಳಿಸುವಿಕೆ (M1V1 = M2V2), ppm ಪರಿವರ್ತನೆಗಳು.
• ಮಾಪನಾಂಕ ನಿರ್ಣಯ: ಬಿಯರ್-ಲ್ಯಾಂಬರ್ಟ್ ಕಾನೂನಿನೊಂದಿಗೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ರೇಖೆಯನ್ನು ಎಳೆಯುವುದು (ಹೀರುವಿಕೆ ∝ ಸಾಂದ್ರತೆ) ಮತ್ತು ಅಜ್ಞಾತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು.
• ಡೇಟಾ ಶುಚಿಗೊಳಿಸುವಿಕೆ: ಪಾಂಡಾಗಳೊಂದಿಗೆ ಮಾಪನ ಕೋಷ್ಟಕಗಳನ್ನು ಓದುವುದು, ಫ್ಲ್ಯಾಗ್ ಮಾಡುವ ಔಟ್‌ಲೈಯರ್‌ಗಳು, ಸರಾಸರಿ/ಪ್ರಮಾಣಿತ ವಿಚಲನ.
• ದೃಶ್ಯೀಕರಣ: ಡ್ರಾಯಿಂಗ್ ಕ್ಯಾಲಿಬ್ರೇಶನ್ ಕರ್ವ್, ಚಲನಶಾಸ್ತ್ರದ ಗ್ರಾಫ್, ಟೈಟರೇಶನ್ ಕರ್ವ್.

ಹಂತ ಹಂತವಾಗಿ: AI ಜೊತೆಗೆ ಸುರಕ್ಷಿತ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ

1. ಡೇಟಾವನ್ನು ವಿವರಿಸಿ: ಕಾಲಮ್‌ಗಳು, ಘಟಕಗಳು, ಮಾದರಿ ಸಾಲುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನೀಡಿ. ಯಾವುದೇ ಘಟಕವಿಲ್ಲದಿದ್ದರೆ, AI ಊಹೆಗಳನ್ನು ಮಾಡುತ್ತದೆ.
2. ಕೋಡ್‌ಗಾಗಿ ಕೇಳಿ, ಫಲಿತಾಂಶಗಳಲ್ಲ: "ಇದನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಪಾಂಡಾಗಳು/NumPy ಕೋಡ್ ಬರೆಯಿರಿ" ಎಂದು ಹೇಳಿ.
3. ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ: ಅದನ್ನು ನೀವೇ ಅಥವಾ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಬಹುದಾದ ಪರಿಸರದಲ್ಲಿ ರನ್ ಮಾಡಿ.
4. ಸರಳ ಪ್ರಕರಣದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ: ನಿಮಗೆ ಉತ್ತರ ತಿಳಿದಿರುವ ಸಣ್ಣ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ.
5. ಘಟಕ ಮತ್ತು ಆದೇಶ ಪರಿಶೀಲನೆ: ಫಲಿತಾಂಶದ ಘಟಕ ಮತ್ತು ಪ್ರಮಾಣವು ಭೌತಿಕವಾಗಿ ಸಮಂಜಸವಾಗಿದೆಯೇ?
6. ದಾಖಲೆ: ಪ್ರಯೋಗ ನೋಟ್‌ಬುಕ್‌ಗೆ ಕೋಡ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಸೇರಿಸಿ (ಘಟಕ 8).

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿ ಮತ್ತು ಶೇಕಡಾ ಇಳುವರಿ:

ಪ್ರತಿಕ್ರಿಯೆ: ಸ್ಯಾಲಿಸಿಲಿಕ್ ಆಮ್ಲ (MA 138.12) + ಅಸಿಟಿಕ್ ಅನ್‌ಹೈಡ್ರೈಡ್ -> ಆಸ್ಪಿರಿನ್ (MA 180.16).ಡೇಟಾ: 2.00 ಗ್ರಾಂ ಸ್ಯಾಲಿಸಿಲಿಕ್ ಆಮ್ಲವನ್ನು ಬಳಸಲಾಗಿದೆ, ಅಸಿಟಿಕ್ ಅನ್‌ಹೈಡ್ರೈಡ್ ಅಧಿಕವಾಗಿತ್ತು. ಆಸ್ಪಿರಿನ್ ಪಡೆಯಲಾಗಿದೆ: 2.15 ಗ್ರಾಂ. ಟಾಸ್ಕ್: ಪೈಥಾನ್ ಇಳುವರಿ ಕೋಡ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ ಮತ್ತು ಶೇಕಡಾವಾರು ತೂಕದ ಇಳುವರಿ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. ಅಸ್ಥಿರಗಳು, ಫಲಿತಾಂಶವನ್ನು ಘಟಕಗಳಲ್ಲಿ ಮುದ್ರಿಸಿ.ತಲೆಯಲ್ಲಿ ಲೆಕ್ಕ ಹಾಕಬೇಡಿ; ಕೇವಲ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಕೋಡ್ ನೀಡಿ.

