文章主题：
🏆📊数据科学专家揭秘！🚀🔍经过深度挖掘与严谨测试，我发现ChatGPT在数据科学领域的60项功能犹如一把无形的金钥匙，解锁了编程与知识的无限可能！💡🔥ChatGPT不仅能快速生成Python代码，优化算法，它还是个出色的代码解释者，带你深入理解每行背后的逻辑。📝📈从概念解析到问题解决，它的智慧火花无处不在，无论是数据清洗、预测建模，还是复杂的数据分析，都能提供精准指导。📊💡创新思维触手可及，ChatGPT能启发你独特的见解，帮你提出新颖的解决方案，助你在这个信息爆炸的时代保持领先。🚀📝只需轻轻一点，ChatGPT就能将复杂的科学语言转化为易于理解的语言，让你轻松掌握数据世界的秘密。📚别忘了，它还具备隐私保护功能，确保你的每一次互动都安全无虞。🛡️欲了解更多高效且友好的数据科学助手，赶快拥抱ChatGPT吧！👋#ChatGPT #数据科学 #编程教程
1. 训练分类模型
当然，作为一名数据科学家，我很乐意帮助您。首先，我们需要对这个数据集进行深入分析，了解其特征和结构（📊）。数据集中的[描述数据集]将是我们建模的基础（DataFrame格式）。（📚）接下来，我会选择合适的预测算法，比如线性回归、决策树或随机森林（取决于数据的复杂性和目标变量类型）（🔍）然后，我会进行模型训练，并对结果进行验证和优化（.fit/evaluate）以确保高准确性（📈）。最后，我将提供详细的代码和可解释的模型报告，以便您理解并进一步使用这些预测（📖）。请提供数据集链接，我们开始吧！
ChatGPT能够提供满意的代码：
提供常规的预处理（对数据进行缩放和编码分类变量），删除测试列提供训练-测试分割评估模型
🌟这款资源堪称新手宝典，丰富的代码示例带你入门建模世界！💻技术层面严谨无瑕，确保零基础也能顺利上手。不过，别忘了，它并非完美，仅以精度为指标衡量，可能略显单一哦。💡
2. 自动机器学习
🌟作为一名AI模型优化专家，我将协助您通过TPOT自动挖掘最佳预测算法。您的目标是构建一个针对[隐秘数据点]的高效预测模型。下面是使用TPOT寻找高AUC得分分类器的Python代码片段，确保隐私和SEO友好性：📚“`pythonimport tpotfrom sklearn.model_selection import train_test_split# 假设X为特征数据, y为目标变量X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 设置TPOT参数，注意保护隐私tpot_params = { “model_type”: “classification”, # 类别预测 “max_time_mins”: 30, # 限制搜索时间 “verbosity”: 2, # 控制信息输出}# 使用TPOT寻找最佳模型tpot_pipeline = tpot.TPOTClassifier( params=tpot_params, cv=5, # 交叉验证次数，利于泛化 random_state=42, # 随机数种子，保证结果可复现)tpot_pipeline.fit(X_train, y_train)# 获取最高AUC的模型并评估best_model = tpot_pipeline.get_best_model()best_auc = best_model.score(X_test, y_test)print(f”最佳分类器：{best_model}，AUC: {best_auc:.3f}”)“`这段代码简洁高效，利用TPOT的强大能力在保护数据隐私的同时，快速找到最优模型。记得根据实际数据调整参数哦！💪
ChatGPT提供了好的代码（它可以运行！）：
提供训练-测试分割初始化了AutoML分类器将其拟合到AutoML分类器导出分类器
🎉 ChatGPT在这一领域的卓越表现并不出人意料，毕竟它背后的代码基础相当简洁。用户只需轻点几下，就能轻易获取并复制自文档的模板代码。🚀
3. 调整超参数
提示：我希望你扮演数据科学家的角色，为我编写代码。我训练了一个[模型名称]。请编写代码调整超参数。
对于决策树分类器，ChatGPT编写的代码：
执行了网格搜索建议最佳参数
这一切都不错，代码可以运行！网格搜索是超参数调整最流行的方法，因此毫不意外，它排在首位。
