Bild vom Herausgeber

# Einführung

Auch wenn Giant Language Fashions (LLMs) typischerweise für abgegrenzte, archetypische Rollen wie „E-Mail-Nachrichten schreiben“ oder „als erweiterte Suchmaschinen fungieren“ verwendet werden, bergen sie viel verborgenes Potenzial. Es geht lediglich darum, ihr verborgenes Potenzial zur kreativen Problemlösung aufzudecken und es auf weniger erforschte Gebiete auszudehnen.

Wenn Sie neue Beispiele für solch unkonventionelle Dinge im Zusammenhang mit LLMs entdecken möchten, listet dieser Artikel sieben davon auf und veranschaulicht sie, die weit über die übliche Chat-Oberfläche und Konversationen hinausgehen.

# 1. Den Anwalt des persönlichen Teufels für Entscheidungen spielen

Konversations-KI-Systeme werden sorgfältig darauf trainiert, mit dem Endbenutzer einverstanden zu sein, egal was passiert – sofern ihnen nichts anderes gesagt wird. Wenn Sie das nächste Mal eine ehrliche Entscheidungshilfe benötigen, bitten Sie die KI, Ihre Ideen bei Bedarf systematisch zu widerlegen und zu demontieren und Ihre Logik zu testen, anstatt nach Bestätigung zu streben. Sehen Sie sich zum Beispiel diese Beispielaufforderung an:

„Tragen Sie als rücksichtsloser, aber logischer Kritiker. Sehen Sie sich diesen Projektvorschlag an und identifizieren Sie die drei größten versteckten Risiken oder logischen Irrtümer, die ich übersehen habe.“

# 2. Entschlüsselung arkaner technischer Fehler

Dieser Anwendungsfall besteht darin, einem LLM so etwas wie eine kryptische Protokolldatei oder einen chaotischen, rohen Stack-Hint zur Verfügung zu stellen und ihn zu bitten, diesen „maschinengenerierten Ball der Frustration“ in eine Schritt-für-Schritt-Anleitung in natürlicher Sprache umzuwandeln, um das Downside zu beheben. Eine Eingabeaufforderungsvorlage wie diese (in die Sie das tatsächliche Fehlerprotokoll einfügen und den Teil in eckigen Klammern ersetzen können) könnte die Aufgabe intestine erfüllen:

„Ich erhalte diesen obskuren Systemfehler:
(Einfügefehler)

Erklären Sie im Klartext genau, welche Zeile fehlerhaft ist, und geben Sie die Befehle zur Behebung an.

# 3. Navigieren in der privaten Vertrags- und Rechtssprache

Sie sind sich nicht sicher, was Sie in einem Mietvertrag unterzeichnen wollen, und sind nicht bereit, die nötige Energie aufzuwenden, um diese endlosen, undurchsichtigen Seiten voller Klauseln durchzugehen? Wie wäre es, wenn Sie es über ein LLM laufen lassen – aus Datenschutzgründen idealerweise selbst gehostet – und es bitten, Warnsignale zu erkennen?

„Analysieren Sie diesen Mietvertrag. Markieren Sie alle ungewöhnlichen Kündigungsklauseln, versteckten Gebühren oder ungewöhnlichen Haftungsänderungen, die ein Laie leicht übersehen könnte.“

# 4. Simulation historischer Persönlichkeiten oder Expertenpersönlichkeiten

Hier geht es darum, den LLM dazu zu bewegen, den speziellen Kommunikationsstil oder den philosophischen Rahmen einer historischen Persönlichkeit nachzuahmen und so aus dem konventionellen Unternehmensdenken auszubrechen.

„Kritisieren Sie meine moderne Social-Media-Strategie, als wären Sie ein Werbefachmann aus der Madison Avenue der 1960er Jahre. Konzentrieren Sie sich stark auf emotionale Anziehungskraft und Markenpositionierung.“

# 5. Automatisierung des „Rubber Ducking“ für komplexe Logik

Dies ist sehr nützlich, damit das LLM fehlende Schritte in einem komplexen Arbeitsablauf oder komplizierten Logikrätsel erkennen und darauf hinweisen kann. Erklären Sie dem Modell den komplexen Arbeitsablauf oder das Rätsel, um zu überprüfen, ob Ihre mentale Landkarte intestine mit der Realität übereinstimmt. Nehmen Sie diese Beispiel-Eingabeaufforderungsvorlage:

„Ich versuche, einen automatisierten Workflow zu erstellen, der auf der Grundlage dieser drei spezifischen Bedingungen ausgelöst wird:
(Bedingungen auflisten)

Wo ist die logische Lücke in dieser Reihenfolge?“

# 6. Erstellen einer hyperpersonalisierten Expertise-Roadmap

Nutzen Sie diese Anregung, um einen maßgeschneiderten Lehrplan zu erstellen, der das, was Sie bereits wissen, weglässt und sich ausschließlich auf Ihre spezifischen Wissens- und Kompetenzlücken sowie auf Nischenbildungsziele konzentriert:

„Ich verstehe bereits die Grundlagen von Python, möchte aber Datenvisualisierung erlernen. Erstellen Sie einen kostenlosen 14-tägigen Lernplan mit täglichen Übungsübungen, die sich nur auf Matplotlib konzentrieren.“

# 7. Überbrückung des kulturellen Kontexts in Echtzeit

Dies ist im Bereich der internationalen Beziehungen sehr nützlich, um den Ton, die Formalität und die kulturelle Etikette in der Auslandskommunikation zu entschlüsseln:

„Übersetzen Sie diese E-Mail von einem neuen internationalen Kunden, erläutern Sie aber auch den Untertext, den Grad der verwendeten Formalität und wie ich meine Antwort respektvoll formatieren sollte, um ihren kulturellen Geschäftsstandards zu entsprechen.“

# Zusammenfassung

Diese sieben Anwendungsfälle kratzen nur an der Oberfläche dessen, was möglich wird, wenn man LLMs nicht nur als einfache Frage-Antwort-Maschinen behandelt.

Ganz gleich, ob Sie Ihre eigene Logik einem Stresstest unterziehen, rechtliches Kleingedrucktes entschlüsseln oder kulturelle Unterschiede überbrücken, der rote Faden ist die bewusste Aufforderung – dem Modell eine bestimmte Rolle, eine klare Einschränkung und ein konkretes Ziel zu geben. Je bewusster Sie Ihre Anfragen formulieren, desto mehr erweisen sich diese Instruments als echte kognitive Associate und nicht als verherrlichte Suchmaschinen.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

Bild vom Herausgeber

# Einführung

Die meisten Leute, die heruntergeladen haben Antigravitation Ich habe einen Agenten ausgeführt, um eine App zu erstellen, und habe zugeschaut Zwillinge 3 machte seine Sache und fing sofort an, über den ganzen Code nachzudenken, den sie nie wieder schreiben müssten. Völlig verständlich.

Aber Antigravity verfügt über eine Reihe von Fähigkeiten, von denen viele sehr wenig mit Schreibfunktionen zu tun haben. Es verfügt über einen Browser, der Ihren Bildschirm sieht und darin navigiert, ein Speichersystem, das tatsächlich über Sitzungen hinweg bestehen bleibt, und ein Agenten-Framework, das mehrere Aufgaben gleichzeitig bewältigen kann. Sobald Sie das geschafft haben, werden die Anwendungsfälle viel interessanter als Ihr nächster Pull-Request.

