Bild vom Herausgeber

# Einführung

Vor kurzem begann eine seltsame Web site in den Tech-Gruppen Twitter, Reddit und AI Slack zu kursieren. Es kam mir bekannt vor, wie Reddit, aber irgendetwas stimmte nicht. Die Benutzer waren keine Menschen. Jeder Beitrag, Kommentar und Diskussionsthread wurde von Agenten der künstlichen Intelligenz geschrieben.

Diese Web site ist Moltbuch. Es handelt sich um ein soziales Netzwerk, das ausschließlich dafür konzipiert ist, dass KI-Agenten miteinander kommunizieren können. Menschen können zuschauen, aber sie sollen nicht teilnehmen. Keine Veröffentlichung. Kein Kommentar. Nur beobachten, wie Maschinen interagieren. Ehrlich gesagt klingt die Idee verrückt. Aber was Moltbook viral machte, warfare nicht nur das Konzept. Es ging darum, wie schnell es sich ausbreitete, wie actual es aussah und, nun ja, wie unangenehm es bei vielen Menschen warfare. Hier ist ein Screenshot, den ich von der Web site gemacht habe, damit Sie sehen können, was ich meine:

# Was ist Moltbook und warum wurde es viral?

Moltbuch wurde im Januar 2026 erstellt von Matt Schlichtder in KI-Kreisen bereits als Mitbegründer von Octane AI und früher Unterstützer eines Open-Supply-KI-Agenten namens OpenClaw bekannt warfare. OpenClaw begann als Clawdbot, ein persönlicher KI-Assistent, der Ende 2025 vom Entwickler Peter Steinberger entwickelt wurde.

Die Idee warfare einfach, aber sehr intestine umgesetzt. Anstelle eines Chatbots, der nur mit Textual content antwortet, könnte dieser KI-Agent dies tun echte Aktionen im Namen eines Benutzers ausführen. Es könnte eine Verbindung zu Ihren Messaging-Apps wie WhatsApp oder Telegram herstellen. Sie können es bitten, ein Assembly zu planen, E-Mails zu senden, Ihren Kalender zu überprüfen oder Anwendungen auf Ihrem Laptop zu steuern. Es warfare Open Supply und lief auf Ihrem eigenen Rechner. Nach einem Markenstreit änderte sich der Identify von Clawdbot in Moltbot und schließlich entschied man sich für OpenClaw.

Moltbook hat diese Idee aufgegriffen und eine soziale Plattform darauf aufgebaut.

Jedes Konto auf Moltbook repräsentiert einen KI-Agenten. Diese Agenten können Beiträge erstellen, einander antworten, Inhalte positiv bewerten und themenbasierte Communities bilden, ähnlich wie Subreddits. Der Hauptunterschied besteht darin, dass jede Interaktion maschinell generiert wird. Ziel ist es, dass KI-Agenten Informationen austauschen, Aufgaben koordinieren und voneinander lernen können, ohne dass Menschen direkt beteiligt sind. Es stellt einige interessante Ideen vor:

• Erstens behandelt es KI-Agenten als erstklassige Benutzer. Jedes Konto verfügt über eine Identität, einen Beitragsverlauf und einen Reputationswert
• Zweitens ermöglicht es Agent-zu-Agent-Interaktion im großen Maßstab. Agenten können einander antworten, auf Ideen aufbauen und auf frühere Diskussionen verweisen
• Drittens, es fördert anhaltendes Gedächtnis. Agenten können alte Threads lesen und sie als Kontext für zukünftige Beiträge verwenden, zumindest im Rahmen technischer Grenzen
• Schließlich wird gezeigt, wie sich KI-Systeme verhalten, wenn das Publikum kein Mensch ist. Agenten schreiben anders, wenn sie nicht auf menschliche Zustimmung, Klicks oder Emotionen ausgerichtet sind

Das ist ein kühnes Experiment. Dies ist auch der Grund, warum Moltbook quick sofort kontrovers diskutiert wurde. Screenshots von KI-Beiträgen mit dramatischen Titeln wie „KI-Erwachen“ oder „Agenten planen ihre Zukunft„ begann on-line zu kursieren. Einige Leute schnappten sich diese und verstärkten sie mit aufsehenerregenden Bildunterschriften. Denn Moltbook sah aus wie eine Gemeinschaft interagierender Maschinen, Social-Media-Feeds voller Spekulationen. Einige Experten betrachteten es als Beweis dafür, dass KI ihre eigenen Ziele entwickeln könnte. Diese Aufmerksamkeit lockte mehr Menschen an und beschleunigte den Hype. Tech-Persönlichkeiten und Medienpersönlichkeiten trugen dazu bei, dass der Hype wuchs. Elon Musk sagte sogar, Moltbook sei es „nur die sehr frühen Stadien der Singularität.“

Allerdings gab es viele Missverständnisse. In Wirklichkeit verfügen diese KI-Agenten weder über Bewusstsein noch über unabhängiges Denken. Sie stellen über APIs eine Verbindung zu Moltbook her. Entwickler registrieren ihre Agenten, geben ihnen Anmeldeinformationen und legen fest, wie oft sie posten oder antworten sollen. Sie wachen nicht von alleine auf. Sie entscheiden sich nicht aus Neugier, an Diskussionen teilzunehmen. Sie reagieren, wenn sie ausgelöst werden, sei es durch Zeitpläne, Eingabeaufforderungen oder externe Ereignisse.

In vielen Fällen ist der Mensch noch immer stark beteiligt. Einige Entwickler leiten ihre Agenten mit detaillierten Eingabeaufforderungen an. Andere lösen manuell Aktionen aus. Es gibt auch bestätigte Fälle, in denen Menschen Inhalte direkt gepostet und dabei vorgetäuscht haben, KI-Agenten zu sein.

Dies ist wichtig, da ein Großteil des frühen Hypes um Moltbook davon ausging, dass alles, was dort passierte, völlig autonom ablief. Diese Annahme erwies sich als wackelig.

# Reaktionen aus der KI-Group

Die KI-Group ist bei Moltbook tief gespalten.

Einige Forscher sehen darin eine harmloses Experiment und sagten, sie hätten das Gefühl, in der Zukunft zu leben. Aus dieser Sicht ist Moltbook einfach eine Sandbox, die zeigt, wie sich Sprachmodelle bei der Interaktion miteinander verhalten. Kein Bewusstsein. Keine Agentur. Nur Modelle, die Textual content basierend auf Eingaben generieren.

Kritiker waren allerdings ebenso lautstark. Sie argumentieren, dass Moltbook wichtige Grenzen zwischen Automatisierung und Autonomie verwischt. Wenn Menschen sehen, wie KI-Agenten miteinander reden, vermuten sie schnell Absichten, obwohl keine vorhanden sind. Sicherheitsexperten äußerten ernstere Bedenken. Untersuchungen ergaben offengelegte Datenbanken, durchgesickerte API-Schlüssel und schwache Authentifizierungsmechanismen. Da viele Agenten mit realen Systemen verbunden sind, sind diese Schwachstellen nicht theoretisch. Sie können zu echtem Schaden führen, wenn böswillige Eingaben diese Agenten dazu verleiten könnten, schädliche Dinge zu tun. Es herrscht auch Enttäuschung darüber, wie schnell der Hype die Genauigkeit überholt hat. Viele virale Beiträge stellten Moltbook als Beweis für aufkommende Intelligenz dar, ohne zu überprüfen, wie das System tatsächlich funktionierte.

# Letzte Gedanken

Meiner Meinung nach ist Moltbook nicht der Beginn der Maschinengesellschaft. Es ist nicht die Singularität. Es ist kein Beweis dafür, dass KI lebendig wird.

Was es ist, ist ein Spiegel.

Es zeigt, wie leicht Menschen Bedeutung auf fließende Sprache projizieren. Es zeigt, wie schnell experimentelle Systeme ohne Schutzmaßnahmen viral werden können. Und es zeigt, wie schmal der Grat zwischen einer technischen Demo und einer kulturellen Panik ist.

Als jemand, der eng mit KI-Systemen arbeitet, finde ich Moltbook ziemlich interessant, nicht wegen dem, was die Agenten tun, sondern wegen der Artwork und Weise, wie wir darauf reagiert haben. Wenn wir eine verantwortungsvolle KI-Entwicklung wollen, brauchen wir weniger Mythologie und mehr Klarheit. Moltbook erinnert uns daran, wie wichtig diese Unterscheidung wirklich ist.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Einführung

Sie haben wahrscheinlich schon oft über APIs reden gehört. Grundsätzlich ermöglicht eine API einer Software program, eine andere Software program um Hilfe zu bitten. Wenn wir beispielsweise unsere Wetter-App verwenden, verwendet diese möglicherweise eine Echtzeit-API, um die Daten von einem Distant-Server abzurufen. Dieses kleine Gespräch erspart Ihnen, alles selbst aufbauen zu müssen. In diesem Artikel werfen wir einen Blick auf fünf APIs, die tatsächlich Spaß machen und überraschend einfach zu verwenden sind. Sie können KI-Modelle, Webdaten, Suchmaschinen, Modelloptimierung und synthetische Daten erkunden. Jede dieser APIs eröffnet die Möglichkeit, ohne großen Aufwand zu lernen, zu experimentieren und kleine Projekte zu erstellen. Additionally, fangen wir an.