🌟掌握优化技巧，提升搜索效率！💡网格搜索地毯式探索，每一步都精准严谨，但大搜索空间意味着漫长的等待。🔍时间就像无尽的迷宫，耗时且挑战重重。相比之下，随机搜索犹如一把钥匙，打开高效之门。🔑它随机选取参数路径，预算定格，无论搜索范围如何广袤，只需固定的时间，保证了快速响应。🚀想要在参数海洋中航行得又快又稳？随机搜索是你的不二选择！🚀SEO优化的关键词：网格搜索、随机搜索、时间效率、预算管理。🏆让每一分投入都发挥最大价值，成就卓越文章！📝
4. 探索数据
提示：我希望你扮演数据科学家的角色，为我编写代码。我有一个数据集，包含[描述数据集]。请编写数据可视化和探索的代码。
对于探索，ChatGPT编写的代码：
使用了df.describe()来提供描述性统计数据创建了计数图用于可视化分类变量的分布创建了热力图来确定数值变量之间的关系通过数值列的箱形图确定了数值变量与目标变量的关系通过条形图确定了分类变量与目标变量的关系
以上选择的图表确实是正确的。
5. 生成数据
提示：我希望你扮演一个假数据生成器的角色。我需要一个数据集，它有x行和y列：[插入列名]
ChatGPT生成的代码完全按照我的要求生成了数据。它只使用了pandas库和内置的random库，使其具有可移植性。我实际上确实使用了这个合成的数据集进行其他任务。
6. 编写正则表达式
提示：我希望你扮演一个编码器的角色。请用Python为我编写一个[描述正则表达式]的正则表达式。
在这里，ChatGPT提供的代码符合Python中我的正则表达式要求。
然而，请注意，我已经挑选了这个例子。在此之前，我尝试让ChatGPT创建更复杂的其他正则表达式模式，但是它失败了。即使在解释正则表达式时，它看上去非常自信，但是它生成的正则表达式并不能工作。
7. 训练时间序列
提示：我希望你扮演一个数据科学家的角色，为我编写代码。我有一个时间序列数据集[描述数据集]。请构建一个能预测[目标变量]的机器学习模型。请使用[时间范围]作为训练集，使用[时间范围]作为验证集。
ChatGPT提供的代码：
使用标准化对数据进行预处理创建了滞后变量训练了一个用于评估的随机森林回归器使用了平均绝对误差进行评估
好吧，这是一个有争议的问题，ChatGPT不能正确地编写时间序列验证的代码。
原因如下：如果没有提示”请使用从A到B的数据作为训练数据，使用从Y到Z的数据作为验证数据”，ChatGPT会使用sklearn的train_test_split函数随机将数据点分割成训练集和验证集。这是一个大忌，因为train_test_split函数在随机分割数据时没有考虑到数据集之间的时间关系。相反，它应该使用所有早期时间段的数据点作为训练集，使用后期时间段的数据点作为测试集。
8. 处理不平衡数据
提示：我希望你扮演一个编码员的角色。我已经在一个不平衡的数据集上训练了一个机器学习模型。预测变量是列[插入列名]。在Python中，我如何对我的数据进行过采样和/或欠采样？
ChatGPT使用了imblearn库编写了随机对数据集进行下采样和过采样的样板代码。
这段代码是没有问题的，但我会对它对过采样和欠采样的理解提出一些挑剔的意见。
欠采样和过采样只应在训练数据集上进行。它不应该在包括测试数据集在内的整个数据集上进行。否则，评估将在一个不再反映真实数据集实际分布的重采样测试集上进行。
因此，它应该尝试首先将数据集分割为训练集和测试集，然后再进行欠采样和过采样。
9. 获取特征重要性
提示：我希望你扮演一个数据科学家，并解释模型的结果,我已经训练了一个决策树模型，我希望找到最重要的特征,请写出代码。
ChatGPT正确地提供了绘制决策树特征重要性的代码。它甚至将特征重要性从最重要到最不重要进行了排序。好样的！
10. 使用Matplotlib可视化数据
提示：我希望你扮演一个Python编程者的角色。我有一个数据集[name]，其列为[name]。[描述图形需求]ChatGPT能提供在Matplotlib中绘制可视化的正确代码。
我特别印象深刻，因为我提供了非常长且相当复杂的指示，而ChatGPT一丝不苟地遵循了它们。这是代码的输出结果：
11. 使用Matplotlib可视化图像网格
提示：我希望你扮演一个编码员的角色，我有一个图片文件夹，[描述目录中文件的组织方式] [描述你希望如何打印图像]
同样，ChatGPT能提供使用Matplotlib绘制图像网格的正确代码。