2) ಬಿಯರ್-ಲ್ಯಾಂಬರ್ಟ್ ಮಾಪನಾಂಕ ನಿರ್ಣಯ:

ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಡೇಟಾ (ಸಾಂದ್ರೀಕರಣ mol/L -> ಹೀರಿಕೊಳ್ಳುವಿಕೆ): 0.00->0.02, 0.02->0.21, 0.04->0.40, 0.06->0.62, 0.08->0.79. ಅಜ್ಞಾತ ಮಾದರಿ ಹೀರಿಕೊಳ್ಳುವಿಕೆ: 0.50. ಕಾರ್ಯ: numpy.polyfit, ಇಳಿಜಾರು/ಇಂಟರ್ಸೆಪ್ಟ್ ಜೊತೆಗೆ ರೇಖೀಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಮಾಡಿ ಮತ್ತು R^2 ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಅಜ್ಞಾತ ಸಾಂದ್ರತೆಯನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. ಮ್ಯಾಟ್‌ಪ್ಲಾಟ್ಲಿಬ್‌ನೊಂದಿಗೆ ಡೇಟಾ + ಫಿಟ್ ಲೈನ್ ಅನ್ನು ರೂಪಿಸಿ.

3) ಪಾಂಡಾಗಳೊಂದಿಗೆ ಮಾಪನ ಚಾರ್ಟ್:

ನನ್ನ ಬಳಿ CSV ಇದೆ: ಕಾಲಮ್‌ಗಳು = ಮಾದರಿ, ತೂಕ_ಜಿ, ಪರಿಮಾಣ_ಎಂಎಲ್, ಹೀರಿಕೊಳ್ಳುವಿಕೆ. ಕಾರ್ಯ: ಪಾಂಡಾಗಳೊಂದಿಗೆ ಓದಿ, ಪ್ರತಿ ಮಾದರಿಗೆ ಏಕಾಗ್ರತೆಯನ್ನು (g/L) ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಹೀರಿಕೊಳ್ಳುವ ಸಾಲುಗಳನ್ನು <0 ತಪ್ಪೆಂದು ಗುರುತಿಸಿ, ಗುಂಪುಗಳ ಸರಾಸರಿ ಮತ್ತು std ವಿಚಲನವನ್ನು ಮುದ್ರಿಸಲು ಕೋಡ್ ನೀಡಿ. ಕಾಮೆಂಟ್ ಲೈನ್‌ನೊಂದಿಗೆ ಘಟಕಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ.

4) ಡೈಲ್ಯೂಷನ್ ಖಾತೆ ಪರಿಶೀಲನೆ:

ನಾನು 0.5 M ಸ್ಟಾಕ್ ದ್ರಾವಣದಿಂದ 100 mL 0.05 M ದ್ರಾವಣವನ್ನು ತಯಾರಿಸಲು ಬಯಸುತ್ತೇನೆ. ಕಾರ್ಯ: M1V1=M2V2 ಜೊತೆಗೆ ಅಗತ್ಯವಿರುವ ಸ್ಟಾಕ್ ಪರಿಮಾಣವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಪೈಥಾನ್ ಲೈನ್ ಅನ್ನು ಬರೆಯಿರಿ. mL ನಲ್ಲಿ ಫಲಿತಾಂಶವನ್ನು ಮುದ್ರಿಸಿ ಮತ್ತು ತರ್ಕ ಪರಿಶೀಲನೆಗಾಗಿ 10-ಪಟ್ಟು ದುರ್ಬಲಗೊಳಿಸುವಿಕೆಯನ್ನು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ ಎಂದು ಕಾಮೆಂಟ್‌ನಂತೆ ಪರಿಶೀಲಿಸಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ:

2 ಗ್ರಾಂ ಸ್ಯಾಲಿಸಿಲಿಕ್ ಆಮ್ಲದಿಂದ ಎಷ್ಟು ಆಸ್ಪಿರಿನ್ ಬರುತ್ತದೆ?

AI ತಲೆಯಿಂದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡುತ್ತದೆ; ಅದು ಆಣ್ವಿಕ ತೂಕವನ್ನು ತಪ್ಪಾಗಿ ನೆನಪಿಸಿಕೊಂಡರೆ, ಫಲಿತಾಂಶವು ವಿರೂಪಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕಲಾಗಿದೆ ಎಂಬುದು ಗೋಚರಿಸುವುದಿಲ್ಲ.