# 1. Verwenden Sie es als Forschungsassistent

Wenn Sie jemals versucht haben, Wettbewerbsforschung richtig durchzuführen, kennen Sie die Routine. Sie öffnen fünfzehn Registerkarten, vergessen, welche die Preisaufschlüsselung enthielt, schreiben drei Tage später Notizen, die keinen Sinn ergeben, und produzieren etwas Halbfertiges.

Der Browser-Agent von Antigravity verarbeitet diese Schleife, ohne dass Sie sie verwalten müssen. Sie beschreiben, was Sie suchen – Ankündigungen von Mitbewerbern, Preisseiten, aktuelle Produktaktualisierungen – und es navigiert autonom durch das Internet und erstellt ein strukturiertes Bild Artefakt mit denen man tatsächlich arbeiten kann.

Die Browser-Integration ist hier tiefer, als es sich anhört. Weil Google Antigravity darauf aufgebaut hat Chromsieht der Agent Seiten wie ein Mensch: Scrollen, Klicken und Lesen gerenderter Inhalte, anstatt Roh-HTML zu analysieren. Am Ende erhalten Sie eine zusammenhängende, kommentierbare Ausgabe. Für jeden, der im Rahmen seiner Arbeit wiederkehrende Marktforschung betreibt, ist dies allein schon die Set up wert.

Auf Wunsch kann der Agent seine Ergebnisse auch nach Kategorie, Quelle oder Aktualität strukturieren. Anstelle einer Textwand erhalten Sie etwas Organisiertes und tatsächlich Referenzierbares. Das ist die Artwork von Ergebnis, bei der man normalerweise einen Forschungsauftrag schreiben und dann darauf warten müsste, dass jemand anderes ihn ausführt.

# 2. Bauen Sie eine Wissensdatenbank auf, die nicht verdunstet

Eines der Designprinzipien von Antigravity besteht darin, dass das Lernen als dauerhafte Funktion behandelt wird – und nicht als ein Zurücksetzen von Sitzung zu Sitzung. Mit der Plattform können Agenten Kontext, Muster und Referenzmaterial in einer gemeinsamen Wissensdatenbank speichern, die sich über alle Sitzungen hinweg erstreckt und sich bei der Nutzung verbessert.

Das Interessante daran ist, dass es diesem System egal ist, ob Sie es mit Codeschnipseln oder Unternehmensdokumentationen füttern. Sie können es mit Styleguides, Forschungsnotizen und internen Standardarbeitsanweisungen (SOPs) laden oder sogar Lernkarten erstellen Kursbox Bei jeglichem Referenzmaterial müssen Sie aufhören, es von Grund auf neu zu erklären. Für alle, die den gleichen Kontext in jedes neue Software eingefügt haben, das sie ausprobieren, ist dies die Funktion, die das eigentliche Downside behebt.

Es handelt sich um einen strukturierten Speicher mit einem bestimmten Zweck, der nicht gelöscht wird, wenn Sie das Fenster schließen. Mit der Zeit werden die in dieser Wissensdatenbank arbeitenden Agenten genauer und kontextbewusster, da sie auf den Verlauf Ihrer Arbeit zurückgreifen, anstatt jede einzelne Sitzung neu zu beginnen.

# 3. Generieren Sie UI-Komplettlösungen ohne manuelle Arbeit

Produktmanager, Consumer Expertise (UX)-Forscher und alle, die den Ablauf einer Benutzeroberfläche (UI) manuell dokumentieren mussten, sollten hier aufmerksam sein. Der Browser-Agent von Antigravity kann durch eine Stay-Anwendung navigierendurchlaufen Sie einen Workflow, erfassen Sie in jeder Part Screenshots und stellen Sie das Ganze in einem Walkthrough-Artefakt zusammen. Es zeichnet ein Video von sich selbst auf. Sie verweisen auf eine URL, beschreiben den Ablauf und lassen ihn laufen.

Am Ende erhalten Sie eine mit Zeitstempeln versehene, visuelle und kommentierbare Consumer Journey, deren Erstellung durch den Agenten ein paar Minuten gedauert hat. Eine solche Lieferung würde normalerweise ein oder zwei Tage kontinuierlicher Arbeit kosten. Die Ausgabe spiegelt den genauen Zustand der Schnittstelle zu dem Zeitpunkt wider, als der Agent sie durchlief, was sie für Übergaben zur Qualitätssicherung (QA) oder Stakeholder-Überprüfungen wirklich zuverlässig macht.

# 4. Orchestrieren Sie mehrere Aufgaben gleichzeitig

Der Agentenmanager bietet Ihnen eine Mission-Management-Schnittstelle für die parallele Ausführung mehrerer Agenten in verschiedenen Arbeitsbereichen. Jeder Agent erhält seine eigene Aufgabe, seinen eigenen Kontext und seinen eigenen Satz an zu produzierenden Artefakten. Sie interagieren asynchron und überprüfen die Ausgaben, wenn sie bereit sind, anstatt jeden Schritt in Echtzeit zu beobachten.

Die Einrahmung Eigene Dokumentation von Antigravity ist entwicklerzentriert, aber es gibt nichts in der Mechanik, was es auf Code beschränkt. Die gleichzeitige Durchführung einer Inhaltsprüfung, einer Marktforschungsaufgabe und einer Datenbankerkundung ist durchaus machbar. Jeder Agent arbeitet unabhängig in seiner eigenen Spur, und Sie agieren auf der Ebene der Zuweisung von Aufträgen, anstatt die Arbeit selbst auszuführen.

Es ist eine dieser Funktionen, die nebensächlich klingt, bis man tatsächlich drei Dinge gleichzeitig erledigt hat. Allein die Reduzierung des Kontextwechsels macht es lohnenswert, es auszuprobieren, insbesondere wenn Sie Ihre Arbeit regelmäßig über verschiedene Arten von Quellen oder Formaten hinweg jonglieren.

# 5. Fragen Sie Ihre Datenbanken in einfacher Sprache ab

Antigravitationsschiffe mit Eingeborenen Mannequin Context Protocol (MCP) Serverunterstützung, was bedeutet, dass eine Verbindung zu Datenbanken hergestellt werden kann BigQuery, AlloyDBUnd Schlüssel durch ein UI-gesteuertes Setup. Der Agent erhält Zugriff auf Ihr Schema und kann es in natürlicher Sprache abfragen, beschreiben und darüber nachdenken. Sie fügen Ihre Projektdetails hinzu, authentifizieren sich über IAM-Anmeldeinformationen (Id and Entry Administration) und der Agent kümmert sich um die Übersetzung zwischen Ihrer Frage und dem, was die Datenbank produzieren muss.

Für Analysten oder Betriebsmitarbeiter, die regelmäßig Antworten aus großen Datenmengen benötigen, ohne in eine zu stürzen SQL Consumer jedes Mal, das ist leise mächtig. Es gibt keine Konfigurationsdatei, mit der Sie sich herumschlagen müssen, Ihre Anmeldedaten bleiben außerhalb des Chatfensters und Sie beschreiben in einfachen Worten, was Sie wollen. Der Agent schreibt die Abfrage; Du bekommst die Antwort.

Es ist auch erwähnenswert, dass der Verbindungsaufbau wirklich UI-gesteuert ist. Es gibt ein Formular, Sie füllen es aus und der Agent wird verbunden. NEIN YAML Dateien, kein Kopieren und Einfügen von Verbindungszeichenfolgen und kein Debuggen eines Setups, das gestern funktionierte und heute ohne ersichtlichen Grund abstürzte.