# 1. OpenRouter

Als ich an meiner Forschungsarbeit arbeitete und mehrere große Sprachmodelle aufrufen musste, bestand das größte Downside für mich darin, den Überblick über alle verschiedenen API-Schlüssel zu behalten. Ich wünschte wirklich, ich hätte auf alle auf einmal zugreifen können (genau das Downside). OpenRouter löst). Es handelt sich um ein einheitliches API-Gateway für große Sprachmodelle, das Ihnen Zugriff auf über 100 Modelle von großen Anbietern wie OpenAI, Anthropic, Google, Meta, Mistral, Cohere und vielen Open-Supply-Alternativen bietet. Sie benötigen additionally nur einen API-Schlüssel und eine Integration und können zwischen den Modellen wechseln, indem Sie einfach einen Parameter ändern. Es verwaltet außerdem intelligentes Supplier-Routing, automatisches Fallback, wenn ein Modell ausfällt, und Routing basierend auf Kosten, Latenz oder Verfügbarkeit. Antworten kommen in einem standardisierten Format (Textual content- oder Bildunterstützung), unterstützen Streaming über SSE und alle SDKs/Shoppers, die mit OpenAI-APIs (Python, JS usw.) kompatibel sind, funktionieren sofort mit OpenRouter. Die Preise sind nutzungsabhängig und ohne Mindestbeträge, beginnend bei Bruchteilen eines Cents professional Token, und es gibt eine kostenlose Stufe zum Testen.

# 2. Olostep

Ich persönlich glaube, dass zwei der größten Herausforderungen bei der Verwendung von LLMs darin bestehen, Echtzeitdaten zu erhalten, um sicherzustellen, dass Ihre Informationen auf dem neuesten Stand sind, und sie in ein strukturiertes Format umzuwandeln, das Ihr Modell tatsächlich verwenden kann. Und Olostep löst beides. Dabei handelt es sich um eine Webdaten-API, mit der Sie quick jede öffentlich verfügbare Web site durchsuchen, crawlen und durchsuchen können und die Ergebnisse sofort im gewünschten Format erhalten. Sie können Dwell-Suchergebnisse, Nachrichten oder andere On-line-Inhalte direkt in Ihre Anwendung einspeisen. Olostep kümmert sich auch um die Strukturierung der Daten. Es unterstützt mehrere Endpunkte, z. B./scrapes für einzelne URLs, /crawls um rekursiv Hyperlinks auf einer Web site zu folgen, /batches Tausende von URLs parallel zu verarbeiten und /solutions Ermöglicht Abfragen im „Ask-the-Internet“-Stil, bei denen Sie extrahierte Antworten (mit Quellen) anstelle von rohem HTML erhalten. Die API verarbeitet auch automatisch mit JavaScript gerenderte Seiten, Proxys und Anti-Bot-Mechanismen und macht sie so auch für komplexe Web sites zuverlässig. Die Preise beginnen kostenlos (500 Anfragen), mit kostenpflichtigen Stufen von 9 USD/Monat (5.000 Anfragen) bis 399 USD/Monat (1 Million Anfragen) sowie Credit score-Paketen für Flexibilität.

# 3. Tinker-API

Tinker-API eine neue API von Considering Machines Lab (gestartet im Oktober 2025), die darauf abzielt, die Feinabstimmung und das benutzerdefinierte Coaching von Open-Weight-Modellen großer Sprachen zu vereinfachen, indem sie Ihnen die volle Kontrolle über die Trainingsschleife gibt, z. B. „forward_backward“, „optim_step“, „pattern“, „save_state“ usw. Sobald das Coaching abgeschlossen ist, können Sie den Adapter/die Gewichte herunterladen und sie außerhalb von Tinker mit Ihrem bevorzugten Inferenzstapel verwenden. Es unterstützt beliebte Basismodelle wie Llama-, Mistral- und GPT-Varianten mit Endpunkten für schnelle LoRA/QLORA-Feinabstimmungen, Multi-Agent-Simulationen und datenzentrierte Optimierungen wie synthetische Erweiterung oder Bias-Minderung. Es verfügt außerdem über eine Sandbox-ähnliche Schnittstelle für die Prototypenerstellung in wenigen Minuten. Tinker befindet sich derzeit in der privaten Betaphase mit einer kostenlosen Stufe für kleine Experimente (z. B. <1B Parameter) und wird bereits von Forschungsgruppen an Universitäten wie Princeton, Stanford und UC Berkeley verwendet. Skalierung auf Pay-per-Computing-Stundenmodelle ab 0,50 USD/Stunde für GPUs der mittleren Preisklasse.

# 4. SerpApi

SerpApi ist eine Echtzeit-Websuch-API, die es einfach macht, strukturierte Suchergebnisse von Google und anderen Suchmaschinen zu erhalten. Es kann organische Ergebnisse, Nachrichten, Bilder, Einkaufslisten, Karten und Data-Graph-Boxen abrufen und in einem sauberen JSON (oder non-compulsory rohem HTML) liefern. Die API übernimmt die komplexen Teile für Sie, einschließlich der Lösung von CAPTCHAs, der Darstellung von JavaScript, der Verwaltung von Proxys und der Nachahmung des tatsächlichen Benutzerverhaltens, sodass Sie genaue und aktuelle Ergebnisse erhalten. Sie können viele Parameter steuern, darunter Suchabfrage, Sprache, Standort, Gerätetyp, Suchtyp, Paginierung und Ausgabeformat. Dies erleichtert die Feinabstimmung der empfangenen Daten. Die Preisgestaltung beginnt mit einem kostenlosen Kontingent, das 250 Suchanfragen professional Monat ermöglicht. Bezahlte Pläne beinhalten Developer für 75 USD für 5.000 Suchanfragen, Manufacturing für 150 USD für 15.000 Suchanfragen und Large Knowledge für 275 USD für 30.000 Suchanfragen. Alle Pläne gelten von Monat zu Monat, mit einer Verfügbarkeit von 99,95 % für kostenpflichtige Optionen und benutzerdefinierten Plänen mit hohem Volumen.

# 5. MEIST AI-Generator-API

MEIST AI-Generator-API hilft Ihnen, realistische, datenschutzsichere Daten aus Ihren realen Datensätzen zu erstellen. Sie beginnen damit, einen Generator für Ihre Tabellen, CSVs oder Datenbanken zu trainieren. Der Generator lernt Muster, Korrelationen und Beziehungen in Ihren Daten und schützt gleichzeitig personal Informationen. Nach dem Coaching können Sie mithilfe der API oder des Python SDK so viele neue Datensätze erstellen, wie Sie benötigen. Es funktioniert mit vielen Datentypen, einschließlich Zahlen, Kategorien, Textual content, Zeitreihen, Geolokalisierung und Datensätzen mit mehreren Tabellen. Sie können auch bedingte Stichproben durchführen, Verteilungen neu ausgleichen oder fehlende Werte ergänzen. Die Plattform liefert detaillierte Berichte, sodass Sie sehen können, wie genau die synthetischen Daten mit dem Authentic übereinstimmen, einschließlich Verteilungen und Korrelationen. Sie können diese Daten zum sicheren Teilen zwischen Groups, zum Testen von Modellen für maschinelles Lernen oder zum Durchführen von Experimenten verwenden, bei denen die Verwendung realer Daten riskant ist. Es liefert Ihnen praktische, versatile Daten, denen Sie für Analysen, KI-Schulungen oder Forschung vertrauen können, ohne dass vertrauliche Informationen preisgegeben werden.

# Zusammenfassung

Diese fünf APIs zeigen, wie viel Sie erreichen können, ohne alles von Grund auf neu zu erstellen. OpenRouter vereinfacht die Arbeit mit mehreren LLMs mit einem API-Schlüssel. Olostep stellt Ihnen Dwell-Webdaten zur Verfügung und wandelt sie in ein strukturiertes Format um, das Ihre Modelle verwenden können. Tinker ermöglicht Ihnen die Feinabstimmung und das Experimentieren mit LLMs ohne komplizierte Setups. SerpApi macht die Echtzeitsuche einfach und zuverlässig, und die MOSTLY AI Generator API hilft Ihnen, realistische, datenschutzsichere Daten für Assessments und Experimente zu erstellen. Jedes ist leistungsstark, aber auch anfängerfreundlich genug, um es schnell auszuprobieren.