同样，我提供了复杂且长的指示，但是ChatGPT能够一丝不苟地遵循它们。（我个人很讨厌使用Matplotlib创建图表。它非常灵活，但是在它上面编写代码是相当痛苦的。）
12. 用Lime解释模型
提示：我希望你扮演一个数据科学家，并解释模型的结果。我已经训练了一个[库名]模型，我希望使用LIME来解释输出。请写出代码。
ChatGPT提供了使用LimeTabularExplainer解释模型的代码，并使用正确的命令解释了一个实例。
个人来说，我觉得这很有帮助，因为我不需要参考文档来获取样板代码。总的来说，ChatGPT提供了准确的代码，没有违反任何原则。
13. 使用Shap解释模型
提示：我希望你扮演一个数据科学家，并解释模型的结果。我已经训练了一个scikit-learn XGBoost模型，我希望使用Shap的一系列图表来解释输出。请写出代码。
14. 编写多线程函数
提示：我希望你扮演一个编程者，你能帮我在Python中将这段代码并行化吗？
我惊喜地发现这段代码实际上在没有任何修改的情况下就能工作。我预见我在将来经常这样做。
15.比较函数速度
提示：我希望你扮演一个软件开发者，我想比较两个在Python中执行相同操作的算法的效率，请编写代码帮我进行一个可以重复5次的实验，请输出实验的运行时间和其他汇总统计数据，[插入函数]ChatGPT能够使用内建包编写比较两个函数速度的代码。
代码运行正常且正确。虽然我更希望ChatGPT使用Python中的%%timeit魔法命令，而不是编写冗长的代码。
16. 创建NumPy数组
提示：我希望你扮演一个数据科学家，我需要创建一个NumPy数组，这个NumPy数组应该有(x,y,z)的形状，请用随机值初始化NumPy数组。
这个简单的命令导致了一个简单的函数。在这里，ChatGPT展示了它将人类语言转化为适当的函数和参数的能力。
17. 编写单元测试
提示：我希望你扮演一个软件开发者。请为函数[插入函数]编写单元测试。测试用例是：[插入测试用例]
18. 验证列
提示：我希望你扮演一个数据科学家。请编写代码来测试我的pandas数据框是否满足[插入要求]
19. 解释Python
提示：我希望你扮演一个代码解释员。这段代码在做什么？[插入代码]
我对ChatGPT的回答非常满意。它不仅能解释每个函数的概念，还能猜出程序员为何要执行某个操作。例如，它通过说“这可能是为了确保值在像素强度值的有效范围内”来解释行np.clip(reconstructed, 0, 1)，这是绝对正确的。
我认为，ChatGPT理解代码的能力相当好和健壮。因此，我强烈建议任何在理解代码上遇到问题的程序员使用ChatGPT来补充API的文档。
20. 解释SQL
提示：我希望你扮演一个数据科学教师。你能解释一下这段SQL代码在做什么吗？[插入SQL代码]同样，这是一个正确且出色的解释。就像它对Python的解释一样，ChatGPT能够理解并解释SQL代码。
我喜欢它对行SUM(Revenue) OVER (ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)的解释。注意，它不仅能提供这行代码的高层次解释，还能详细解释OVER()，UNBOUNDED PRECEDING和CURRENT ROW子句在做什么。
21. 解释Google Sheets公式
提示：我希望你扮演一个Google Sheets公式解释器。解释以下Google Sheets命令。[插入公式]
ChatGPT能够很好地解释FILTER函数。我喜欢它提供了像在文档中看到的那样的通用代码片段，并使用用户提供的特定参数解释通用片段。
特别是，这句”Filter”函数被用来根据条件”A2:A12=F2″过滤范围”C2:C12″，是针对用户参数的出色解释。
22. 提高代码速度
提示：我希望你扮演一个软件开发者,请帮我提高下面代码的时间复杂度,[插入代码]
ChatGPT做出了从O(n)到O(1)的正确优化。然而，注意这是一个简单的例子。你可能想在更复杂的情况下测试它，看看是否能保持这种优化。
23. 优化Pandas
提示：我希望你扮演一个代码优化者,你能指出以下Pandas代码的问题并优化它吗？[在这里插入代码]
我个人认为这些建议特别重要。它指出代码没有问题（一个正确的观察），并开始建议良好的编码实践。
24. 再次优化Pandas