# Abschließende Gedanken

Antigravity wurde als Codierungstool eingeführt, weil dort die Maßstäbe liegen und eine saubere Produktankündigung ausmacht. Die eigentliche Architektur umfasst jedoch autonome Browser-Agenten, persistente Wissensdatenbanken, parallele Aufgabenorchestrierung und native Datenbankkonnektivität.

Dabei geht es nur sehr wenig ausschließlich um Schreibfunktionen. Es handelt sich um eine Agentenplattform, die zufällig mit einer ausgefeilten integrierten Entwicklungsumgebung (IDE) ausgeliefert wird. Die nicht-codierenden Anwendungsfälle sind bereits integriert. Sie bekamen in der Keynote einfach keine eigene Folie. Verbringen Sie etwas Zeit in der Supervisor-Ansicht und im Artefaktsystem, und Sie werden sich fragen, warum Sie es überhaupt auf Code beschränken sollten.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

# Einführung

OpenClaw ist eines der leistungsstärksten Open-Supply-Frameworks für autonome Agenten, die im Jahr 2026 verfügbar sind. Es handelt sich nicht nur um eine Chatbot-Ebene. Es führt einen Gateway-Prozess aus, installiert ausführbare Fähigkeiten, stellt eine Verbindung zu externen Instruments her und kann reale Aktionen auf Ihren System- und Messaging-Plattformen durchführen.

Diese Fähigkeit ist genau das, was OpenClaw von anderen unterscheidet, und es ist auch wichtig, mit derselben Denkweise vorzugehen, die Sie auch bei der laufenden Infrastruktur anwenden würden.

Sobald Sie damit beginnen, Fähigkeiten zu aktivieren, ein Gateway offenzulegen oder einem Agenten Zugriff auf Dateien, Geheimnisse und Plugins zu gewähren, betreiben Sie etwas, das echte Sicherheits- und Betriebsrisiken birgt.

Bevor Sie OpenClaw lokal oder in der Produktion bereitstellen, müssen Sie die folgenden fünf wesentlichen Dinge darüber verstehen, wie es funktioniert, wo die größten Risiken bestehen und wie Sie es sicher einrichten.

# 1. Behandeln Sie es wie einen Server, denn es ist einer

OpenClaw führt einen Gateway-Prozess aus, der Kanäle, Instruments und Modelle verbindet. Sobald Sie es einem Netzwerk aussetzen, führen Sie etwas aus, das angegriffen werden kann.

Tun Sie dies frühzeitig:

• Behalten Sie es nur lokal bei, bis Sie Ihrer Konfiguration vertrauen
• Überprüfen Sie Protokolle und aktuelle Sitzungen auf unerwartete Toolaufrufe
• Führen Sie die integrierte Prüfung nach Änderungen erneut aus

Laufen:

openclaw safety audit --deep

# 2. OpenClaw-Fähigkeiten sind Code, keine „Add-ons“

ClawHub ist der Ort, an dem die meisten Menschen OpenClaw-Fähigkeiten entdecken und installieren. Aber das Wichtigste, was es zu verstehen gilt, ist einfach:

Fähigkeiten sind ausführbarer Code.

Es handelt sich nicht um harmlose Plugins. Ein Talent kann Befehle ausführen, auf Dateien zugreifen, Workflows auslösen und direkt mit Ihrem System interagieren. Das macht sie extrem leistungsfähig, birgt aber auch ein echtes Risiko für die Lieferkette.

Sicherheitsforscher haben bereits berichtet, dass bösartige Fähigkeiten in Register wie ClawHub hochgeladen werden, wobei sie häufig auf Social Engineering zurückgreifen, um Benutzer dazu zu verleiten, unsichere Befehle auszuführen.

Die gute Nachricht ist, dass ClawHub jetzt über integrierte Sicherheitsscans verfügt, einschließlich VirusTotal-Berichten, sodass Sie einen Talent überprüfen können, bevor Sie ihn installieren. Beispielsweise können Ergebnisse wie die folgenden angezeigt werden:

• Sicherheitsscan: Gutartig
• VirusTotal: Bericht ansehen
• OpenClaw-Bewertung: Verdächtig (hohes Vertrauen)

Nehmen Sie diese Warnungen immer ernst, insbesondere wenn eine Fertigkeit als verdächtig gekennzeichnet ist.

Praktische Regeln:

• Installieren Sie zu Beginn weniger Fähigkeiten, nur von vertrauenswürdigen Autoren
• Lesen Sie immer die Dokumentation und das Repository des Expertise, bevor Sie ihn ausführen
• Seien Sie vorsichtig bei Fertigkeiten, die Sie zum Einfügen langer oder unverständlicher Shell-Befehle auffordern
• Überprüfen Sie vor dem Herunterladen den Sicherheitsscan und den VirusTotal-Bericht
• Halten Sie alles regelmäßig auf dem neuesten Stand:

# 3. Verwenden Sie immer ein starkes Modell

Die Sicherheit und Zuverlässigkeit von OpenClaw hängt stark von dem Modell ab, mit dem Sie es verbinden. Da OpenClaw Instruments ausführen und echte Aktionen ausführen kann, generiert das Modell nicht nur Textual content. Es trifft Entscheidungen, die sich auf Ihr System auswirken können.

Ein schwaches Modell kann:

• Fehlzündende Werkzeugaufrufe
• Befolgen Sie unsichere Anweisungen
• Lösen Sie Aktionen aus, die Sie nicht beabsichtigt haben
• Seien Sie verwirrt, wenn mehrere Instruments verfügbar sind

Verwenden Sie ein erstklassiges, werkzeugfähiges Modell. Im Jahr 2026 gehören zu den beständigsten Optionen für Agenten-Workflows und -Codierung:

• Claude Opus 4.6 für Planung, Zuverlässigkeit und Arbeit im Agentenstil
• GPT-5.3-Codex für Agenten-Codierung und lang laufende Instrument-Aufgaben
• GLM-5 wenn Sie eine starke Open-Supply-Studying-Choice wünschen, die sich auf Langfristigkeit und Agentenfähigkeit konzentriert
• Kimi K2.5 für multimodale und Agenten-Workflows, einschließlich größerer Aufgabenausführungsfunktionen

Praktische Aufbauregeln:

• Bevorzugen Sie nach Möglichkeit offizielle Anbieterintegrationen, da diese in der Regel eine bessere Streaming- und Instrument-Unterstützung bieten
• Vermeiden Sie experimentelle oder minderwertige Modelle, wenn Instruments aktiviert sind
• Halten Sie das Routing explizit. Entscheiden Sie, welche Aufgaben werkzeugaktiviert und welche rein textbasiert sind, damit Sie nicht versehentlich dem falschen Modell Zugriff mit hohen Berechtigungen gewähren

Wenn Datenschutz für Sie Priorität hat, ist die lokale Ausführung von OpenClaw mit Ollama ein üblicher Ausgangspunkt:

# 4. Sperren Sie Geheimnisse und Ihren Arbeitsbereich

Das größte Risiko in der realen Welt sind nicht nur schlechte Fähigkeiten. Das größere Risiko ist Offenlegung von Anmeldeinformationen.