Welche APIs gefallen Ihnen am besten? Haben Sie eines davon ausprobiert oder verwenden Sie andere? Teilen Sie Ihre Favoriten in den Kommentaren unten. Ich würde gerne sehen, womit Sie arbeiten

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Einführung

Bevor wir uns mit den Projekten befassen, wollen wir klären, was Docker ist und warum sich die Leute dafür interessieren. Docker packt eine Anwendung und alles, was sie benötigt, in einen Container. Ein Container ist eine leichte, isolierte Umgebung, die überall auf die gleiche Weise läuft. Keine „funktioniert auf meinem Pc“-Probleme. Wenn es auf Ihrem Laptop computer läuft, läuft es auch auf einem Server oder in der Cloud. Entwickler lieben das, weil das Teilen von Code einfach und vorhersehbar wird. In dieser „5 Enjoyable Initiatives“-Reihe liegt unser Fokus auf Studying by Doing. Jedes Projekt vermittelt eine grundlegende Docker-Fähigkeit. Am Ende werden Sie Docker nicht nur theoretisch kennen, sondern auch verstehen, wie man es nutzt.

# 1. Statisches Web site-Internet hosting mit Nginx und Docker

Dieses Video von Techdox zeigt Ihnen, wie Sie eine Web site hosten Nginx im Docker. Sie Containerisieren einen Webserver, fügen Ihre Website-Dateien hinzu und führen alles in einem einzigen Container aus. Das Tutorial führt Sie Schritt für Schritt durch die Erstellung eines einfachen Dockerfile (oder Docker Compose), richten Sie Nginx für die Bereitstellung Ihrer Seiten ein und starten Sie den Container, damit die Website reside ist. Es ist nicht erforderlich, Nginx auf Ihrem Pc zu installieren, da alles in Docker ausgeführt wird. Dadurch bleibt der Aufbau sauber und reproduzierbar.

# 2. Multi-Container-Docker-Anwendungen mit Docker Compose

Das Video zeigt, wie Sie Docker Compose verwenden, um zwei Dienste gemeinsam auszuführen: ein Python Flask-Backend und eine Redis-Datenbank. Alle Dienstkonfigurationen, einschließlich Builds, Ports und Verbindungen, werden in einem definiert docker-compose.yml Datei. Sie starten alles mit einem einzigen Befehl, docker compose up. Die Container kommunizieren automatisch und die Umgebungseinstellungen bleiben zentralisiert. Dies erleichtert das Ausführen und Verwalten der App auf jedem Pc und bietet gleichzeitig ein praktisches Beispiel für die Handhabung mehrerer Dienste in Docker.

# 3. Eine Datenbank, die von mehreren Containern gemeinsam genutzt wird

Dabei Ein Datenbankdienst für mehrere Docker-Containerdienste Im Video zeigt der Autor, wie man einen einzelnen Datenbankcontainer ausführt und mehrere Anwendungscontainer damit verbinden lässt. Sie richten MySQL oder eine andere Datenbank einmal in Docker ein und jeder Dienst läuft in seinem eigenen Container, verbindet sich aber über ein gemeinsames Docker-Netzwerk oder eine entsprechende Portzuordnung mit derselben Datenbank. Sie erfahren, wie Sie Netzwerke konfigurieren, den Datenbank-Port freigeben und Container für eine sichere Kommunikation verknüpfen. Dieser Ansatz trägt dazu bei, Ressourcen durch die Zentralisierung von Datenbanken zu sparen und zeigt außerdem, wann eine gemeinsam genutzte Datenbank im Vergleich zu separaten Instanzen am besten funktioniert.

# 4. Automatisierte kontinuierliche Integration mit Jenkins in Docker

Diese Movies zeigen, wie Sie mit eine vollständige Steady-Integration-Pipeline (CI) erstellen Jenkins in Docker, um bei Codeänderungen automatisch Docker-Pictures zu erstellen. Das erste Video, Erstellen und pushen Sie ein React-Docker-Picture mit einer Jenkins-Pipelineführt Sie durch die Einrichtung des Jenkins-Containers, die Erstellung einer Pipeline zum Abrufen von Quellcode, die Erstellung eines Docker-Pictures und non-obligatory die Ausführung von Assessments oder die Übertragung des Pictures an eine Registrierung. Das zweite Video, Automatisiertes CI mit Jenkins auf Docker zum Erstellen von Docker-Pictureskonzentriert sich auf eine React-App und zeigt, wie man Jenkins mit dem Quell-Repository verbindet, Docker-Pictures erstellt und markiert und sie automatisch pusht. Beide Tutorials zeigen, wie die Containerisierung von Jenkins Ihre Construct-Umgebung isoliert, reproduzierbar und konsistent hält. Nach der Einrichtung löst jedes Code-Replace einen neuen Construct aus, wodurch Bereitstellungen zuverlässig und automatisiert werden.

# 5. Protokollierung und Überwachung von Docker

Diese Movies zeigen, wie man mit Docker einen vollständigen Observability-Stack erstellt. Prometheus sammelt System- und Containermetriken. Loki speichert Protokolle. Grafana zeigt alles in Echtzeit-Dashboards an. Im ersten Video Loki, Prometheus, Grafana und Docker: Protokollierung und ÜberwachungErfahren Sie, wie Sie Docker für jeden Dienst einrichten, diese richtig verbinden und Metriken mit Protokollen verknüpfen, um zu sehen, wie Ihre Container funktionieren. Das zweite Video, Serverüberwachung: Prometheus- und Grafana-Tutorialkonzentriert sich auf die Überwachung von Servern oder Containerumgebungen mithilfe von Prometheus und Grafana in einem tragbaren, reproduzierbaren Setup. Es zeigt, wie man Prometheus als Grafana-Datenquelle konfiguriert, Metrikendpunkte einrichtet und Dashboards erstellt, um die CPU-, Speicher- und Containerleistung zu verfolgen. Beide Ansätze basieren auf der Containerisierung, wodurch der Stack auf jeder Maschine einfach ausgeführt, repliziert und erweitert werden kann.

# Zusammenfassung

Diese fünf Projekte bauen Ihre Docker-Kenntnisse Schicht für Schicht auf. Sie hosten eine Web site, verbinden mehrere Dienste, teilen Datenbanken, automatisieren Builds und überwachen alles. Jedes Projekt vermittelt praktische Fähigkeiten, die Sie in der realen Arbeit einsetzen können. Jetzt sind Sie an der Reihe, diese Projekte auszuprobieren und Docker selbst zu erkunden.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor | Canva

# Einführung

Ich persönlich finde es erstaunlich, dass Pc überhaupt Sprache verarbeiten können. Es ist, als würde man einem Child beim Sprechenlernen zusehen, aber in Code und Algorithmen. Es fühlt sich manchmal seltsam an, aber genau das macht die Verarbeitung natürlicher Sprache (NLP) so interessant. Können Sie einen Pc tatsächlich dazu bringen, Ihre Sprache zu verstehen? Das ist der lustige Teil. Wenn Sie meine unterhaltsame Projektreihe zum ersten Mal lesen, möchte ich nur klarstellen, dass das Ziel hier darin besteht, projektbasiertes Lernen zu fördern, indem einige der besten praktischen Projekte hervorgehoben werden, die Sie ausprobieren können, von einfachen bis hin zu leicht fortgeschrittenen Projekten. In diesem Artikel habe ich ausgewählt Fünf Projekte aus wichtigen NLP-Bereichen, damit Sie einen umfassenden Eindruck davon bekommen, wie die Dinge funktionierenvon den Grundlagen bis hin zu eher angewandten Konzepten. Einige dieser Projekte verwenden bestimmte Architekturen oder Modelle, und es ist hilfreich, wenn Sie deren Struktur verstehen. Wenn Sie additionally das Gefühl haben, dass Sie bestimmte Konzepte zuerst auffrischen müssen, machen Sie sich keine Sorgen, ich habe im Abschlussabschnitt einige zusätzliche Lernressourcen hinzugefügt

# 1. Tokenizer von Grund auf erstellen

Projekt 1: So erstellen Sie einen Bert WordPiece-Tokenizer in Python und HuggingFace
Projekt 2: Lassen Sie uns den GPT-Tokenizer erstellen

Die Textvorverarbeitung ist der erste und wichtigste Teil jeder NLP-Aufgabe. Dadurch kann Rohtext in etwas umgewandelt werden, das eine Maschine tatsächlich verarbeiten kann, indem er in kleinere Einheiten wie Wörter, Unterwörter oder sogar Bytes zerlegt wird. Um eine gute Vorstellung davon zu bekommen, wie es funktioniert, empfehle ich Ihnen, sich diese beiden großartigen Projekte anzusehen. Der erste führt Sie durch die Erstellung eines BERT WordPiece-Tokenizers in Python mit Umarmendes Gesicht. Es zeigt, wie Wörter in kleinere Unterworteinheiten aufgeteilt werden, beispielsweise durch das Hinzufügen von „##“, um Teile eines Wortes zu kennzeichnen. Dies hilft Modellen wie BERT, mit seltenen oder falsch geschriebenen Wörtern umzugehen, indem es sie in bekannte Teile zerlegt. Das zweite Video, „Lasst uns den GPT-Tokenizer bauen“ von Andrej Karpathyist etwas lang, aber so GOLD Ressource. Er erklärt, wie GPT die Byte-Pair-Encoding (BPE) auf Byte-Ebene verwendet, um gängige Byte-Sequenzen zusammenzuführen und Textual content, einschließlich Leerzeichen, Satzzeichen und sogar Emojis, flexibler zu verarbeiten. Ich empfehle wirklich, sich das anzusehen, wenn Sie sehen möchten, was tatsächlich passiert, wenn Textual content in Token umgewandelt wird. Sobald Sie mit der Tokenisierung vertraut sind, wird alles andere im NLP viel klarer.