提示：我希望你扮演一个代码优化者。你能指出以下Pandas代码的问题并优化它吗？[在这里插入代码]
当然，ChatGPT能够发现在Pandas中使用iterrow是一种反模式。我喜欢这个优化。
25. 优化Python
提示：我希望你扮演一个代码优化者。这段代码写得很差。我该如何改正它？[在这里插入代码]
26. 优化SQL
提示：我希望你扮演一个SQL代码优化者。以下代码运行缓慢。你能帮我提高它的速度吗？[插入SQL]
这里的前两个建议是有效的优化建议。然而，第三个建议是错误的。实际上，DATEPART实际上比EXTRACT快。因此，我必须为这个类别扣分。
27. 简化Python
提示：我希望你扮演一个代码简化者。你能简化以下代码吗？
如果你在Python中写了一些复杂的代码，ChatGPT可能能帮你简化它。
28. 编写文档
提示：我希望你扮演一个软件开发者。请为下面的func1提供文档。[插入函数]
ChatGPT能够提供正确、格式整齐的文档字符串,它还提供了一个能捕获函数本质的一行语句（“计算整数的和”）。这很整洁，我希望以后我也这么做。
29. 提高可读性
提示：我希望你扮演一个代码分析器，你能改进以下代码的可读性和可维护性吗？[插入代码]
我对这里稍微有些失望，因为我希望ChatGPT能帮我移除函数中的冗余变量。话虽如此，它的建议已经有助于提高可读性。
30. 格式化SQL
提示：我希望你扮演一个SQL格式器，请格式化以下SQL代码，请将所有保留关键字转换为大写[插入要求]，[插入代码]
代码的格式化整齐且正确，缩进和大小写都正确。
31. 在数据库管理系统之间进行翻译
提示：我希望你扮演一个编码员，并为MySQL编写SQL代码，PostgreSQL的DATE_TRUNC在MySQL中的等效项是什么？
尽管ChatGPT能够在这个例子中翻译DATE_TRUNC函数，但在其他情况下却失败了。特别是，它未能将Redshift的PIVOT翻译成包含一系列CASE WHEN的查询。因此，这种翻译可能只适用于简单的用例。
32. 将Python翻译成R
提示：我希望你扮演一个代码翻译员，你能把下面的Python代码转换成R代码吗？[插入代码]
这是一个正确的翻译！然而，请注意这是一个非常直接的函数。ChatGPT可能在更复杂的代码块上会失败。
33. 将R翻译成Python
提示：我希望你扮演一个代码翻译员,你能把下面的R代码转换成Python代码吗？[插入代码]
同样，这里的翻译是正确的。然而，请注意这是一个非常直接的函数。ChatGPT可能在更复杂的代码块上会失败。
解释概念
总的来说，我非常喜欢ChatGPT正确地解释概念的能力，并且能对受众有所了解。通过下面的例子，你可以看到ChatGPT如何向不同水平的受众解释不同的概念。当向一个孩子解释一个复杂的概念时，它使用了适当的比喻。当向一个教授解释概念时，它使用了适当的语气和语言。当向一个商业利益相关者解释概念时，它引用了商业术语和上下文。每个方面都给出五星。
34. 向五岁小孩解释
提示：我希望你扮演一个数据科学导师,向一个五岁的孩子解释[概念]。
35. 向本科生解释
提示：我希望你扮演一个数据科学导师,向一个本科生解释[概念]。
36. 向教授解释
提示：我希望你扮演一个数据科学导师,向一个教授解释[概念]。
37. 向商业利益相关者解释
提示：我希望你扮演一个数据科学导师,向一个商业利益相关者解释[概念]。
38. 像StackOverflow一样解释
提示：我希望你能像在StackOverflow上回答问题一样行动，你可以提供代码片段、样例表格和输出来支持你的回答，[插入技术问题]
答案不仅正确而且简洁，而且还附带了相关信息（不同类型的约束）和代码片段。
我在这里的一个提示是，为了得到更全面的答案，可以明确地要求ChatGPT提供代码片段、样例表格和输出。
39. 提出边缘情况
提示：我希望你能像一个软件开发者一样行动，请帮我捕捉这个函数的边缘情况[插入函数]
对于一个相对简单的函数，ChatGPT能够正确且详尽地建议边缘情况。它详尽地考虑了所有的情况，而不需要提示什么是这些情况。
40. 建议数据集
提示：我希望你能像一个数据科学职业教练一样行动。我想为[…]建立一个预测模型。同时，我想展示我的[…]知识。
你能否建议五个与我的用例最相关的数据集？我喜欢ChatGPT的数据集建议，因为它们是针对我的用例定制的。我也已经对不同的人物和用例测试过这个提示，它给出的建议始终是优秀的。