OpenClaw landet oft neben Ihren sensibelsten Belongings: API-Schlüssel, Zugriffstokens, SSH-Anmeldeinformationen, Browsersitzungen und Konfigurationsdateien. Wenn eines davon ausläuft, muss ein Angreifer das Modell nicht zerstören. Sie müssen lediglich Ihre Anmeldeinformationen wiederverwenden.

Behandeln Sie Geheimnisse als hochwertige Ziele:

• API-Schlüssel und Anbieter-Tokens
• Slack-, Telegram- und WhatsApp-Sitzungen
• GitHub-Tokens und Bereitstellungsschlüssel
• SSH-Schlüssel und Cloud-Anmeldeinformationen
• Browser-Cookies und gespeicherte Sitzungen

Tun Sie dies in der Praxis:

• Speichern Sie Geheimnisse in Umgebungsvariablen oder einem Geheimnisse-Supervisor, nicht in Talent-Konfigurationen oder Nur-Textual content-Dateien
• Halten Sie Ihren OpenClaw-Arbeitsbereich minimal. Mounten Sie nicht Ihr gesamtes Dwelling-Verzeichnis
• Beschränken Sie die Dateiberechtigungen für den OpenClaw-Arbeitsbereich, sodass nur der Agent-Benutzer darauf zugreifen kann
• Wechseln Sie die Token sofort, wenn Sie jemals etwas Verdächtiges installieren oder unerwartete Instrument-Aufrufe feststellen
• Bevorzugen Sie die Isolation bei ernsten Dingen. Führen Sie OpenClaw in einem Container oder einer isolierten VM aus, damit ein gefährdeter Talent nicht auf den Relaxation Ihres Computer systems zugreifen kann

Wenn Sie OpenClaw auf einem gemeinsam genutzten Server ausführen, behandeln Sie ihn wie eine Produktionsinfrastruktur. Das geringste Privileg ist der Unterschied zwischen einem sicheren Agenten und einer vollständigen Kontoübernahme.

# 5. Sprachanrufe sind echte Macht … und ein Risiko

Das Voice Name-Plugin bringt OpenClaw über den Textual content hinaus in die reale Welt. Es ermöglicht ausgehende Telefonanrufe und Sprachgespräche mit mehreren Runden, was bedeutet, dass Ihr Agent nicht mehr nur im Chat antwortet. Es spricht direkt zu den Menschen.

Das ist eine große Fähigkeit, birgt aber auch ein höheres operatives und finanzielles Risiko.

Bevor Sie Sprachanrufe aktivieren, sollten Sie klare Grenzen definieren:

• Wer kann wann und zu welchem ​​Zweck angerufen werden?
• Was der Agent während eines Dwell-Gesprächs sagen darf
• So verhindern Sie versehentliche Anrufschleifen, Spam-Verhalten oder unerwartete Nutzungskosten
• Ob Anrufe vor dem Tätigen einer menschlichen Genehmigung bedürfen

Sprachtools sollten immer als Aktionen mit hohen Berechtigungen behandelt werden, ähnlich wie Zahlungen oder Administratorzugriff.

# Letzte Gedanken

OpenClaw ist eines der leistungsfähigsten Open-Supply-Agent-Frameworks, die heute verfügbar sind. Es kann eine Verbindung zu echten Instruments herstellen, ausführbare Fähigkeiten installieren, Arbeitsabläufe automatisieren und über Messaging- und Sprachkanäle hinweg arbeiten.

Gerade deshalb sollte es mit Sorgfalt behandelt werden.

Wenn Sie OpenClaw wie eine Infrastruktur angehen, die Fähigkeiten auf ein Minimal beschränken, ein starkes Modell wählen, Geheimnisse sperren und Plugins mit hohen Berechtigungen nur mit klaren Kontrollen aktivieren, wird es zu einer äußerst leistungsstarken Plattform für den Aufbau echter autonomer Systeme.

Bei der Zukunft von KI-Agenten geht es nicht nur um Intelligenz. Es geht um Ausführung, Vertrauen und Sicherheit. OpenClaw gibt Ihnen die Macht, diese Zukunft zu gestalten, aber es liegt in Ihrer Verantwortung, sie bewusst einzusetzen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Am meisten KI-Projekte Beginnen Sie mit einer lästigen Aufgabe: dem Bereinigen unordentlicher Dateien. PDFs, Phrase-Dokumente, PPTs, Bilder, Audiodateien und Tabellenkalkulationen müssen alle in sauberen Textual content umgewandelt werden, bevor sie nützlich werden können. Microsofts MarkItDown behebt dieses Downside endlich. In dieser Anleitung zeige ich Ihnen, wie Sie es installieren, jeden wichtigen Dateityp in Markdown konvertieren, OCR für Bilder ausführen, Audio transkribieren, Inhalte aus ZIPs extrahieren und mit nur wenigen Codezeilen sauberere Pipelines für Ihre LLM-Workflows erstellen.

Warum ist MarkItDown wichtig?

Bevor wir uns mit den praktischen Beispielen befassen, ist es hilfreich zu verstehen, wie MarkItDown tatsächlich verschiedene Dateien in sauberes Markdown konvertiert. Die Bibliothek behandelt nicht jedes Format gleich. Stattdessen kommt ein intelligenter zweistufiger Prozess zum Einsatz.

Zunächst wird jeder Dateityp mit dem für ihn am besten geeigneten Software analysiert. Phrase-Dokumente durchlaufen Mammut, Excel-Tabellen durchlaufen Pandas und PowerPoint-Folien durchlaufen Python-PPTX. Alle werden in strukturiertes HTML umgewandelt.

Zweitens wird dieser HTML-Code mithilfe von BeautifulSoup bereinigt und in Markdown umgewandelt. Dadurch wird sichergestellt, dass die endgültige Ausgabe Überschriften, Hear, Tabellen und die logische Struktur intakt behält.

Sie können das Bild hier hinzufügen, um den Ablauf zu verdeutlichen:

MarkItDown folgt dieser Pipeline jedes Mal, wenn Sie eine Konvertierung durchführen, unabhängig davon, wie chaotisch das Originaldokument ist.

Lesen Sie mehr darüber in unserem vorherigen Artikel über Wie verwende ich MarkItDown MCP, um die Dokumente in Markdowns umzuwandeln?

Set up und Einrichtung von Microsofts MarkItDown

Zum Starten sind eine Python-Umgebung und Pip erforderlich. Sie benötigen außerdem einen offenen AI-API-Schlüssel, falls Sie Bilder oder Audio verarbeiten möchten.

In jedem Terminal installiert der folgende Befehl die MarkItDown-Python-Bibliothek:

!pip set up markitdown(all) 

Es ist besser, eine virtuelle Umgebung einzurichten, um Konflikte mit anderen Projekten zu vermeiden.

# Create a digital atmosphere 
python -m venv venv 
 
# Activate it (Home windows) 
venvScriptsactivate 
 
# Activate it (Mac/Linux) 
supply venv/bin/activate 

Importieren Sie die Bibliothek nach der Set up in Python, um sie zu testen. Sie können nun Dateien in Markdown konvertieren

8 Dinge, die Sie mit der MarkItDown-Bibliothek von Microsoft tun können

MarkItDown unterstützt die meisten Formate. Dies sind Beispiele für die Verwendung bei allgemeinen Dateien.

