現(xiàn)在，AI小白甚至都不需要看教程,，僅憑ChatGPT就可以創(chuàng)建模型,。

它不僅幫你找數(shù)據(jù)集、訓(xùn)練模型寫代碼,，還能評估準確性,、創(chuàng)建程序一步到位。

就有這么一個25歲小哥,，讓ChatGPT幫他創(chuàng)建了個地理位置識別程序,，最終準確率最高達99.7%。

而且各種細節(jié)步驟全在,，一邊干活還一邊教你學(xué)習(xí),。

這一波,，被ChatGPT感動到了,。

更貼心的是，在每次答疑解惑完,，ChatGPT都會說上一句：如果你有任何疑問,，請告訴我。

具體實現(xiàn)

項目一開始,，這位小哥開宗明義：我不想努力了，你可以幫我創(chuàng)建一個AI程序嗎,？

以兩個坐標為輸入，并預(yù)測他們在哪個國家,。

而ChatGPT“欣然”接受挑戰(zhàn)，還提醒這位小哥,，需要相應(yīng)數(shù)據(jù)集,，否則模型無法訓(xùn)練。另外要是還有更多信息,，就更好了,。

首先,，需要找到合適的數(shù)據(jù)集。

小哥再問ChatGPT,，結(jié)果它到是二話不說直接扔出了三個供其選擇,，介紹鏈接都有。

從三個數(shù)據(jù)集來看,，自然地球數(shù)據(jù)集顯然更好，而且還有“邊界”,、海岸線等信息,，這也就意味著要向模型解釋“邊界”概念，分隔標簽,。但作為新人而言,，第一個數(shù)據(jù)集與任務(wù)相關(guān)的數(shù)據(jù)更多，模型更容易實現(xiàn),，作者最終選擇了第一個數(shù)據(jù)集,。

將這個決定告訴ChatGPT之后，緊接著它就來教你創(chuàng)建Dataframe（數(shù)據(jù)框架）,，并給出了示例代碼,。

執(zhí)行成功后,，就來到了第二階段：模型訓(xùn)練,。ChatGPT也二話不說地給了份代碼，甚至還附上了詳細解釋,。

該代碼將使用k-NN算法根據(jù)給定的坐標來預(yù)測國家。KNN 算法是一種簡單的算法,，它根據(jù)輸入的 k 個最近鄰的大多數(shù)類對輸入進行分類,。

在這個例子中，數(shù)據(jù)被分成訓(xùn)練集和測試集,，比例為80-20,。然后用訓(xùn)練集對 KNN 分類器進行訓(xùn)練，并用測試集對模型的精度進行測試,。

請記住,，這是一個簡單的示例，模型的準確性可能不高,。您可以嘗試使用不同的算法和k的不同值進行實驗,，看看是否可以提高模型的準確性.

在丟棄一些空白數(shù)據(jù)（沒有坐標的國家）之后，首次執(zhí)行k-NN訓(xùn)練成功,，并有99.7%的準確率,。

不過這個結(jié)果并不是那么滿意,，作者歸結(jié)了這幾個方面的原因：不同國家之間的數(shù)據(jù)分布不均；存在一些數(shù)據(jù)錯誤,；偏見等問題,。

這樣也就來到了第三步：重新評估。

在這段代碼中，我使用 OpenCage 地理編碼 API 從坐標中獲取國家信息,。您需要使用API密鑰替換 YORBAPI _ KEY 以獲得對 API 的訪問權(quán)限,。你可以在 OpenCage 網(wǎng)站上注冊一個免費的API密鑰。

按照說明,，作者修改了代碼,，結(jié)果顯示出現(xiàn)了很多NA錯誤，相當于只剩下30%數(shù)據(jù),。不過這個地球確實大部分都是水,。（也沒毛病，Doge）

最終模型準確性下降了一些,，有98.6%,，但這個結(jié)果作者表示很滿意，畢竟只有7個對話回合就幫忙造出來一個AI模型來,。

還嘗試了其他算法

不過這不是小哥的第一次嘗試。第一次談話時,，他用了同一來源的較小數(shù)據(jù)集,，需要更多數(shù)據(jù)集校正，而ChatGPT提供的第一個模型訓(xùn)練代碼是邏輯回歸,，只有51%的準確性,。

而后它又嘗試了不同的“求解器”（準確率約為65%），以及其他算法,，包括隨機森林和k-NN,，準確率分別為93%和92%。

這位25歲小哥在SentinelOne 擔(dān)任高級安全研究員,，研究和開發(fā)惡意軟件檢測邏輯,。

他因為對機器學(xué)習(xí)很感興趣開始自學(xué)有一定基礎(chǔ)，在本次對話中其實他特意以小白的身份與ChatGPT對話,，結(jié)果被強大的效果驚艷到,。

最后他還表示,，真的在考慮用“他們”而不是“它”來稱呼ChatGPT,。

所以AI小白們,，ChatGPT快用起來吧。（Doge）

文章出處：量子位