ಪ್ರಬಲ:

ಸ್ಯಾಲಿಸಿಲಿಕ್ ಆಮ್ಲ MA=138.12, ಆಸ್ಪಿರಿನ್ MA=180.16, ದ್ರವ್ಯರಾಶಿ=2.00 ಗ್ರಾಂ, ಇಳುವರಿ 100% ಎಂದು ಊಹಿಸಿ. ಕಾರ್ಯ: ಆಸ್ಪಿರಿನ್ನ ಸೈದ್ಧಾಂತಿಕ ದ್ರವ್ಯರಾಶಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಪೈಥಾನ್ ಕೋಡ್ ಬರೆಯಿರಿ; ಪ್ರತಿ ಹಂತವನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ (ಮೋಲ್ -> ಮೋಲ್ -> ಮಾಸ್), ಫಲಿತಾಂಶವನ್ನು g ನಲ್ಲಿ ಮುದ್ರಿಸಿ.

ವ್ಯತ್ಯಾಸ: ಆಣ್ವಿಕ ತೂಕವನ್ನು ನೀಡಲಾಗಿದೆ, ಕೋಡ್ ವಿನಂತಿಸಲಾಗಿದೆ, ಹಂತಗಳನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಲಾಗಿದೆ, ಘಟಕವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿದೆ. ಫಲಿತಾಂಶವು ನಿಖರ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧಕವಾಗಿದೆ.

ಮೌಖಿಕ ಭವಿಷ್ಯ ಇತ್ಯಾದಿಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿದ ಕೋಡ್

ಗಾತ್ರ

ಭಾಷಾ ಮಾದರಿ ಮೌಖಿಕ ಭವಿಷ್ಯ

ಪೈಥಾನ್ ಓಟ

ಅಂಕಗಣಿತದ ನಿಖರತೆ

ವೇರಿಯಬಲ್, ದೋಷ ಸಂಭವಿಸಬಹುದು

ನಿರ್ಣಾಯಕ, ನಿಶ್ಚಿತ

ಆಡಿಟಬಿಲಿಟಿ

ಗರ್ಭಪಾತ (ಅದು ಹೇಗೆ ಹೊರಬಂದಿತು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ)

ಹೆಚ್ಚಿನ (ಕೋಡ್ ಗೋಚರಿಸುತ್ತದೆ)

ಪುನರಾವರ್ತನೀಯತೆ

ಕಡಿಮೆ

ಹೆಚ್ಚು

ಘಟಕ ಟ್ರ್ಯಾಕಿಂಗ್

ದುರ್ಬಲ

ಕೋಡ್‌ನಲ್ಲಿ ತೆರೆದಿಡಬಹುದು

ಸರಿಯಾದ ಬಳಕೆ

ಕಲ್ಪನೆ, ಕಟ್ಟಡ ರಚನೆ

ಅಂತಿಮ ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶ

ಮಿನಿ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಮೌಖಿಕ ಅಂಕಗಣಿತದ ದೋಷ. ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬ AI ಗೆ “0.0145 mol × 180.16 g/mol?” ಎಂದು ಕೇಳುತ್ತಾನೆ. ಅವರು ಕೇಳಿದರು; "2.72 ಗ್ರಾಂ," ಎಐ ಹೇಳಿದೆ. ವಾಸ್ತವವಾಗಿ ಇದು 2.61 ಗ್ರಾಂ. ವಿದ್ಯಾರ್ಥಿಯು "ಇದನ್ನು ಪೈಥಾನ್‌ನಲ್ಲಿ ತೋರಿಸು" ಎಂದು ಹೇಳಿದಾಗ, YZ 0.0145 * 180.16 ಎಂದು ಬರೆದು ಅದು 2,612 ಆಗಿ ಹೊರಹೊಮ್ಮಿತು; ಮೊದಲ ಮೌಖಿಕ ಪ್ರತಿಕ್ರಿಯೆಯು ತಪ್ಪಾಗಿದೆ. ಪಾಠ: ಸರಳ ಗುಣಾಕಾರಕ್ಕಾಗಿಯೂ ಕೋಡ್‌ಗೆ ಆದ್ಯತೆ ನೀಡಿ.