Aufgabe 1: Konvertieren von MS Phrase-Dokumenten

Phrase-Dokumente enthalten häufig Überschriften, fetten Textual content und Hear. MarkItDown behält diese Formatierung während der Konvertierung bei.

from markitdown import MarkItDown 
md = MarkItDown() 
res = md.convert("/content material/test-sample.docx") 
print(res.text_content) 

Ausgabe:

Sie finden den Markdown-Textual content. Überschriften werden durch die Buchstaben # und Hear durch * gekennzeichnet. Diese Type der Struktur hilft den LLMs, die Struktur Ihrer Arbeit zu verstehen.

Datenanalysten benötigen regelmäßig Excel-Daten. Es handelt sich um ein Dokumentkonvertierungstool, das Tabellenkalkulationen in saubere Markdown-Tabellen konvertieren kann.

from markitdown import MarkItDown 
md = MarkItDown() 
end result = md.convert("/content material/file_example_XLS_10.xls") 
print(end result.text_content) 

Ausgabe:

Die Informationen werden in Type einer Markdown-Tabelle dargestellt. Dieses Format ist sowohl für Menschen als auch für KI-Modelle nicht schwer zu interpretieren.

Aufgabe 3: PowerPoint-Folien in Clear Markdown umwandeln

Folienstapel enthalten nützliche Zusammenfassungen. Dieser Textual content kann extrahiert werden, um Daten zu erstellen, die in LLM-Zusammenfassungsaufgaben verwendet werden.

from markitdown import MarkItDown 
md = MarkItDown() 
end result = md.convert("/content material/file-sample.pptx") 
print(end result.text_content) 

Ausgabe:

Das Software erfasst Aufzählungspunkte und Folientitel, getrennt nach Foliennummer. Es ignoriert komplizierte Layoutfunktionen, die dazu führen, dass Textparser verloren gehen.

Aufgabe 4: PDFs in strukturierten Markdown analysieren

Das PDF ist äußerst schwer zu entschlüsseln. MarkItDown erleichtert diesen Prozess.

from markitdown import MarkItDown 
md = MarkItDown() 
end result = md.convert("/content material/1706.03762.pdf") 
print(end result.text_content) 

Ausgabe:

Es extrahiert den Textual content mit der Formatierung abschnittsweise. Die Bibliothek kann auch mit OCR-Instruments kombiniert werden, wenn komplexe PDFs gescannter Dokumente verwendet werden.

Aufgabe 5: Textual content aus Bildern mithilfe von OCR generieren

Die MarkItDown-Python-Bibliothek ist in der Lage, Bilder zu beschreiben, falls Sie sie einem multimodalen LLM zuordnen. Dabei handelt es sich um eine LLC-Kundenvereinbarung.

from markitdown import MarkItDown 
from openai import OpenAI 
from google.colab import userdata 
shopper = OpenAI(api_key=userdata.get('OPENAI_KEY')) 
md = MarkItDown(llm_client=shopper, llm_model="gpt-4o-mini") 
end result = md.convert("/content material/Screenshot 2025-12-03 at 5.46.29 PM.png") 
print(end result.text_content) 

Ausgabe:

Das Modell erstellt eine beschreibende Bildunterschrift oder einen Textual content, der im Bild sichtbar ist.

Aufgabe 6: Audiodateien in Markdown transkribieren

Sie können sogar Audiodateien in Textual content umwandeln. Es verfügt über diese Funktion über Sprachtranskription.

from markitdown import MarkItDown 
from openai import OpenAI 
md = MarkItDown(llm_client=shopper, llm_model="gpt-4o-mini") 
end result = md.convert("/content material/speech.mp3") 
print(end result.text_content) 

Ausgabe:

Eine Texttranskription der Audiodatei im Markdown-Format.

Aufgabe 7: Mehrere Dateien in ZIP-Archiven verarbeiten

MarkItDown kann ganze Archive gleichzeitig verarbeiten, sofern Sie über eine ZIP-Datei mit Dokumenten verfügen.

from markitdown import MarkItDown 
md = MarkItDown() 
end result = md.convert("/content material/test-sample.zip") 
print(end result.text_content)  

Ausgabe:

Die Anwendung vereinheitlicht den Inhalt aller unterstützten Dateien in einer ZIP-Datei in einer einzigen Markdown-Ausgabe. Es extrahiert auch den Inhalt der CSV-Datei und konvertiert ihn in Markdown.

Aufgabe 8: Umgang mit HTML und textbasierten Formaten

Webseiten und Datendateien wie CSVs lassen sich einfach in Markdown konvertieren.

from markitdown import MarkItDown 
md = MarkItDown() 
end result = md.convert("/content material/sample1.html") 
print(end result.text_content) 

Ausgabe:

Verarbeiten Sie mehrere Dateien in ZIP-Archiven

Clear Markdown, der Hyperlinks und Header aus dem HTML beibehält.

Erweiterte Tipps und Fehlerbehebung

Beachten Sie die folgenden Tipps, um mit diesem Dokumentkonvertierungstool die besten Ergebnisse zu erzielen:

Wählen Sie 77 weitere Wörter aus, um Humanizer auszuführen.

• Optimierung der Ausgabe: Das Flag -o kann in der Befehlszeile zum Speichern in einer Datei verwendet werden.
• Große Dateien: Die Verarbeitung großer Dateien kann zeitaufwändig sein. Stellen Sie sicher, dass in Ihrem Gerät ausreichend Speicherkapazität vorhanden ist.
• API-Fehler: API-Schlüssel und Internetproblem: Bei Problemen mit der Bild-/Audiokonvertierung überprüfen Sie den API-Schlüssel und die Internetverbindung.
• Unterstützte Formate: Erfassen Sie einen Fehler: Sehen Sie sich die GitHub-Problemseite an. Die Gesellschaft ist engagiert und unterstützend.

Noch weiter gehen: Aufbau einer KI-Pipeline

MarkItDown fungiert als solide Grundlage für KI-Workflows. Sie können es mit Instruments wie LangChain integrieren, um leistungsstarke KI-Anwendungen zu erstellen. Beim Coaching von LLMs sind qualitativ hochwertige Daten wichtig. Die Open-Supply-Instruments von Microsoft helfen Ihnen, saubere Eingabedaten beizubehalten, was zu genaueren und zuverlässigeren KI-Antworten führt.

Abschluss

Die MarkItDown-Python-Bibliothek ist ein Durchbruch bei der Datenaufbereitung. Es ermöglicht Ihnen, Dateien mit geringstem Aufwand in Markdown zu konvertieren. Es verarbeitet einfache Texte zu Multimedia. Auch die Open-Supply-Instruments von Microsoft verbessern das Entwicklererlebnis. Dies ist ein Dokumentkonvertierungstool, das in Ihrem Toolkit enthalten sein muss, falls Sie mit LLMs arbeiten. Probieren Sie die obigen Beispiele aus. Treten Sie der Neighborhood auf GitHub bei. Natürlich bereiten Sie Daten in kürzester Zeit auf die Arbeitsabläufe von LLM vor.

Häufig gestellte Fragen

Q1. Ist die Nutzung von MarkItDown kostenlos?

A. Ja. Microsoft verwaltet es als Open-Supply-Bibliothek und Sie können es kostenlos mit pip installieren.

Q2. Unterstützt MarkItDown PDFs?

A. Es unterstützt am besten Textual content-PDFs, kann aber auch mit gescannten Bildern arbeiten, sofern Sie es mit einem LLM-Consumer für OCR einrichten.

Q3. Sollten alle meine Konvertierungen einen API-Schlüssel mit OpenAI erfordern?