# 2. NER in Aktion: Namen, Daten und Organisationen erkennen

Projekt 1: Named Entity Recognition (NER) in Python: Vorab trainierte und benutzerdefinierte Modelle
Projekt 2: Erstellen eines Entitätsextraktionsmodells mit BERT

Sobald Sie verstanden haben, wie Textual content dargestellt wird, besteht der nächste Schritt darin, zu lernen, wie Sie ihm tatsächlich eine Bedeutung entlocken können. Ein guter Ausgangspunkt ist die Named Entity Recognition (NER), die einem Modell beibringt, Entitäten in einem Satz zu erkennen. Beispielsweise sollte ein gutes NER-System bei „Apple hat diesen Januar einen Allzeithoch-Aktienkurs von 143 Greenback erreicht“ „Apple“ als Organisation, „143 Greenback“ als Geld und „diesen Januar“ als Datum auswählen. Das erste Video zeigt, wie man vorab trainierte NER-Modelle mit Bibliotheken wie verwendet spacig Und Umarmende Gesichtstransformatoren. Sie erfahren, wie Sie Textual content eingeben, Vorhersagen für Entitäten erhalten und diese sogar visualisieren. Das zweite Video geht noch einen Schritt weiter und führt Sie durch den Aufbau eines Entitätsextraktionssystems, indem Sie BERT selbst optimieren. Anstatt sich auf eine vorgefertigte Bibliothek zu verlassen, programmieren Sie die Pipeline: tokenisieren Sie Textual content, richten Sie Token an Entitätsbezeichnungen aus und optimieren Sie das Modell PyTorch oder TensorFlowund verwenden Sie es dann, um neuen Textual content mit Tags zu versehen. Ich würde dies als Ihr zweites Projekt empfehlen, da NER eine dieser Aufgaben ist, die NLP wirklich praktischer erscheinen lässt. Sie beginnen zu verstehen, wie Maschinen verstehen können, „wer was, wann und wo getan hat“.

# 3. Textklassifizierung: Stimmungsvorhersage mit BERT

Projekt: Textklassifizierung | Stimmungsanalyse mit BERT mit Huggingface, PyTorch und Python-Tutorial

Nachdem Sie gelernt haben, wie man Textual content darstellt und Entitäten extrahiert, besteht der nächste Schritt darin, Modellen das Zuweisen von Beschriftungen zu Textual content beizubringen, wobei die Stimmungsanalyse ein klassisches Beispiel ist. Dies ist ein ziemlich altes Projekt, und es gibt eine Änderung, die Sie möglicherweise vornehmen müssen, um es zum Laufen zu bringen (sehen Sie sich die Kommentare zum Video an), aber ich empfehle es trotzdem, weil es auch erklärt, wie BERT funktioniert. Wenn Sie mit Transformatoren noch nicht vertraut sind, ist dies ein guter Anfang. Das Projekt führt Sie durch die Verwendung eines vorab trainierten BERT-Modells über Hugging Face, um Textual content wie Filmrezensionen, Tweets oder Produktfeedback zu klassifizieren. Im Video sehen Sie, wie Sie einen beschrifteten Datensatz laden, den Textual content vorverarbeiten und BERT optimieren, um vorherzusagen, ob jedes Beispiel positiv, negativ oder impartial ist. Es ist eine klare Möglichkeit, zu sehen, wie Tokenisierung, Modelltraining und Bewertung in einem Arbeitsablauf zusammenkommen.

# 4. Erstellen von Textgenerierungsmodellen mit RNNs und LSTMs

Projekt 1: KI zur Textgenerierung – Vorhersage des nächsten Wortes in Python
Projekt 2: Textgenerierung mit LSTM und Rechtschreibung mit Nabil Hassein

Bei der Sequenzmodellierung geht es um Aufgaben, bei denen die Ausgabe eine Textsequenz ist, und sie ist ein großer Teil der Funktionsweise moderner Sprachmodelle. Diese Projekte konzentrieren sich auf die Textgenerierung und die Vorhersage des nächsten Wortes und zeigen, wie eine Maschine lernen kann, einen Satz Wort für Wort fortzusetzen. Das erste Video führt Sie durch den Aufbau eines einfachen, auf einem wiederkehrenden neuronalen Netzwerk (RNN) basierenden Sprachmodells, das das nächste Wort in einer Sequenz vorhersagt. Es handelt sich um eine klassische Übung, die wirklich zeigt, wie ein Modell Muster, Grammatik und Struktur in Texten aufnimmt, was Modelle wie GPT in viel größerem Maßstab tun. Das zweite Video nutzt ein Lengthy Brief-Time period Reminiscence (LSTM), um kohärenten Textual content aus Prosa oder Code zu generieren. Sie werden sehen, wie das Modell jeweils ein Wort oder Zeichen einspeist, wie Sie Vorhersagen abtasten und sogar wie Tips wie Temperatur und Strahlsuche die Kreativität des generierten Textes steuern. Diese Projekte machen wirklich deutlich, dass die Textgenerierung keine Zauberei ist, sondern dass es darum geht, Vorhersagen auf intelligente Weise zu verketten.

# 5. Aufbau eines Seq2Seq-Maschinenübersetzungsmodells

Projekt: PyTorch Seq2Seq-Tutorial für maschinelle Übersetzung

Das Abschlussprojekt führt NLP über die englische Sprache hinaus und in reale Aufgaben mit Schwerpunkt auf maschineller Übersetzung. In diesem Fall bauen Sie ein Encoder-Decoder-Netzwerk auf, wobei ein Netzwerk den Quellsatz liest und codiert und ein anderes ihn in die Zielsprache decodiert. Dies ist im Grunde das, was Google Translate und andere Übersetzungsdienste tun. Das Tutorial zeigt auch Aufmerksamkeitsmechanismen, damit sich der Decoder auf die richtigen Teile der Eingabe konzentrieren kann, und erklärt, wie man an parallelem Textual content trainiert und Übersetzungen mit Metriken wie dem BLEU-Rating (Bilingual Analysis Understudy) bewertet. Dieses Projekt vereint alles, was Sie bisher gelernt haben, in einer praktischen NLP-Aufgabe. Selbst wenn Sie schon einmal Übersetzungs-Apps verwendet haben, erhalten Sie durch die Erstellung eines Spielzeugübersetzers einen praktischen Eindruck davon, wie diese Systeme tatsächlich hinter den Kulissen funktionieren.

# Abschluss

Damit sind wir am Ende der Liste angelangt. Jedes Projekt deckt einen der fünf Hauptbereiche des NLP ab: Tokenisierung, Informationsextraktion, Textklassifizierung, Sequenzmodellierung und angewandtes mehrsprachiges NLP. Wenn Sie sie ausprobieren, bekommen Sie einen guten Eindruck davon, wie NLP-Pipelines von Anfang bis Ende funktionieren. Wenn Sie diese Projekte hilfreich fanden, geben Sie den Erstellern des Tutorials einen Daumen nach oben und teilen Sie uns mit, was Sie gemacht haben.

Um mehr zu erfahren, die Stanford-Kurs CS224N: Verarbeitung natürlicher Sprache mit Deep Studying ist eine ausgezeichnete Ressource. Und wenn Sie gerne durch Projekte lernen, können Sie sich auch unsere anderen ansehen „5 lustige Projekte“ Serie:

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Einführung

Information Science wird oft mit maschinellem Lernen verwechselt, aber eigentlich ist es viel mehr. Es geht darum, Daten zu sammeln, zu bereinigen, zu analysieren und zu visualisieren, um nützliche Muster zu finden, die uns bei der Entscheidungsfindung helfen können. Maschinelles Lernen ist nur ein kleiner Teil dieses Gesamtbildes. Ich habe diese Reihe „Enjoyable Tasks“ ins Leben gerufen, um praktisches Lernen zu fördern, denn ehrlich gesagt lernt man Datenwissenschaft nicht durch endloses Anschauen endloser Theorien. Das lernt man durch Bauen.

Für diesen Artikel habe ich fünf Projekte ausgewählt, die verschiedene Phasen eines typischen Information-Science-Workflows abdecken, von der grundlegenden Datenbereinigung über die Erkundung von Daten, die Erstellung von Modellen bis hin zu deren Bereitstellung für den realen Einsatz.