ಪ್ರಕರಣ 2 - ಮಾಪನಾಂಕ ನಿರ್ಣಯದಲ್ಲಿ R² ಪರಿಶೀಲನೆ. ಒಬ್ಬ ಬಳಕೆದಾರರು ಬಿಯರ್-ಲ್ಯಾಂಬರ್ಟ್ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಮಾಡಿದ್ದಾರೆ; ಇದು R² = 0.981 ಎಂದು ತಿರುಗುತ್ತದೆ. AI "ರೇಖೀಯ, ವಿಶ್ವಾಸಾರ್ಹ" ಎಂದು ಹೇಳಿದೆ ಆದರೆ ಹೆಚ್ಚಿನ ಸಾಂದ್ರತೆಯ ಬಿಂದುವು ರೇಖೆಗಿಂತ ಕೆಳಗಿತ್ತು (ಸ್ಯಾಚುರೇಶನ್). ಬಳಕೆದಾರರು ಗ್ರಾಫ್ ಅನ್ನು ನೋಡಿದಾಗ, ಅದು ರೇಖೀಯ ಶ್ರೇಣಿಯಿಂದ ಅತ್ಯುನ್ನತ ಬಿಂದುವನ್ನು ಸರಿಸಿತು, R² 0.999 ಕ್ಕೆ ಏರಿತು. ಪಾಠ: R² ಮಾತ್ರ ಸಾಕಾಗುವುದಿಲ್ಲ; ಉಳಿಕೆಗಳು/ಕಥಾವಸ್ತುವನ್ನು ನೋಡಿ.

ಪ್ರಕರಣ 3 - ಘಟಕ ಗೊಂದಲ. ಒಂದು ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸಾಂದ್ರತೆಯು mg/L ಅಥವಾ g/L ಆಗಿದೆಯೇ ಎಂಬುದು ಅಸ್ಪಷ್ಟವಾಗಿತ್ತು; AI g/L ಅನ್ನು ಊಹಿಸಿದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳು 1000 ಬಾರಿ ತಪ್ಪಾಗಿದೆ. ಬಳಕೆದಾರರು ಕಾಲಮ್ ಘಟಕವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದಾಗ ಅದನ್ನು ಸರಿಪಡಿಸಲಾಗಿದೆ. ಪಾಠ: AI ದುಬಾರಿಯಾಗಿದೆ ಎಂದು ಭಾವಿಸಿ ಯಾವಾಗಲೂ ಘಟಕವನ್ನು ಕಡಿಮೆ ಮಾಡಿ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಮೌಖಿಕ ಸಂಖ್ಯೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಮಾನಸಿಕ ಅಂಕಗಣಿತವನ್ನು ಮಾಡುವ ಬದಲು ಯಾವಾಗಲೂ ವಿನಂತಿಸಿ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ.
• ಘಟಕವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತಿಲ್ಲ. mg/L ಅನ್ನು g/L ನೊಂದಿಗೆ, mL ಅನ್ನು L ನೊಂದಿಗೆ ಬೆರೆಸುವುದು 1000-ಪಟ್ಟು ದೋಷವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
• ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಿಲ್ಲ. ಉತ್ತರ ಗೊತ್ತಿರುವ ಸಣ್ಣ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸದೆ ದೊಡ್ಡ ಡೇಟಾಗೆ ಅನ್ವಯಿಸುವುದು.
• R² ಅನ್ನು ಏಕೈಕ ಮಾನದಂಡವಾಗಿ ಪರಿಗಣಿಸುವುದು. ರೇಖಾತ್ಮಕವಲ್ಲದ ಬಿಂದುಗಳನ್ನು ಸಚಿತ್ರವಾಗಿ ನೋಡದೆ ನಂಬುವುದು.
• ಪರೀಕ್ಷಕ ಕಾರಕವನ್ನು ಬಿಟ್ಟುಬಿಡಿ. ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿಯಲ್ಲಿ ಸೀಮಿತಗೊಳಿಸುವ ಕಾರಕವನ್ನು ನಿರ್ಧರಿಸದೆ ಸೈದ್ಧಾಂತಿಕ ಇಳುವರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು.
• ಮಹತ್ವದ ಹೆಜ್ಜೆಯ ಹೊರಹರಿವು. ಮಾಪನವು 3 ಗಮನಾರ್ಹ ಅಂಕಿಗಳಾಗಿದ್ದಾಗ ಫಲಿತಾಂಶವನ್ನು 8 ಅಂಕೆಗಳಿಗೆ ವರದಿ ಮಾಡುವುದು.

ಎಚ್ಚರಿಕೆ: AI ಬರೆಯುವ ಕೋಡ್ ಕೂಡ ದೋಷಯುಕ್ತವಾಗಿರಬಹುದು (ತಪ್ಪಾದ ಕಾಲಮ್ ಹೆಸರು, ತಪ್ಪು ಸೂತ್ರ). ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡುವುದರಿಂದ ಫಲಿತಾಂಶವು ನಿರ್ಣಾಯಕವಾಗುತ್ತದೆ, ಆದರೆ ಕೋಡ್ ಸರಿಯಾದ ವಿಷಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ ಎಂದು ನೀವು ತಿಳಿದಿರುವ ಉದಾಹರಣೆಯೊಂದಿಗೆ ದೃಢೀಕರಿಸಬೇಕು.