A. Nein. MarkItDown benötigt einen API-Schlüssel nur für Bild- und Audiokonvertierungen. Es konvertiert textbasierte Dateien lokal ohne API-Schlüssel.

This fall. Ist MarkItDown befehlszeilenfähig?

A. Die Set up der Bibliothek bedeutet auch, dass ein Befehlszeilentool zum Einfügen schneller Dateikonvertierungen verfügbar ist.

F5. Welche Dateiformate unterstützt MarkItDown?

A. Es unterstützt PDF, Docx, PPTX, XLSX, Bilder, Audio, HTML, CSV, JSON, ZIP und YouTube-URLs.

Harsh Mishra ist ein KI/ML-Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit echten Menschen. Leidenschaftlich für GenAI, NLP und die intelligentere Entwicklung von Maschinen (damit sie ihn noch nicht ersetzen). Wenn er nicht gerade Modelle optimiert, optimiert er wahrscheinlich seinen Kaffeekonsum.

Großsprachige Modelle (LLMs) sind jetzt besser als je zuvor zugänglich. Die Gemini -API von Google bietet Entwicklern und Schöpfer ein leistungsstarkes und vielseitiges Software. In diesem Leitfaden werden die zahlreichen praktischen Anwendungen untersucht, die Sie mit der kostenlosen Gemini -API verwenden können. Wir werden mehrere praktische Beispiele durchgehen. Sie lernen wichtige Gemini -API -Aufforderungstechniken, von einfachen Abfragen bis hin zu komplexen Aufgaben. Wir werden Methoden wie Zero-Shot-Aufforderung, Gemini und wenige Schussaufforderung abdecken. Sie lernen auch, wie Sie Aufgaben wie die grundlegende Codegenerierung mit Gemini ausführen und Ihren Workflow effizienter machen.

Wie bekomme ich Ihre kostenlose Gemini -API?

Bevor wir beginnen, müssen Sie Ihre Umgebung einrichten. Dieser Vorgang ist einfach und dauert nur wenige Minuten. Sie brauchen eine Google AI Studio API -Schlüssel zu Beginn.

Installieren Sie zunächst die erforderlichen Python Bibliotheken. Mit diesem Paket können Sie leicht mit der Gemini -API kommunizieren.

!pip set up -U -q "google-genai>=1.0.0"

Konfigurieren Sie als Nächstes Ihren API -Schlüssel. Sie können einen kostenlosen Schlüssel von erhalten Google AI Studio. Speichern Sie es sicher und verwenden Sie den folgenden Code, um den Shopper zu initialisieren. Dieses Setup ist die Grundlage für alle folgenden Beispiele.

from google import genai

# Ensure to safe your API key

# For instance, by utilizing userdata in Colab

# from google.colab import userdata

# GOOGLE_API_KEY=userdata.get('GOOGLE_API_KEY')

shopper = genai.Shopper(api_key="YOUR_API_KEY")

MODEL_ID = "gemini-1.5-flash"

Teil 1: Grundlagenanlauf -Techniken

Beginnen wir mit zwei grundlegenden Gemini -API -Anforderungen, die Techniken fordern. Diese Methoden bilden die Grundlage für fortgeschrittenere Interaktionen.

Technik 1: Null-Shot-Aufforderung für schnelle Antworten

Null-Shot-Aufforderung ist der einfachste Weg, um mit einem zu interagieren Llm. Sie stellen eine Frage direkt, ohne Beispiele anzugeben. Diese Methode eignet sich intestine für einfache Aufgaben, bei denen das vorhandene Wissen des Modells ausreicht. Für eine effektive Aufforderung zum Null-Shot ist Klarheit der Schlüssel.

Verwenden wir es, um das Gefühl einer Kundenüberprüfung zu klassifizieren.

Immediate:

immediate = """

   Classify the sentiment of the next evaluation as constructive, detrimental, or impartial:

   Overview: "I am going to this restaurant each week, I find it irresistible a lot."

"""

response = shopper.fashions.generate_content(

   mannequin=MODEL_ID,

   contents=immediate,

)

print(response.textual content)

Ausgabe:

Dieser einfache Ansatz erledigt die Arbeit schnell. Es ist eines der häufigsten Dinge, die Sie mit der freien API des Geminis tun können.

Technik 2: wenige Schüsse Aufforderung für benutzerdefinierte Formate

Manchmal benötigen Sie die Ausgabe in einem bestimmten Format. Wenige Schüsse Aufforderung Leitet das Modell, indem Sie einige Beispiele für Eingabe und erwartete Ausgabe anbieten. Diese Technik hilft dem Modell, Ihre Anforderungen genau zu verstehen.

Hier extrahieren wir Städte und ihre Länder in ein JSON -Format.

Immediate:

immediate = """

   Extract cities from the textual content and embrace the nation they're in.

   USER: I visited Mexico Metropolis and Poznan final 12 months

   MODEL: {"Mexico Metropolis": "Mexico", "Poznan": "Poland"}

   USER: She wished to go to Lviv, Monaco and Maputo

   MODEL: {"Lviv": "Ukraine", "Monaco": "Monaco", "Maputo": "Mozambique"}

   USER: I'm presently in Austin, however I will likely be shifting to Lisbon quickly

   MODEL:

"""

# We additionally specify the response ought to be JSON

generation_config = varieties.GenerationConfig(response_mime_type="utility/json")

response = mannequin.generate_content(

   contents=immediate,

   generation_config=generation_config

)

show(Markdown(f"```jsonn{response.textual content}n```"))

Ausgabe:

Durch die Bereitstellung von Beispielen lehren Sie dem Modell die genaue Struktur, die Sie möchten. Dies ist ein leistungsstarker Fortschritt von Primary Null-Shot, der Zwillinge auffordert.

Teil 2: Führung des Verhaltens und Wissens des Modells

Sie können die Particular person des Modells steuern und ihm spezifisches Wissen vermitteln. Diese Gemini -API -Aufforderungstechniken machen Ihre Interaktionen zielgerichteter.

Technik 3: Rolle, die dazu veranlasst wird, eine Persona zu definieren

Sie können dem Modell eine Rolle zuweisen, um seinen Ton und Stil zu beeinflussen. Dadurch wird die Antwort authentischer und auf einen bestimmten Kontext zugeschnitten.

Bitten wir aus der Sicht eines deutschen Reiseleiters um Museumsempfehlungen.

Immediate:

system_instruction = """

   You're a German tour information. Your activity is to offer suggestions

   to folks visiting your nation.

"""

immediate="May you give me some suggestions on artwork museums in Berlin and Cologne?"

model_with_role = genai.GenerativeModel(

   'gemini-2.5-flash-',

   system_instruction=system_instruction

)

response = model_with_role.generate_content(immediate)

show(Markdown(response.textual content))

Ausgabe:

Das Modell übernimmt die Persona und macht die Antwort ansprechender und hilfreicher.

Technik 4: AddiNG Kontext zur Beantwortung von Nischenfragen

LLMs wissen nicht alles. Sie können spezifische Informationen in der Eingabeaufforderung bereitstellen, um das Modell zu helfen, Fragen zu neuen oder privaten Daten zu beantworten. Dies ist ein Kernkonzept dahinter REMAINAL-AUGENTED-Technology (LAG).

Hier geben wir dem Modell eine Tabelle olympischer Athleten, um eine bestimmte Frage zu beantworten.

