डेटा विज्ञान के लिए एआई प्रॉम्प्ट

नामक एक pandas DataFrame प्रदान कर रहा हूँ। इसका स्कीमा इस प्रकार है:

एक प्रेडिक्टिव मॉडल बनाने वाले डेटा वैज्ञानिक के रूप में कार्य करें। मेरे pandas DataFrame `df` में गुम मान हैं। `df.isnull().sum()` का आउटपुट यहाँ है: `[[PASTE MISSING VALUE COUNTS]]` व्यावसायिक लक्ष्य `[[TARGET_VARIABLE]]` का पूर्वानुमान लगाना है। कॉलम नामों और लक्ष्य के आधार पर, एक विस्तृत इम्पुटेशन रणनीति प्रस्तावित करें। गुम मानों वाले प्रत्येक कॉलम के लिए, एक विधि (mean, median, mode, constant, या मॉडल-आधारित इम्पुटेशन) की सिफारिश करें और एक वाक्य में अपनी पसंद को न्यायसंगत ठहराएं। आउटपुट को एक JSON ऑब्जेक्ट के रूप में प्रारूपित करें जहाँ कीज़ कॉलम नाम हैं और वैल्यू एक और ऑब्जेक्ट हैं जिसमें "method" और "justification" शामिल हैं।

के निम्नलिखित न्यूमेरिक कॉलम में आउटलायर की पहचान करने के लिए इंटरक्वारटाइल रेंज (IQR) विधि का उपयोग करती है:

है। निम्नलिखित कॉलमों को उनके डेटा प्रकारों को सही करने की आवश्यकता है: -

में डुप्लिकेट रिकॉर्ड की पहचान करने के लिए Python कोड उत्पन्न करें। मैं कॉलमों के एक सबसेट के आधार पर डुप्लिकेट की जांच करना चाहता हूँ:

लिखें जो एक स्ट्रिंग लेता है और निम्नलिखित टेक्स्ट क्लीनिंग चरण करता है: 1. टेक्स्ट को लोअरकेस में परिवर्तित करता है। 2. सभी विराम चिह्नों को हटाता है। 3. संख्यात्मक अंकों को हटाता है। 4. सामान्य अंग्रेजी स्टॉप वर्ड्स को हटाता है। 5. Porter Stemmer का उपयोग करके शेष शब्दों को स्टेम करता है। फ़ंक्शन को क्लीन की गई स्ट्रिंग वापस करनी चाहिए।

का उपयोग करके, यूनिवेरिएट एनालिसिस के लिए Python प्लॉट का एक सेट उत्पन्न करें।

में न्यूमेरिक कॉलम के लिए Pearson कोरिलेशन मैट्रिक्स की गणना करने के लिए Python कोड उत्पन्न करें। कॉलम हैं:

में एक कैटेगोरिकल वेरिएबल और कई न्यूमेरिक वेरिएबल्स के बीच संबंध का पता लगाना चाहता हूँ। कैटेगोरिकल वेरिएबल

आवृत्ति पर रिकॉर्ड किया जाता है। एक मौसमी डीकंपोज़िशन करने के लिए

कॉलम शामिल हैं। एक Python स्क्रिप्ट उत्पन्न करें जो: 1.

का प्रतिनिधित्व करता है। इन बिंदुओं को विश्व मानचित्र पर प्लॉट करने के लिए

[[TARGET_VARIABLE, e.g., 'ग्राहक आजीवन मूल्य']]

नामक एक datetime कॉलम वाला एक pandas DataFrame

एक मशीन लर्निंग मॉडल के लिए इंटरेक्शन फीचर्स बनाने के लिए Python कोड उत्पन्न करें। मेरे pandas DataFrame `df` में निम्नलिखित न्यूमेरिक फीचर्स हैं: `[[COLUMN_A, COLUMN_B, COLUMN_C]]`। सभी जोड़ीदार इंटरेक्शन फीचर्स (उदाहरण के लिए, A*B, A*C, B*C) बनाएं। इन नए फीचर्स को DataFrame में जोड़ें।

में निम्नलिखित कैटेगोरिकल कॉलमों को वन-हॉट एन्कोड करने के लिए

को निम्नलिखित समूहों में बिन करके एक नया कॉलम

तिथि द्वारा अनुक्रमित है और इसमें एक लक्ष्य कॉलम

एक AutoML विशेषज्ञ के रूप में कार्य करें। मेरे पास फीचर्स `X` और एक बाइनरी लक्ष्य वेरिएबल `y` के साथ एक प्रीप्रोसेस्ड डेटासेट है। एक पूर्ण Python स्क्रिप्ट उत्पन्न करें जो तीन अलग-अलग बेसलाइन क्लासिफिकेशन मॉडलों को प्रशिक्षित और मूल्यांकन करती है: 1. Logistic Regression 2. Random Forest Classifier 3. Gradient Boosting Classifier (LightGBM का उपयोग करके) प्रत्येक मॉडल के लिए, स्क्रिप्ट को चाहिए: - 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग करें। - माध्य Accuracy, Precision, Recall और F1-score की गणना करें और प्रिंट करें। - आसान तुलना के लिए परिणामों को एक pandas DataFrame में स्टोर करें।