ಸಾರಾಂಶದಲ್ಲಿ

• ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿದ ಪೈಥಾನ್ ಕೋಡ್‌ಗೆ ಬಿಡಿ, ಭಾಷಾ ಮಾದರಿಯ ಮೌಖಿಕ ಊಹೆಗೆ ಅಲ್ಲ.
• ರಾಸಾಯನಿಕ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ, ಡೇಟಾ ಶುಚಿಗೊಳಿಸುವಿಕೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ AI ತ್ವರಿತವಾಗಿ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ.
• ಯಾವಾಗಲೂ ಘಟಕಗಳನ್ನು ಇರಿಸಿ; ಘಟಕ ಗೊಂದಲವು ಅತ್ಯಂತ ದುಬಾರಿ ತಪ್ಪು.
• ಮಾಪನಾಂಕ ನಿರ್ಣಯದಲ್ಲಿ R² ಜೊತೆಗೆ ಉಳಿಕೆಗಳು ಮತ್ತು ಗ್ರಾಫ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ.
• ತಿಳಿದಿರುವ ಉತ್ತರದೊಂದಿಗೆ ಸರಳ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ; ಮಾನವನು ಕೋಡ್‌ನ ನಿಖರತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾನೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಅಥವಾ ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಹೊಂದಿರಿ (ಇಲ್ಲದಿದ್ದರೆ, ಮೇಲಿನ ಬಿಯರ್-ಲ್ಯಾಂಬರ್ಟ್ ಡೇಟಾವನ್ನು ಬಳಸಿ). ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡುವ ಪೈಥಾನ್ ಕೋಡ್‌ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ (ಕೋಡ್, ಫಲಿತಾಂಶವಲ್ಲ). ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ; ನಂತರ ತಿಳಿದಿರುವ ಉತ್ತರಗಳ ಸಣ್ಣ ಮಾದರಿಯೊಂದಿಗೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸಿ. ಒಂದೇ ಲೆಕ್ಕಾಚಾರಕ್ಕಾಗಿ AI ಅನ್ನು ಮೌಖಿಕವಾಗಿ ಕೇಳಿ ಮತ್ತು ಎರಡು ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ: ವ್ಯತ್ಯಾಸವಿದೆಯೇ? ಮಾಪನಾಂಕ ನಿರ್ಣಯದಲ್ಲಿ R² ಮತ್ತು ಉಳಿದಿರುವ ಕಥಾವಸ್ತುವನ್ನು ಅರ್ಥೈಸಿ. ಡಾಕ್ಯುಮೆಂಟ್‌ನಲ್ಲಿ ಕೋಡ್, ಔಟ್‌ಪುಟ್ ಮತ್ತು ಕಿರು ಕಾಮೆಂಟ್ ಅನ್ನು ಹಾಕಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಕೋಡ್‌ನಿಂದ ಪಡೆಯುತ್ತೇನೆ, ಮೌಖಿಕ ಊಹೆಯಿಂದಲ್ಲ.
• [ ] ನಾನು ಪ್ರತಿ ಡೇಟಾ ಕಾಲಮ್‌ನ ಘಟಕವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಸೂಚಿಸುತ್ತೇನೆ.
• [ ] ನಾನು ಕೋಡ್ ಅನ್ನು ಸಣ್ಣ ಮಾದರಿಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸುತ್ತೇನೆ ಅದರ ಉತ್ತರ ತಿಳಿದಿದೆ.
• [ ] ನಾನು ಮಾಪನಾಂಕ ನಿರ್ಣಯದಲ್ಲಿ R² ಪಕ್ಕದಲ್ಲಿ ಉಳಿದ/ಗ್ರಾಫ್ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡುತ್ತೇನೆ.
• [ ] ನಾನು ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿಯಲ್ಲಿ ಸೀಮಿತಗೊಳಿಸುವ ಕಾರಕವನ್ನು ನಿರ್ಧರಿಸುತ್ತೇನೆ.
• [ ] ನಾನು ಫಲಿತಾಂಶಗಳನ್ನು ಸೂಕ್ತವಾದ ಗಮನಾರ್ಹ ಅಂಕಿಗಳೊಂದಿಗೆ ವರದಿ ಮಾಡುತ್ತೇನೆ.