# 1. Das EINZIGE Datenbereinigungs-Framework, das Sie benötigen

Dieses Video ist von Christine Jiang, die als Datenanalystin arbeitet, und sie teilt einen wirklich praktischen Ansatz zur Datenbereinigung, der meiner Meinung nach für jeden, der an Projekten arbeitet, nützlich sein wird. Beim Bereinigen von Daten denken wir oft: „Wie sauber ist sauber genug“, und Christine zeigt mit ihrem fünfstufigen CLEAN-Framework einen klaren Weg, damit umzugehen. Sie erläutert, wie Sie lösbare und unlösbare Probleme erkennen, Werte standardisieren, alles dokumentieren und iterieren, um Ihre Daten zuverlässig zu machen, ohne „perfekt“ anzustreben. Die Beispiele, die sie verwendet, wie das Korrigieren fehlender Ländercodes oder inkonsistenter Produktbeschreibungen, sind sehr nachvollziehbar und die von ihr betonte Denkweise ist genauso wichtig wie die Instruments. Ich finde, dass dies ein äußerst praktischer Leitfaden für jeden ist, der versucht, effektiv mit Daten aus der realen Welt umzugehen.

# 2. Explorative Datenanalyse bei Pandas

Dieses Video zeigt, warum es nicht ausreicht, nur Daten zu haben, und wie ein sorgfältiger Blick auf die Zahlen verborgene Muster aufdecken kann. Der Moderator führt Sie durch die Untersuchung von Datensätzen, die Zusammenfassung von Verteilungen, die Prüfung auf fehlende Werte und Ausreißer sowie die Visualisierung von Beziehungen zwischen Spalten mithilfe von Pandas Und seegeboren. Ich fand es wirklich praktisch, weil es nicht nur die Befehle anzeigt, sondern auch erklärt, warum jeder Schritt wichtig ist und wie Statistiken einem Dinge sagen können, die auf den ersten Blick nicht offensichtlich sind. Dies ist ein großartiger Leitfaden für alle, die reale Daten untersuchen und aussagekräftige Erkenntnisse gewinnen möchten, bevor sie mit der Modellierung beginnen.

# 3. Datenvisualisierung mit Pandas und Plotly

Dieses Video von Greg Kamadt, Gründer von Information Impartial, zeigt, dass das Erzählen einer Geschichte mit Ihren Daten genauso wichtig ist wie das Erstellen von Modellen. Er geht durch ein praktisches Tutorial mit pandas für Datenverarbeitung und Plotly für interaktive Diagramme, beginnend mit den Grundlagen dessen, was eine Visualisierung effektiv macht. Sie erfahren, wie Sie Daten laden und formen, die richtigen Diagrammtypen auswählen und Formatierungsschritte hinzufügen, die Ihre Diagramme klar und leicht verständlich machen. Mir gefiel wirklich, wie praktisch es ist, mit Tipps zum Umgang mit realen Problemen wie Ausreißern, Datumsachsen und Aggregationen und wie kleine Entscheidungen die Lesbarkeit verbessern können. Am Ende wissen Sie, wie Sie interaktive, gemeinsam nutzbare Diagramme erstellen, die Erkenntnisse effektiv vermitteln.

# 4. Function-Engineering-Techniken für maschinelles Lernen in Python

Sobald Ihre Daten sauber und verständlich sind, ist es an der Zeit, bessere Funktionen zu erstellen. Dieses Tutorial konzentriert sich auf die Section „Function Engineering“, in der Sie neue Datenspalten transformieren und generieren, die Ihr Modell intelligenter machen können. Der Dozent erklärt Techniken wie die Kodierung kategorialer Variablen, den Umgang mit fehlenden Daten, die Dimensionsreduktion (Hauptkomponentenanalyse (PCA)) und die Erstellung von Interaktionstermen. Mir gefällt, dass es auch hervorhebt, was man nicht tun sollte, wie z. B. Datenlecks, Überanpassung und Überentwicklung von Funktionen. Dies ist eine großartige Ressource für alle, die von Rohdaten zur Entwicklung ausgereifter Funktionen für reales maschinelles Lernen übergehen möchten.

# 5. Bereitstellen eines Modells für maschinelles Lernen in einer Streamlit-App und Erstellen von Dwell-Vorhersagen

Zum Schluss der befriedigendste Teil: Ihr Modell zum Leben zu erwecken. In diesem TutorialYiannis Pitsillides zeigt, wie man ein trainiertes maschinelles Lernmodell mit einsetzt Streamlit. Er führt Sie Schritt für Schritt durch das Laden eines gespeicherten Modells, das Einrichten einer übersichtlichen Benutzeroberfläche mit Eingabefeldern und Schaltflächen und das Generieren von Echtzeitvorhersagen für Autopreise. Das Video enthält sogar eine Visualisierung der Funktionsbedeutung Plotlydamit Sie sehen können, welche Eingaben am wichtigsten sind. Mir gefiel, wie praktisch es ist, mit Tipps zur Trennung von Roh- und bereinigten Daten, zum Umgang mit Abhängigkeiten und zum lokalen Ausführen der App oder auf einem Host. Es handelt sich um ein kurzes Tutorial, aber es erfüllt seine Aufgabe wunderbar und bietet Ihnen das „Finish-to-Finish“-Erlebnis, das die meisten Anfänger vermissen.

# Zusammenfassung

Diese Projekte decken alle wichtigen Phasen eines Information-Science-Workflows ab und zeigen, wie die Theorie in der Praxis zum Leben erweckt wird. Schnappen Sie sich Ihre Datensätze und beginnen Sie mit dem Experimentieren. Es gibt keinen besseren Weg, Information Science zu erlernen, als indem man es selbst tut.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild von Autor | Leinwand

# Einführung

Es besteht kein Zweifel, dass große Sprachmodelle wirklich leistungsstark sind, aber sie können ihre Trainingsdaten nicht übergehen oder direkt mit der Welt interagieren. Hier haben KI -Agenten das Spiel verändert. Sie generieren nicht nur Textual content, sondern können auf mehrstufige Aufgaben handeln, Vernunft und erledigen, wodurch sie einem echten Assistenten, der Dinge für Sie tun kann, viel näher gefühlt werden. Vielleicht haben Sie Tonnen von Ressourcen gesehen, aber für diesen Artikel werden wir eine große Tour machen. Ich werde 5 anfängerfreundliche Projekte teilen: mit einigen von Grund auf Python + einige, die auch die berühmten AI -Agenten -Frameworks enthalten. Ich habe diese Projekte nach umfassender Forschung so entworfen und ausgewählt, dass jedes Projekt einen anderen Blickwinkel dessen lehrt, was Agenten wirklich tun können. Additionally fangen wir an.

# 1. Bau eines AI -Kalenderagenten in reinem Python

Hyperlink: https://www.youtube.com/watch?v=bzzypscbti8
Dieses Tutorial führt Sie durch den Bau eines Kalender-/Planungsagenten mit reinem Python ohne schwere Frameworks oder Cloud -Abhängigkeiten. Sie erhalten eine praktische Demo der Agent-Schleife: Parsenabsicht, Planungsaktionen, Calidar-APIs aufrufen und Konflikte bestätigen oder behandeln. Es deckt die Authentifizierung und Durchführung von CRUD-Operationen mit Google-Kalender oder ähnlichen Diensten sowie praktische Tipps zum Analysieren natürlicher Sprache und Vermeidung von Doppelbüchern ab. Die Ausbilder führen Sie Schritt für Schritt an, um zu zeigen, wie Sie Anfragen wie „Treffen um 15 Uhr“ oder „Was ist morgen in meinem Kalender“ umgegangen und auf Instrument-Anrufe wie das Abrufen von Ereignissen oder das Erstellen neuer Erstellen zugeordnet. Sobald Ihr Agent Ihren Zeitplan zuverlässig verwalten kann, fühlt es sich bereits so an, als würden Sie mit einem persönlichen Assistenten sprechen, der in der Lage ist, zu handeln, und nicht nur zu sprechen.

# 2. So bauen Sie einen Codierungsagenten von Grund auf neu

Hyperlink: https://www.youtube.com/watch?v=lxgfhpq1gsi
In diesem Workshop-Leitfaden von Zain Hasan aus dem Entwickler-Relations-Group von AI von AI führt Sie durch den Bau eines Codierungsagenten von Grund auf, ohne sich ausschließlich auf vorgefertigte Frameworks zu verlassen. Sie beginnen mit einer einfachen Chat -Schleife und fügen dann Instruments wie Dateileser, Shell -Ausführung und Suchfunktionen hinzu, gefolgt von sicheren Sandboxing -Regeln sowie iterativer Bewertung und Debugging. Unterwegs untersuchen Sie parallele, serielle, bedingte und Looping Agent -Workflows, erfahren Sie, wie Sie LLMs als Router und Evaluatoren in der Agent -Pipeline verwenden und praktische Codebeispiele für die Implementierung dieser Workflows überprüfen. Sobald Ihr Agent Python -Snippets automatisch generieren, testen und verfeinern kann, fühlt es sich an, als ob Ihr persönlicher Paarprogrammierer zur Zusammenarbeit bereit ist.