के लिए हाइपरपैरामीटर ट्यूनिंग करने के लिए एक Python स्क्रिप्ट उत्पन्न करें। मेरा फीचर मैट्रिक्स

फीचर्स हैं। नेटवर्क आर्किटेक्चर होना चाहिए: -

पाइपलाइन बनाती है। पाइपलाइन में निम्नलिखित चरण शामिल होने चाहिए: 1. median रणनीति के साथ

है जिसमें एक यूनिवेरिएट टाइम सीरीज़ शामिल है।

लाइब्रेरी का उपयोग करके एक Python स्क्रिप्ट उत्पन्न करें। मान लें कि मेरे पास तीन कॉलम वाला एक pandas DataFrame

में हैं। एक कन्फ्यूजन मैट्रिक्स की गणना और प्लॉट करने के लिए

y_test` (सही लेबल) और `y_pred_proba` (मेरे क्लासिफायर से पॉजिटिव क्लास के लिए अनुमानित संभावनाएं) का उपयोग करके, एक Python स्क्रिप्ट उत्पन्न करें: 1. AUC (Area Under the Curve) स्कोर की गणना करें। 2. ROC (Receiver Operating Characteristic) कर्व प्लॉट करें। 3. तुलना के लिए एक रैंडम क्लासिफायर का प्रतिनिधित्व करने वाली एक विकर्ण रेखा शामिल करें। 4. AUC स्कोर के साथ प्लॉट को लेबल करें।

नामक एक ट्री-आधारित मॉडल (जैसे LightGBM या XGBoost) को प्रशिक्षित किया है। मैं एक विशिष्ट इंस्टेंस

मेरे पास `model` नामक एक प्रशिक्षित `RandomForestClassifier` मॉडल है। मेरे फीचर्स के नाम `[[LIST_OF_FEATURE_NAMES]]` हैं। मॉडल से फीचर इम्पोर्टेंस निकालने, उन्हें उनके नामों से मिलाने और शीर्ष 15 सबसे महत्वपूर्ण फीचर्स को दर्शाने वाला एक क्षैतिज बार प्लॉट बनाने के लिए Python कोड उत्पन्न करें।

) पर फीचर इम्पोर्टेंस की गणना करने के लिए

हैं। मेरे मॉडल के लिए एक कैलिब्रेशन कर्व प्लॉट करने के लिए

[[TARGET_VARIABLE, e.g., 'कर्मचारी टर्नओवर']]

नीचे एक Python स्क्रिप्ट है जो एक प्लॉट उत्पन्न करती है। स्क्रिप्ट के बाद, मैं प्लॉट का वर्णन करूँगा। आपका कार्य व्यावसायिक दर्शकों के लिए इस अंतर्दृष्टि की एक संक्षिप्त, एक-पैराग्राफ व्याख्या लिखना है। तकनीकी शब्दजाल से बचें। `[[PASTE PYTHON PLOT SCRIPT]]` प्लॉट एक बार चार्ट दिखाता है जहाँ 'टियर 1' सपोर्ट श्रेणी में ग्राहकों का औसत मासिक खर्च $150 है, जबकि 'टियर 3' श्रेणी में ग्राहकों का औसत खर्च $45 है। अब, व्यावसायिक सारांश लिखें।

है जिसमें एक A/B टेस्ट के परिणाम हैं। इसमें

एक डेटा विश्लेषक के रूप में कार्य करें। नए "वन-क्लिक चेकआउट" फीचर के लिए A/B टेस्ट के परिणामों की रिपोर्ट करने के लिए उत्पाद टीम को एक ईमेल ड्राफ्ट करें। प्रमुख निष्कर्ष: - कंट्रोल ग्रुप रूपांतरण दर: 3.5% - ट्रीटमेंट ग्रुप (फीचर के साथ) रूपांतरण दर: 4.8% - परिणाम 0.002 के p-value के साथ सांख्यिकीय रूप से महत्वपूर्ण है। - टेस्ट 14 दिनों तक चला जिसमें प्रत्येक ग्रुप में 50,000 उपयोगकर्ता थे। ईमेल को एक स्पष्ट विषय पंक्ति, परिणाम का संक्षिप्त सारांश, प्रमुख संख्याएं और फीचर को रोल आउट करने की सिफारिश के साथ संरचित करें।