Immediate:

immediate = """

 QUERY: Present a listing of athletes that competed within the Olympics precisely 9 occasions.

 CONTEXT:

 Desk title: Olympic athletes and variety of occasions they've competed

 Ian Millar, 10

 Hubert Raudaschl, 9

 Afanasijs Kuzmins, 9

 Nino Salukvadze, 9

 Piero d'Inzeo, 8

"""

response = mannequin.generate_content(immediate)

show(Markdown(response.textual content))

Ausgabe:

Das Modell verwendet nur den bereitgestellten Kontext, um eine genaue Antwort zu geben.

Technik 5: Bereitstellung von Basisfällen für klare Grenzen

Es ist wichtig zu definieren, wie sich ein Modell verhalten sollte, wenn es eine Anfrage nicht erfüllen kann. Die Bereitstellung von Basisfällen oder Standardantworten verhindert unerwartete oder off-topische Antworten.

Lassen Sie uns einen Urlaubsassistenten mit einer begrenzten Verantwortung erstellen.

Immediate:

system_instruction = """

You're an assistant that helps vacationers plan their trip. Your duties are:

1. Serving to ebook the resort.

2. Recommending eating places.

3. Warning about potential risks.

If one other request is requested, return "I can't assist with this request."

"""

model_with_rules = genai.GenerativeModel(

   'gemini-1.5-flash-latest',

   system_instruction=system_instruction

)

# On-topic request

response_on_topic = model_with_rules.generate_content("What ought to I look out for on the seashores in San Diego?")

print("--- ON-TOPIC REQUEST ---")

show(Markdown(response_on_topic.textual content))

# Off-topic request

response_off_topic = model_with_rules.generate_content("What bowling locations do you advocate in Moscow?")

print("n--- OFF-TOPIC REQUEST ---")

show(Markdown(response_off_topic.textual content))

Ausgabe:

Teil 3: Fortgeschrittene Argumentation freischalten

Für komplexe Probleme müssen Sie den Denkprozess des Modells leiten. Diese Argumentationstechniken verbessern die Genauigkeit bei mehrstufigen Aufgaben.

Technik 6: Grundlegende Begründung für Schritt-für-Schritt-Lösungen

Sie können das Modell anweisen, ein Downside zu brechen und seine Schritte zu erklären. Dies ist nützlich für mathematische oder logische Probleme, bei denen der Prozess genauso wichtig ist wie die Antwort.

Hier bitten wir das Modell, um den Bereich eines Dreiecks zu lösen und seine Arbeit zu zeigen.

Immediate:

system_instruction = """

 You're a instructor fixing mathematical issues. Your activity:

 1. Summarize given circumstances.

 2. Determine the issue.

 3. Present a transparent, step-by-step resolution.

 4. Present an evidence for every step.

"""

math_problem = "Given a triangle with base b=6 and top h=8, calculate its space."

reasoning_model = genai.GenerativeModel(

   'gemini-1.5-flash-latest',

   system_instruction=system_instruction

)

response = reasoning_model.generate_content(math_problem)

show(Markdown(response.textual content))

Ausgabe:

Diese strukturierte Ausgabe ist klar und leicht zu befolgen.

Technik 7: Kette des Gedankens für komplexe Probleme

Die Aufforderung der Kette der Gedanken (COT) ermutigt das Modell, Schritt für Schritt zu denken. Untersuchungen von Google zeigen, dass dies die Leistung bei komplexen Argumentationsaufgaben erheblich verbessert. Anstatt nur die endgültige Antwort zu geben, erklärt das Modell seinen Argumentationsweg.

Lassen Sie uns ein logisches Puzzle mit COT lösen.

Immediate:

immediate = """

 Query: 11 factories could make 22 automobiles per hour. How a lot time would it not take 22 factories to make 88 automobiles?

 Reply: A manufacturing facility could make 22/11=2 automobiles per hour. 22 factories could make 22*2=44 automobiles per hour. Making 88 automobiles would take 88/44=2 hours. The reply is 2 hours.

 Query: 5 folks can create 5 donuts each 5 minutes. How a lot time would it not take 25 folks to make 100 donuts?

 Reply:

"""

response = mannequin.generate_content(immediate)

show(Markdown(response.textual content))

Ausgabe:

Das Modell folgt dem Muster und unterteilt das Downside in logische Schritte.

Technik 8: Selbstmanner Aufforderung zur Dekonstruktion von Fragen

Die Aufforderung der Selbstakadung ähnelt dem COT. Das Modell unterteilt eine Hauptfrage in kleinere Comply with-up-Fragen. Es beantwortet jede Unter Frage, bevor Sie zur endgültigen Antwort ankommen.

Verwenden wir dies, um eine mehrteilige historische Frage zu lösen.

Immediate:

immediate = """

 Query: Who was the president of the us when Mozart died?

 Are observe up questions wanted?: sure.

 Comply with up: When did Mozart die?

 Intermediate reply: 1791.

 Comply with up: Who was the president of the us in 1791?

 Intermediate reply: George Washington.

 Ultimate reply: When Mozart died George Washington was the president of the USA.

 Query: The place did the Emperor of Japan, who dominated the 12 months Maria Skłodowska was born, die?

"""

response = mannequin.generate_content(immediate)

show(Markdown(response.textual content))

Ausgabe:

Dieser strukturierte Denkprozess sorgt für die Genauigkeit komplexer Abfragen.

Teil 4: reale Anwendungen mit Gemini

Lassen Sie uns nun sehen, wie diese Techniken für gemeinsame reale Aufgaben gelten. Die Erforschung dieser Beispiele zeigt die Vielzahl von Dingen, die Sie mit der freien API des Geminis tun können.

Technik 9: Klassifizierung des Textes für Moderation und Analyse

Sie können Gemini verwenden, um den Textual content automatisch zu klassifizieren. Dies ist nützlich für Aufgaben wie die Mäßigung von Inhalten, bei denen Sie Spam oder missbräuchliche Kommentare identifizieren müssen. Mit nur wenigen Schuss-Aufforderung hilft Gemini dem Modell, Ihre spezifischen Kategorien zu lernen.

Immediate:

classification_template = """

 Subject: The place can I purchase an affordable cellphone?

 Remark: You have got simply gained an IPhone 15 Professional Max!!! Click on the hyperlink!!!

 Class: Spam

 Subject: How lengthy do you boil eggs?

 Remark: Are you silly?

 Class: Offensive

 Subject: {subject}

 Remark: {remark}

 Class:

"""

spam_topic = "I'm on the lookout for a vet in our neighbourhood."

spam_comment = "You'll be able to win 1000$ by simply following me!"

spam_prompt = classification_template.format(subject=spam_topic, remark=spam_comment)

response = mannequin.generate_content(spam_prompt)

show(Markdown(response.textual content))

Ausgabe:

Gemini kann bestimmte Informationen aus unstrukturiertem Textual content extrahieren. Auf diese Weise können Sie einfachen Textual content wie ein Rezept in ein strukturiertes Format wie eine Einkaufsliste umwandeln.

Immediate:

recipe = """

 Grind 3 garlic cloves, a knob of recent ginger, and three spring onions to a paste.

 Add 2 tbsp of clear honey, juice from one orange, and 1 tbsp of sunshine soy sauce.

 Pour the combination over 4 small rooster breast fillets.

"""

# Step 1: Extract the listing of groceries

extraction_prompt = f"""

Your activity is to extract to a listing all of the groceries with its portions primarily based on the supplied recipe.