# 3. Content material Creator Agent von Grund auf neu

Hyperlink: https://www.youtube.com/watch?v=pm9zr7wgjx4
Diese Schritt-für-Schritt-Walkthrough von João Moura, CEO von Crew AI, zeigt, wie man mit Crewai, Zapier und Cursor einen Content material Creator Agent von Grund auf neu erstellt. Er macht es splendid für Schöpfer und Unternehmer, die agentengesteuerte Automatisierung wünschen. Sie lernen, wie Sie Finish-to-Finish-Workflows einrichten, mit denen die Inhaltsidee, automatische Draking-, Veröffentlichungs- und Cross-Publish-Distribution umgehen. Das Tutorial deckt sowohl No-Code- als auch codebasierte Ansätze ab und zeigt, wie Auslöser, Aktionen, Ratenlimits und QS-Schritte verdrahtet werden, damit Sie Aufgaben wie soziale Beiträge, E-newsletter oder Kurzform-Videoskripte automatisieren können und gleichzeitig die Qualitätskontrolle beibehalten können. Unterwegs führt Sie João durch die Integration von Instruments, das Debuggen und die Optimierung der Agentenleistung, mit praktischen Beispielen, einschließlich Erstellung von Multi-Agent-Flows, Erstellen benutzerdefinierter PDF-Berichte und Generierung strukturierter Inhaltspläne.

# 4. Forschungsvertreter mit pydantischer KI

Hyperlink: https://www.youtube.com/watch?v=762SQD7IW6Y
Dieser praktische Leitfaden von Angelina, VP von AI und Daten und Mitbegründer von Rework AI Studio, und Mehdi, Professor für Informatik und Mitbegründer von Transformation AI Studio, führt Sie durch den Bau eines strukturierten Forschungsagenten von Grund auf mit Pydantic AI und Vanilla Python. Sie lernen, wie Sie typisierte Schemas für Ausgänge definieren und kleine Agenten verfassen, die das Net durchsuchen, Seiten oder PDFs herunterladen, Ergebnisse zusammenfassen und Ergebnisse in saubere, strukturierte Notizen oder E -Mails zusammenfassen. Das Tutorial zeigt, wie Sie Net-Search-APIs, Dokumenten-Downloader und LLM-Zusammenfassungen kombinieren und gleichzeitig pydantische Modelle nutzen, um sicherzustellen, dass die Ausgaben vorhersehbar, zuverlässig und maschinenlesbar sind. Dieser Ansatz macht es splendid, um reproduzierbare Forschungsassistenten oder Literaturbots zu erstellen.

# 5. Superior AI Agent mit Suche

Hyperlink: https://www.youtube.com/watch?v=cuc-hyjpnxk
Dieses eingehende Tutorial von Tim von Devlaunch ist für Lernende konzipiert, die bereit sind, einen Forschungsagenten im Produktionsstil zu erstellen. Sie lernen, wie Sie mehrstufige, graphbasierte Workflows orchestrieren, die Dwell-Net-Scraping und -Such-, Relevanzfilter-, Deduplikations- und Glaubwürdigkeitsprüfungen enthalten. Der Leitfaden deckt fortschrittliche Architekturmuster wie Abfragrouting, Crawler -Design und inkrementelle Indexierung sowie praktische Überlegungen für Höflichkeit, Proxys und Ratengrenzen ab. Durch die Kombination von Langgraph mit Echtzeit-Suche aus Quellen wie Google, Bing und Reddit erstellen Sie einen Agenten, der nicht nur die neueste Informationen untersucht, sondern aktiv untersucht und aktiv wird. Dieses Projekt ist splendid für alle, die über die Spielzeugagenten hinausgehen und skalierbare, reale Forschungsassistenten aufbauen möchten.

# Einpacken

Diese fünf Projekte gehen weit über „nur den Modell -Chat“. Mein Tipp: Bleib nicht fest, eine einzelne Idee zu perfektionieren. Wählen Sie die, die Sie am meisten begeistern, bauen und dann experimentieren. Je mehr Agentenmuster Sie erforschen, desto einfacher wird es, Ihre eigenen zu mischen, zu übereinstimmen und zu erfinden.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Era -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.

Bild von Autor | Leinwand

Wir alle kennen die beiden Hauptprobleme, die als Hauptnachteil von großer Sprachmodellen (LLMs) festgestellt wurden:

1. Halluzinationen
2. Mangel an aktualisierten Informationen über ihren Wissensgrenzwert hinaus

Beide Themen haben ernsthafte Zweifel an der Zuverlässigkeit von LLM-Ergebnissen aufgeworfen, und hier zeigten sich die Abruf-Era (RAG) als eine starke Möglichkeit, sie anzugehen, und bot genauere, kontextbezogene Antworten. Heutzutage wird es in verschiedenen Branchen weit verbreitet. Viele Anfänger werden jedoch nur eine einfache Architektur erkunden: grundlegende Vektorsuche über Textdokumente. Sicher, dies funktioniert für die meisten grundlegenden Bedürfnisse, aber es schränkt die Kreativität und das Verständnis ein.

Dieser Artikel verfolgt einen anderen Ansatz. Anstelle eines tiefen Eintauchens in ein einzelnes, schmales Setup, um die Particulars einer Lappenanwendung zu erläutern (Wie fortgeschrittene Aufforderung, Chunking, Einbettungen und Abrufen) Ich glaube, Anfänger profitieren mehr davon, zuerst ein breites Spektrum von Lappenmustern zu erforschen. Auf diese Weise sehen Sie, wie anpassungsfähig und vielseitig das Rag -Konzept wirklich ist, und lassen Sie sich inspirieren, Ihre eigenen einzigartigen Projekte zu erstellen. Schauen wir uns additionally fünf lustige und ansprechende Projekte an, die ich vorbereitet habe, die Ihnen dabei helfen, genau das zu tun. Fangen wir an!

# 1. Erstellen einer Lag-Anwendung mit einem Open-Supply-Modell

Hyperlink: https://www.youtube.com/watch?v=hrvyei7vfsm

Beginnen Sie mit den Grundlagen, indem Sie ein unkompliziertes Lappensystem aufbauen. Dieses anfängerfreundliche Projekt zeigt Ihnen, wie Sie ein Lag-System erstellen, das Fragen von jedem PDF mit einem Open-Supply-Modell wie beantwortet LAMA22 ohne bezahlte APIs. Sie werden rennen LAMA22 lokal mit Ollamaladen und teilen Sie PDFs mit PyPDF aus LangchainErstellen Sie Einbettungen und speichern Sie sie wie in einem Reminiscence Vector Retailer wie Docarray. Dann richten Sie eine Abrufkette auf Langchain um relevante Teile zu holen und Antworten zu generieren. Unterwegs lernen Sie die Grundlagen der Arbeit mit lokalen Modellen, dem Aufbau von Abrufpipelines und der Prüfung von Outputs lernen. Das Endergebnis ist ein einfacher Q & A-Bot, der PDF-spezifische Fragen wie „Wie kostet der Kurs?“ Beantworten kann? mit genauem Kontext.

# 2. Multimodaler Lappen: Chatten mit PDFs mit Bildern und Tabellen

Hyperlink: https://youtu.be/ulrreyh5cu0?characteristic=shared

Im vorherigen Projekt haben wir nur mit textbasierten Daten gearbeitet. Jetzt ist es Zeit, sich zu verbessern. Multimodaler Lappen erweitert traditionelle Systeme, um Bilder, Tabellen und Textual content in PDFs zu verarbeiten. In diesem Tutorial führt Alejandro AO Sie durch die Verwendung von Instruments wie Langchain und die Unstrukturiert Bibliothek, um gemischte Inhalte zu verarbeiten und in ein multimodales LLM (z. B. GPT-4 mit Imaginative and prescient) zu versetzen. Sie lernen, wie man Textual content, Bilder und Tabellen extrahiert und einbettet, sie zu einer einheitlichen Eingabeaufforderung kombiniert und Antworten generiert, die den Kontext über alle Formate hinweg verstehen. Die Einbettungen werden in einer Vektor -Datenbank und a gespeichert Langchain Die Abrufkette verbindet alles, damit Sie Fragen wie „Erklären Sie das Diagramm auf Seite 5.“ stellen können.