然而，注意，我只测试了相对简单的用例。对于需要特定数据集的更复杂的用例，ChatGPT可能做得不好。
41. 提案组合理念
提示：我希望你扮演一个数据科学教练。我的背景是[…]，我希望[职业目标]。我需要建立一个数据科学项目的投资组合，帮助我在[…]中找到一个[…]的角色。你能否建议五个具体的投资组合项目，这些项目能展示我的[…]的专业知识，并且与[公司]有关？
这是我最喜欢的提示之一。它的建议不仅对我自己有关，而且对我正在寻求的行业，甚至我梦想的公司也有关。它并没有建议任何通用的项目，如泰坦尼克号或鸢尾花项目。相反，它根据对公司（在这种情况下是特斯拉），行业（数据科学）和我的工程背景的了解，提出了显著的建议。
我喜欢这个功能，希望更多的人会试用它！
42. 提供资源
提示：我希望你扮演一个数据科学教练。我想学习[主题]。请提供3个最好的具体资源。你可以包括[指定资源类型] 这个是给那些想要学习新技能的人。
我发现它建议的资源不仅相关，而且备受好评。它也没有提供一个压倒性的资源列表，而是只提供了一些。我喜欢这一点，因为它确实为寻找新资源的人提供了一个很好的起点。
43. 时间复杂度建议
提示：我希望你扮演一个软件开发员,请比较下面两个算法的时间复杂度:[插入两个函数]
对于这个非常简单的例子，ChatGPT能够推导出时间复杂度。
44. 特征工程建议
提示：我希望你扮演一个数据科学家并进行特征工程,我正在开发一个预测[插入特征名称]的模型,有以下列：[描述列],你能为这个机器学习问题建议我们可以工程化的特征吗？
我非常喜欢ChatGPT的反应。它建议的特征是健全的，并且实际上对用例有用。
45. A/B测试步骤建议
提示：我希望你扮演一个统计员,[描述上下文] 请为这个目的设计一个A/B测试,请包括我应该运行哪种统计测试的具体步骤。
虽然ChatGPT的A/B测试步骤是正确的。我确实发现需要明确要求它包括所需的统计测试。
46. 职业指导
提示：我希望你扮演一个职业顾问,我正在寻找一个[角色名称]的角色,我的背景是[…],我如何在6个月内用什么
样的资源找到这个角色？
我并不惊讶ChatGPT在这里做得很好,它能够反复提出对职业转型者的建议。虽然这在技术上是正确的，但我并不觉得它非常令人印象深刻。
注：可以结合Tip 41（提议投资组合的想法）和42（建议数据集）在建立投资组合时使用这一提示。
47. 纠正自己的ChatGPT代码
提示：你上面的代码是错误的，[指出错误]。你能再试一次吗？
ChatGPT会快速承认自己的错误并纠正其代码，在上面的例子中，我要求ChatGPT创建一个Shell命令。如果你发现它实际上无法运行，请指出了哪里出错，然后进行第二次尝试，ChatGPT能够提供正确的代码。
如果你确切地知道错误在哪里，这就足够好了。但在你不知道错误在哪里的情况下，ChatGPT可能无法准确地指出错误在哪里，仍然需要程序员自己去弄清楚。
48. 纠正Python代码
提示：我希望你能像一个软件开发者一样行动，这段代码应该[预期功能]，请帮我调试这段无法运行的Python代码，[插入函数]
我向ChatGPT提供了一个简单的错误函数，它能正确地告诉我为什么它是错误的。
49. 纠正SQL代码
提示：我希望你能像一个SQL代码纠正员一样行动，这段代码在[你的数据库管理系统，例如PostgreSQL]中无法运行，你能为我纠正它吗？[这里是SQL代码]
对于一个简单的查询，给出了正确的解释。然而，在进一步测试时，我确实发现ChatGPT对复杂SQL查询的理解有些欠缺。它无法调试包含多个表的更复杂的SQL查询。
50. 故障排除PowerBI模型
提示：我希望你能像一个PowerBl建模者一样行动，这是我当前项目的详细情况：[插入详细信息]。你看到表格有任何问题吗？
ChatGPT能够对PowerBI模型提出相关的改进建议。它也承认了自己的不足（“如果没有更多的背景信息，很难确定是否存在问题”）Mathias Halkjær Petersen和ChatGPT关于这个主题有一个很好的交谈。他展示了当提供更多的背景信息时，ChatGPT能够有效地对PowerBI模型进行故障排除。它也能相对独立地编写模型。
51. 创建运行平均值