मशीन लर्निंग में "ओवरफिटिंग" की अवधारणा को समझाएं जैसे आप एक बिक्री निदेशक को समझाएंगे। एक सादृश्य का उपयोग करें। स्पष्टीकरण को 150 शब्दों के भीतर रखें।

एक डेटा साइंस प्रोजेक्ट README फ़ाइल के लिए एक markdown टेम्पलेट उत्पन्न करें। टेम्पलेट में निम्नलिखित अनुभाग शामिल होने चाहिए: - प्रोजेक्ट शीर्षक (Project Title) - व्यावसायिक समस्या (Business Problem) - डेटा स्रोत (Data Source) - कार्यप्रणाली (डेटा क्लीनिंग, EDA, मॉडलिंग) (Methodology) - परिणाम (Results) - कोड कैसे चलाएं (निर्भरताएँ, निर्देश) (How to Run the Code) - प्रमुख संपर्क (Key Contacts)

(प्रशिक्षित मॉडल फ़ाइल) Dockerfile को चाहिए: 1.

) के लिए एक Python स्क्रिप्ट उत्पन्न करें। इसमें एक एंडपॉइंट

एक Python स्क्रिप्ट स्निपेट उत्पन्न करें जो MLflow का उपयोग करके प्रयोग ट्रैकिंग को प्रदर्शित करता है। स्क्रिप्ट को चाहिए: 1. एक MLflow रन शुरू करें। 2. दो पैरामीटर लॉग करें: `learning_rate` और `n_estimators`। 3. तीन मेट्रिक्स लॉग करें: `accuracy`, `precision` और `recall`। 4. प्रशिक्षित मॉडल को एक आर्टिफैक्ट के रूप में लॉग करें। 5. रन समाप्त करें।

ब्रांच पर प्रत्येक पुश पर चलती है। वर्कफ़्लो का नाम "CI Pipeline" होना चाहिए और निम्नलिखित कार्य करने चाहिए: 1. Python 3.9 सेट अप करें। 2.

def remove_outliers(df, column_name): Q1 = df[[column_name]].quantile(0.25) Q3 = df[[column_name]].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR return df[(df[[column_name]] >= lower_bound) & (df[[column_name]] <= upper_bound)]

में प्रोडक्शन डेटा का एक नया बैच है। एक Python स्क्रिप्ट उत्पन्न करें जो

नामक एक CSV फ़ाइल अपलोड कर रहा हूँ। सबसे पहले, इसे एक pandas DataFrame में लोड करें और एक पूर्ण डेटा प्रोफाइल चलाएं। प्रत्येक कॉलम के लिए गुम मानों, डेटा प्रकारों और बुनियादी सांख्यिकी की पहचान करें। मुझे आउटपुट दिखाएं।" **प्रॉम्प्ट 2 (AI प्रतिक्रिया के बाद):** "धन्यवाद। उस प्रोफाइल के आधार पर, डेटा क्लीनिंग को संभालने के लिए एक Python स्क्रिप्ट उत्पन्न करें। गुम

: integer, 40 के माध्य और 10 के मानक विचलन के आसपास सामान्य रूप से वितरित। -

नामक एक Python क्लास में रीफैक्टर करें। क्लास में होना चाहिए: - एक

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier df = pd.read_csv('data.csv') df = df.dropna() X = df[[['feature1', 'feature2']]] y = df[['target']] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestClassifier(n_estimators=100) model.fit(X_train, y_train) print(model.score(X_test, y_test))

) है जिसके लिए मॉडल ने टर्नओवर की उच्च संभावना (0.92) का पूर्वानुमान लगाया था। एक काउंटरफैक्चुअल स्पष्टीकरण का उपयोग करके इस पूर्वानुमान की व्याख्या करें। सादे अंग्रेजी में, इस ग्राहक के फीचर्स (उदाहरण के लिए,

टेबल है। क्वेरी को मासिक ग्राहक कोहोर्ट्स की रिटेंशन दर की गणना करनी चाहिए। एक ग्राहक का कोहोर्ट उनकी पहली खरीद का महीना है। किसी दिए गए महीने के लिए रिटेंशन उस महीने में खरीद करने वाले कोहोर्ट के ग्राहकों का प्रतिशत है। आउटपुट में तीन कॉलम होने चाहिए:

[['date', 'region', 'sales', 'product_category']]

) है जो pandas मेमोरी में फिट नहीं होगी। कार्य