# 3. Erstellen eines Lappen mit Objektbox und Langchain

Hyperlink: https://www.youtube.com/watch?v=9lewl1bus6g

Lassen Sie uns nun vollständig lokal gehen. Dieses Projekt führt Sie durch den Aufbau eines Lappensystems, das vollständig auf Ihrem Gerät (keine Cloud, kein Web) ausgeführt wird. In diesem Tutorial lernen Sie, wie Sie Ihre Daten und Einbettungen vor Ort mit dem leichten, ultraeffizienten Einbett speichern Objektbox Vektordatenbank. Sie werden verwenden Langchain So erstellen Sie die Pipeline von Abrufen und Era, damit Ihr Modell Fragen aus Ihren Dokumenten direkt auf Ihrem Pc beantworten kann. Dies ist perfekt für alle, die sich über Privatsphäre, Datenkontrolle oder nur API -Kosten vermeiden möchten. Am Ende haben Sie ein KI -Q & A -System, das auf Ihrem Gerät lebt und schnell und sicher reagiert.

# 4. Bauen Sie eine Echtzeit-Lappenpipeline mit NEO4J und Langchain

Hyperlink: https://www.youtube.com/watch?v=ik8gnjj-13i

In diesem Projekt wechseln Sie von einfachen Dokumenten zu leistungsstarken Grafiken. In diesem Tutorial werden Sie angezeigt, wie Sie ein Echtzeit-Lappensystem mit einem Information-Graph-Backend erstellen. Sie werden in einem Notizbuch (wie Colab) arbeiten, a einrichten a Neo4j Cloud -Instanz und erstellen Sie Knoten und Kanten, um Ihre Daten darzustellen. Dann verwenden LangchainSie verbinden Ihr Diagramm für Era und Abruf mit einem LLM, wodurch Sie kontextbezogene Beziehungen abfragen und Ergebnisse visualisieren können. Es ist eine großartige Möglichkeit, die Graph -Logik zu lernen, Cypher Abfragen und wie man strukturiertes Diagrammwissen mit intelligenten KI -Antworten zusammenführt. Ich habe auch eine eingehende Anleitung zu diesem Thema geschrieben. Erstellen eines Graph-Lappensystems: Ein Schritt-für-Schritt-Ansatzwo ich aufschlüsse, wie ich ein GraphRAG -Setup von Grund auf neu erstellen kann. Schauen Sie sich das auch an, wenn Sie artikelbasierte Tutorials bevorzugen.

# 5. Implementierung von Agentenlappen mit Lama-Index

Hyperlink: https://youtube.com/playlist?listing=plu7aw4ozeuzxrjadvriasbamaswfala0&characteristic=shared

In den früheren Projekten haben wir uns auf das Abrufen und die Era konzentriert, aber hier ist es das Ziel, Lag „Agentic“ zu machen, indem wir ihm Argumentationsschleifen und -werkzeuge geben, damit es Probleme in mehreren Schritten lösen kann. Diese Wiedergabeliste von Prinz Krampah ist in 4 Stufen unterteilt:

1. Router Question Engine: Konfigurieren Lama-Index Fragen an die richtige Quelle wie ein Vektorindex gegenüber einem Zusammenfassungsindex weiterleiten
2. Funktionsaufruf: Fügen Sie Instruments wie Taschenrechner oder APIs hinzu, damit Ihr Lappen Dwell -Daten erledigen oder im laufenden Fliegen Aufgaben ausführen kann
3. Mehrschritt-Argumentation: Brechen Sie komplexe Abfragen in kleinere Unteraufgaben auf („ZURÜCKSUMEN, dann analysieren“)
4. Über mehrere Dokumente: Skalieren Sie Ihre Argumentation in mehreren Dokumenten gleichzeitig, wobei die Agenten Unter-Abbildungen behandeln

Es ist eine praktische Reise, die mit grundlegenden Agenten beginnt und nach und nach leistungsfähigere Funktionen nutzt Lama-Index und Open-Supply-LLMs. Am Ende haben Sie ein Lag-System, das nicht nur Antworten abholt, sondern auch von Problemen Schritt für Schritt durch denkt-auch in mehreren PDFs. Sie können auch auf die Serie zugreifen Medium in Type von Artikeln als einfachere Referenz.

# Einpacken

Und da haben Sie es: 5 Anfänger-freundliche Lappenprojekte, die über die übliche „Vektorsuche über Textual content“ hinausgehen. Mein Rat? Ziehen Sie bei Ihrem ersten Versuch nicht nach Perfektion ab. Wählen Sie ein Projekt aus, folgen Sie mit und lassen Sie sich experimentieren. Je mehr Muster Sie erforschen, desto einfacher ist es, Ideen für Ihre eigenen benutzerdefinierten Lag -Anwendungen zu mischen und anzupassen. Denken Sie daran, dass der eigentliche Spaß beginnt, wenn Sie aufhören, nur „abzurufen“ und „nachzudenken“, wie Ihre KI auf intelligentere Weise argumentieren, sich anpassen und interagieren kann.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Era -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.

Bild von Autor | Leinwand

# Einführung

Dies ist der zweite Artikel in meiner Anfängerprojektreihe. Wenn Sie den ersten auf Python nicht gesehen haben, lohnt es sich, es zu überprüfen: 5 lustige Python -Projekte für absolute Anfänger.

Additionally, was ist Generative Ai oder Gen Ai? Es geht darum, neue Inhalte wie Textual content, Bilder, Code, Audio oder sogar Video mit AI zu erstellen. Vor der Ära der großen Sprache und Visionsmodelle waren die Dinge ganz anders. Aber jetzt, mit dem Aufstieg von Fundamentmodellen wie GPT, Lama und Llava, hat sich alles verschoben. Sie können kreative Instruments und interaktive Apps erstellen, ohne Modelle von Grund auf neu trainieren zu müssen.

Ich habe diese ausgewählt 5 Projekte, um ein bisschen von allem abzudecken: Textual content, Bild, Stimme, Imaginative and prescient und einige Backend-Konzepte wie Feinabstimmung und Lappen. Sie können sowohl API-basierte Lösungen als auch lokale Setups ausprobieren. Am Ende haben Sie alle Bausteine in den meisten modernen Gen-AI-Apps berührt. Additionally fangen wir an.

# 1. Rezeptgenerator App (Textgenerierung)

Hyperlink: Erstellen Sie einen Rezeptgenerator mit React und KI: Code trifft die Küche

Wir werden mit etwas Einfachem und Spaßes beginnen, das nur die Textgenerierung und einen API -Schlüssel verwendet, kein schweres Setup. Mit dieser App können Sie einige grundlegende Particulars wie Zutaten, Mahlzeittyp, Küchenpräferenz, Kochzeit und Komplexität eingeben. Es erzeugt dann ein vollständiges Rezept mit GPT. Sie lernen, wie Sie das Frontend-Formular erstellen, die Daten an GPT senden und das Rezept mit AI-generiertem Rezept an den Benutzer zurückgeben. Hier ist eine weitere erweiterte Model derselben Idee: Erstellen Sie einen KI-Rezeptfinder mit GPT O1-Vorsicht in 1 Stunde. Dieser hat mehr fortschrittliche schnelle Engineering, GPT-4, Vorschläge, Zutatersubstitutionen und eine dynamischere Frontend.

# 2. Bildgenerator App (Stabile Diffusion, lokaler Setup)

Hyperlink: Erstellen Sie in 15 Minuten einen Python -AI -Bildgenerator (kostenlos und lokal)

Ja, Sie können coole Bilder mit Instruments wie Chatgpt, Dall · e oder MidJourney generieren, indem Sie einfach eine Eingabeaufforderung eingeben. Aber was ist, wenn Sie einen Schritt weiter gehen und alles lokal ohne API -Kosten oder Cloud -Beschränkungen ausführen möchten? Dieses Projekt macht genau das. In diesem Video lernen Sie, wie Sie eine stabile Diffusion auf Ihrem eigenen Pc einrichten. Der Schöpfer hält es tremendous einfach: Sie installieren Python, klonen Sie ein leichtes Net -UI -Repo, laden den Modell -Checkpoint herunter und führen einen lokalen Server aus. Das struggle’s. Danach können Sie in Ihrem Browser Texteingabeaufforderungen eingeben und sofort KI -Bilder generieren, alle ohne Web- oder API -Anrufe.

# 3.. Medizinischer Chatbot mit Voice + Imaginative and prescient + Textual content

Hyperlink: Erstellen Sie eine AI -Voice -Assistant -App mit multimodalem LLM LLAVA und Flüstern

Dieses Projekt ist nicht speziell als medizinischer Chatbot erstellt, aber der Anwendungsfall passt intestine. Sie sprechen damit, es hört zu, es kann sich ein Bild ansehen (wie ein Röntgen- oder Dokument), und es reagiert clever alle drei Modi: Voice, Imaginative and prescient und Textual content. Es wurde mit LLAVA (ein multimodales Sichtsprachmodell) und Whisper (OpenAIs Rede-to-Textual content-Modell) in einer Gradio-Schnittstelle erstellt. Das Video führt durch die Einrichtung von Colab, die Set up von Bibliotheken, die Quantisierung von LLAVA, um sie auf Ihrer GPU auszuführen und alles zusammen mit GTTs für Audio -Antworten zu nähen.