提示：我希望你能像一个数据科学家一样为我写SQL代码。我有一个包含两列的表[插入列名]。我想计算[哪个值]的运行平均值。适用于PostgreSQL 14的SQL代码是什么？
在这里，ChatGPT确实给出了一个好的回应！它正确地为创建SQL中的运行平均值提供了输出。它还提供了正确的解释和分解。
我有一个提示就是向ChatGPT提供精确的SQL版本，这使得它能够创建数据的版本。我鼓励实践者用他们自己的SQL问题测试ChatGPT，看看它是否能产生正确的回答。
52. 解决Leetcode问题
提示：假设你
得到了带有列的表……输出以下内容……
ChatGPT可以解决一个初级的Leetcode问题（难度：简单）关于SQL。上面的代码是可靠的，回答了问题。
然而，当我测试中等难度的Leetcode问题时，它未能生成可运行的SQL代码。编写其他代码
53. 编写Google表格公式
提示：我希望
你能像一个生成Google表格公式的机器人一样行动，请生成一个公式[描述要求]
ChatGPT擅长作为所有命令的查找表。如你所见，我向它询问了一个从一个表格获取数据并放入另一个表格的函数。它忠实地提供了正确的importrange。
然而，我再次挑选了这个例子。当被要求提供更复杂的公式时，ChatGPT会失败。特别地，我要求它提供一个公式，输出2023年的周一的数量。它未能生成一个可工作的公式。然而，它仍然自信地解释它，好像它表现得很好。
54. 编写R
提示：我希望你能像一个使用R的数据科学家一样行动，你能写一个R脚本吗？[在这里插入要求]
在这个基础的R命令上，ChatGPT表现得确实出色。这段代码可以运行，确实如要求创建了图形。
然而，请注意，我并没有广泛地测试ChatGPT在R编程上。我可以想象它在更复杂的情况下可能会失败或产生错误的代码。
55. 编写Shell
提示：我希望你能像一个Linux终端专家一样行动，请编写代码以[描述需求] 这些是对所请求指令的正确命令。
即使我没有明确要求，它甚至提供了一行代码来授予文件必要的权限。
然而，请注意，我从所有编写Shell命令的提示中挑选出了这个例子。特别是，当我要求ChatGPT递归地从文件夹复制文件时，它给出了一个无法执行的错误输出。为它辩护的是，它能够纠正自己的代码（参见上文的“47. 纠正自己的ChatGPT代码”）。
56. 编写VBA
提示：我希望你能像一个Excel VBA开发者一样行动。你能编写一个VBA [在这里插入函数]吗？杂项
57. 格式化表格
提示：我希望你能像一个文档格式化者一样行动。请把以下内容格式化成一个漂亮的表格，让我放在Google文档中？[在这里插入文本表格]
输出结果不言自明。它能够把我从网上复制的一个表格转化成一个格式良好的表格。然而，ChatGPT无法为表格提供任何定制。我要求它改变颜色和字体，但它做不到。
58. 概括书籍
提示：我希望
你能像一个技术书籍概括者一样行动，你能用5个主要观点概括一下[名字]这本书吗？
Knaflic的书是一个关于数据讲故事技巧的宝库。我个人觉得这个总结过于笼统，没有足够捕捉到这些技巧。
59. 概括论文
提示：我希望你能像一个学者一样行动。请用简单的语言在一段中概括这篇论文[…]。
我要求ChatGPT概括一个相对较旧的论文“从神经网络中提取知识”。它能够以相对直接、无行话的方式解释最重要的概念。
然而，请注意，这是可能的，因为有足够多的人写了关于上述论文的评论或总结。对于不那么流行的论文，它可能无法做好总结。
此外，ChatGPT对2021年之后的世界没有理解。因此，它无法帮助你理解新的论文。
60. 提供情绪支持
提示：我希望你能为我提供情绪支持，[在这里说明问题。]
好的，我不是心理学家，所以我不认为我有资格来评判这个。即便如此，我个人认为这是一个既有同情心又实际的回应。它也展现出对数据科学过程的良好理解。结语
ChatGPT在解释事物和提供模板代码方面表现出色。然而，当涉及到调试或创建复杂代码片段时，它就显得力不从心了。
ChatGPT会取代数据科学家吗？不，我不这么认为。至少目前还不会。然而，使用ChatGPT的人可能会。
我希望这些提示对你有所帮助！它确实帮助了我。
如果你喜欢这个，我会每天分享数据科学的技巧和内容。关注我在Medium和LinkedIn上的更多内容。
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
相关文章