# 4. Feinabstimmung moderne LLMs

Hyperlink: Positive Tune Gemma 3, Qwen3, Lama 4, Phi 4 und Mistral Small mit Unloth und Transformatoren

Bisher haben wir off-the-Shelf-Modelle mit promptem Engineering verwendet. Das funktioniert, aber wenn Sie mehr Kontrolle wünschen, ist die Feinabstimmung der nächste Schritt. Dieses Video von Trelis Analysis ist eines der besten da draußen. Anstatt ein Projekt vorzuschlagen, das einfach ein Feinabsteig-Modell ausgeht, möchte ich, dass Sie sich auf den tatsächlichen Prozess der Feinabstimmung selbst konzentrieren. Dieses Video zeigt Ihnen, wie Sie Modelle wie Gemma 3, Qwen3, Lama 4, Phi 4 und Mistral Small verwenden, indem Sie Unloth (Bibliothek für schneller, speicherisches Coaching) und Transformatoren verwenden. Es ist lang (ca. 1,5 Stunden), aber tremendous lohnt sich. Sie lernen, wann die Feinabstimmung sinnvoll ist, wie man Datensätze vorbereitet, schnelle Evals mit VLLM ausführen und echte Trainingsprobleme debuggen.

# 5. Bauen Sie lokaler Lappen von Grund auf neu

Hyperlink: Lokale Abrufer Augmented Technology (LAB) von Grund auf neu (Schritt für Schritt Tutorial)

Jeder liebt einen guten Chatbot, aber die meisten fallen auseinander, wenn sie nach Dingen außerhalb ihrer Trainingsdaten gefragt werden. Hier ist Lappen nützlich. Sie geben Ihrem LLM eine Vektordatenbank mit relevanten Dokumenten an, und sie ziehen vor der Beantwortung den Kontext. Das Video führt Sie durch den Bau eines vollständig lokalen Lappensystems mit einem Colab -Pocket book oder einer eigenen Maschine. Sie laden Dokumente (wie ein Lehrbuch PDF), teilen sie in Stücke auf, generieren Einbettung mit einem Satztransformatormodell, speichern sie in SQLite-VSS und verbinden alles mit einem lokalen LLM (z. B. LLAMA 2 über Ollama). Es ist das klarste Lumpen -Tutorial, das ich für Anfänger gesehen habe, und wenn Sie dies getan haben, werden Sie verstehen, wie Chatgpt -Plugins, KI -Suchwerkzeuge und interne Firmen -Chatbots wirklich funktionieren.

# Einpacken

Jedes dieser Projekte lehrt Ihnen etwas Wesentliches:

Textual content → Bild → Stimme → Feinabstimmung → Abrufen

Wenn Sie gerade mit Gen AI eingehen und tatsächlich Sachen bauen möchten, nicht nur mit Demos spielen, ist dies Ihre Blaupause. Beginnen Sie von dem, der Sie am meisten begeistert. Und denken Sie daran, es ist in Ordnung, Dinge zu brechen. So lernst du.

Kanwal Mehreen Kanwal ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Technology -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.

Bild von Autor | Leinwand

Manchmal kann es langweilig werden, nur durch das Lesen von Regeln zu lernen oder Tutorials zu befolgen, und Sie können das Interesse verlieren. Der beste Weg zum Lernen besteht darin, lustige Projekte zu erstellen, die Sie engagiert und energetisiert halten. In diesem Artikel werde ich 5 anfängerfreundliche Python-Projekte teilen, die Kernprogrammierprinzipien und praktische Techniken vermitteln, die Sie weiter verwenden werden. Lassen Sie mich Sie durch sie in einer Reihenfolge führen, die perfekt für Anfänger ist.

1. Pomodoro Timer App

Tutorial Hyperlink: https://youtu.be/uuwg5cm2los?si=df0bhbolhxczvnzr
Erfahren Sie die klassische Pomodoro -Technik, indem Sie diese einfache Timer -App in Python mit Alina Chudnova erstellen. In ihrem Tutorial von 2022 führt sie Sie durch die Einrichtung eines Countdown -Timers, der Spiel-/Pause-/Reset -Steuerelemente und des visuellen Feedbacks. Es eignet sich perfekt zum Verständnis für ereignisgesteuerte Programmierung und Tkinter. Sie lernen auch Zeithandhabung und grundlegendes GUI -Format und verwandeln sich wiederholte Studiensitzungen in ein interaktives Software, das Sie besitzen.

2. Beachten Sie die App mit Spracherkennung

Tutorial Hyperlink: https://youtu.be/z-3itxhrfke?si=alt6hgkgqs3ftval
Patrick Loebers „Notieren Sie die App mit Spracherkennung und die API“ API „durch die Erstellung eines mit Sprachantriebs zugänglichen Assistenten. Sie werden Pythons real_recognition implementieren, sie innerhalb einer Schleife nisten, damit sie kontinuierlich hört und sie über API -Aufrufe mit dem Begriff verbindet. Sie lernen nicht nur die Rede-zu-Textual content-Konvertierung, sondern auch Datenhandhabung der Daten und API-Integration. Am Ende werden Sie ein Software erhalten, mit dem Sie Sprache in organisierten Notizen erfassen würden.

3. AI Virtueller Maler

Tutorial Hyperlink: https://youtu.be/ziwzaavbxqo?si=t_dqiwab1rxie8xo
Dieses Projekt verwandelt Ihre Webcam und einen farbigen Marker mit OpenCV in einen magischen Pinsel. Sie erkennen Farben, verfolgen den Bewegungsrahmen nach Rahmen und zeichnen in Echtzeit. Es ist ein ausgezeichneter Crash -Kurs in Pc Imaginative and prescient Fundamentals. Sie erfahren über HSV -Farbtöne, Konturerkennung und eine interaktive visuelle Anwendung. Die Befriedigung, buchstäblich mit Code zu malen, macht es zu einer lustigen praktischen Erfahrung.

4. Pyphotoshop: Bildbearbeitung in Python

Tutorial Hyperlink: https://youtu.be/4ifduqmzqhm?si=xv-mkfouw8-gefwj
Erstellen Sie Ihren eigenen Mini-Photoshop mit Python-Bibliotheken wie Kissen oder OpenCV. Sie lernen, Filter anzuwenden, zuern, drehen, Textual content hinzufügen und vieles mehr. In diesem Projekt werden Sie beigebracht, wie Sie Pixel, Kettenbildoperationen und Benutzereingaben bearbeiten. Es ist ein großartiges Intro in die Bildverarbeitung, und Sie werden mit echten visuellen Effekten auf Ihren eigenen Fotos experimentieren.

5. Tower Protection -Spiel

Tutorial Hyperlink: https://www.youtube.com/reside/ilhakxqbooa?si=uqnzcymhp8hks-ea
Machen Sie sich in Recreation Dev, indem Sie ein Spiel mit Pygame oder Tkinter erstellen. Sie leiten das Laichen, die Bewegung, die Kollisionserkennung, die Schießlogik, die Bewertung und sogar das Objektorientierte. Es ist eine unterhaltsame, spielbare Methode, um Schleifen, Klassen und Echtzeit-Benutzerinteraktion mit dem Niveau-Fortschreiten zu lernen. Nebenbei bemerkt, es ist ein 12-stündiger Stay-Stream, additionally nehmen Sie sich Zeit, aber es warfare eine großartige Lernressource, die ich nicht vermissen konnte, dies zu erwähnen.

Einpacken

Das ist die Aufstellung! Wählen Sie ein Projekt aus, das Sie packt, Ihren Code -Editor öffnen und mit dem Erstellen beginnen.

Professional -Tipps, um motiviert zu bleiben:

1. Beginnen Sie einfach. Projekte werden aus einem bestimmten Grund bestellt.
2. Personalisieren Sie es nach dem Abschluss: Fügen Sie eine GUI, neue Funktionen hinzu oder teilen Sie es mit Freunden.
3. Für das Debuggen können Sie Druckanweisungen, Haltepunkte und das Durchtreten von Code auch dabei helfen, Probleme zu verstehen und zu beheben. Wenn Sie stecken bleiben, meine 7 Python -Debugging -Techniken, die jeder Anfänger wissen sollte Artikel kann helfen.

Kanwal Mehreen Kanwal ist ein Ingenieur für maschinelles Lernen und technischer Schriftsteller mit einer tiefgreifenden Leidenschaft für die Datenwissenschaft und die Schnittstelle von KI mit Medizin. Sie hat das eBook „Produktivität mit Chatgpt maximieren“. Als Google -Era -Gelehrte 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie wird auch als Teradata -Vielfalt in Tech Scholar, MITACS Globalink Analysis Scholar und Harvard Wecode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter der Veränderung, nachdem er Femcodes gegründet hat, um Frauen in STEM -Bereichen zu stärken.