Make it possible for groceries are within the order of look.

Recipe:{recipe}

"""

extraction_response = mannequin.generate_content(extraction_prompt)

grocery_list = extraction_response.textual content

print("--- Extracted Groceries ---")

show(Markdown(grocery_list))

# Step 2: Format the extracted listing right into a procuring listing

formatting_system_instruction = "Set up groceries into classes for simpler procuring. Listing every merchandise with a checkbox ()."

formatting_prompt = f"""

 LIST: {grocery_list}

 OUTPUT:

"""

formatting_model = genai.GenerativeModel(

   'gemini-2.5-flash',

   system_instruction=formatting_system_instruction

)

formatting_response = formatting_model.generate_content(formatting_prompt)

print("n--- Formatted Buying Listing ---")

show(Markdown(formatting_response.textual content))

Ausgabe:

Technik 11: Grundlegende Codegenerierung und -Debugging

Eine leistungsstarke Anwendung ist die grundlegende Codegenerierung mit Gemini. Es kann Code -Ausschnitte schreiben, Fehler erklären und Korrekturen vorschlagen. Eine GitHub -Umfrage ergab, dass Entwickler, die KI -Codierungswerkzeuge verwenden, bis zu 55% schneller sind.

Bitten wir Gemini, ein Python -Skript für einen Countdown -Timer zu generieren.

Immediate:

code_generation_prompt = """

 Create a countdown timer in Python that ticks down each second and prints

 "Time is up!" after 20 seconds.

"""

response = mannequin.generate_content(code_generation_prompt)

show(Markdown(f"```pythonn{response.textual content}n```"))

Ausgabe:

Technik 12: Bewertung des Textes zur Qualitätssicherung

Sie können sogar Gemini verwenden, um Textual content zu bewerten. Dies ist nützlich für die Einstufung, Bereitstellung von Suggestions oder die Gewährleistung der Inhaltsqualität. Hier haben wir das Modell als Lehrer und einen schlecht geschriebenen Aufsatz.

Immediate:

teacher_system_instruction = """

   As a instructor, you might be tasked with grading a pupil's essay.

   1. Consider the essay on a scale of 1-5 for readability, grammar, and argumentation.

   2. Write a corrected model of the essay.

   3. Clarify the adjustments made.

"""

essay = "Studying is like, a extremely good factor. It’s useful, you already know? Like, rather a lot. Whenever you learn, you study new phrases and that is good. Its like a secret code to being good. I learn a ebook final week and I do know it was making me smarter. Due to this fact, books good, TV dangerous. So everybody ought to learn extra."

evaluation_model = genai.GenerativeModel(

   'gemini-1.5-flash-latest',

   system_instruction=teacher_system_instruction

)

response = evaluation_model.generate_content(essay)

show(Markdown(response.textual content))

Ausgabe:

Abschluss

Die Gemini -API ist eine versatile und leistungsstarke Ressource. Wir haben eine breite Palette von Dingen untersucht, die Sie mit der kostenlosen Gemini -API tun können, von einfachen Fragen bis hin zu erweitertem Denken und Codegenerierung. Durch die Beherrschung dieser Gemini -API -Aufforderungstechniken können Sie intelligenteren, effizienteren Anwendungen erstellen. Der Schlüssel ist zu experimentieren. Verwenden Sie diese Beispiele als Ausgangspunkt für Ihre eigenen Projekte und entdecken Sie, was Sie erstellen können.

Häufig gestellte Fragen

Harsh Mishra ist ein KI/ML -Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit tatsächlichen Menschen. Leidenschaft über Genai, NLP und Maschinen schlauer (damit sie ihn noch nicht ersetzen). Wenn er Fashions nicht optimiert, optimiert er wahrscheinlich seine Kaffeeaufnahme.

Bild von Editor | Chatgpt

# Einführung

Die meisten Python -Entwickler sind mit dem vertraut time Modul für seine praktischen Funktionen wie z. time.sleep(). Dadurch macht das Modiule die Anlaufstelle für die Ausführung, ein einfaches, aber essentielles Werkzeug. Allerdings die time Das Modul ist weitaus vielseitiger und bietet eine Reihe von Funktionen für präzise Messungen, Zeitumwandlungen und Formatierung, die oft unbemerkt bleiben. Durch die Erforschung dieser Funktionen können effizientere Möglichkeiten für zeitbezogene Aufgaben in Ihrer Datenwissenschaft und anderen Codierungsprojekten eröffnet werden.

Ich habe einen Flack für die Benennung früherer „10 überraschender Dinge“ -artikel bekommen, und ich verstehe es. „Ja, es ist sehr überraschend, dass ich mit dem DateTime -Modul Datums- und Zeitaufgaben ausführen kann, danke.“ Gültige Kritik. Der Identify klebt jedoch, weil er eingängig ist, additionally kümmern Sie sich damit darum

In jedem Fall sind hier 10 überraschende und nützliche Dinge, die Sie mit Python machen können time Modul.

# 1. messen Sie die verstrichene Wandverkleidungszeit genau mit time.monotonic()

Während Sie automatisch für sich gehen können time.time() Um zu messen, wie lange eine Funktion dauert, hat sie einen kritischen Fehler: Sie basiert auf dem Systemuhrdie manuell oder durch Netzwerkzeitprotokolle geändert werden können. Dies kann zu ungenauen oder sogar negativen Zeitunterschieden führen. Eine robustere Lösung ist time.monotonic(). Diese Funktion gibt den Wert einer monotonischen Uhr zurück, die nicht rückwärts gehen kann und von Systemzeitaktualisierungen nicht beeinflusst wird. Dies macht es wirklich zur idealen Wahl, um die Dauer zuverlässig zu messen.

import time

start_time = time.monotonic()

# Simulate a process
time.sleep(2)

end_time = time.monotonic()
period = end_time - start_time

print(f"The duty took {period:.2f} seconds.")

Ausgabe:

The duty took 2.01 seconds.

# 2. Messen Sie die CPU -Verarbeitungszeit mit time.process_time()

Manchmal kümmert Sie sich nicht um die Gesamtzeit (die Zeit des Wandverkaufs). Stattdessen möchten Sie vielleicht wissen, wie viel Zeit die CPU tatsächlich für die Ausführung Ihres Codes aufgewendet hat. Dies ist entscheidend für die Effizienz des Benchmarking -Algorithmus, da es die Zeit ignoriert, die Sie mit dem Schlafengehen oder dem Warten auf E/A -Operationen aufgewendet haben. Der time.process_time() Die Funktion gibt die Summe des Programs und der Benutzer -CPU -Zeit des aktuellen Prozesses zurück und liefert ein reines Maß für den Rechenaufwand.

import time

start_cpu = time.process_time()

# A CPU-intensive process
whole = 0
for i in vary(10_000_000):
    whole += i

end_cpu = time.process_time()
cpu_duration = end_cpu - start_cpu

print(f"The CPU-intensive process took {cpu_duration:.2f} CPU seconds.")

Ausgabe:

The CPU-intensive process took 0.44 CPU seconds.

# 3. Holen Sie sich hochpräzissive Zeitstempel mit time.perf_counter()

Für ein sehr präzises Timing, insbesondere für sehr kurze Dauern,, time.perf_counter() ist ein wesentliches Werkzeug. Es gibt den Wert eines hochauflösenden Leistungsschalters zurück, der die genaueste Uhr auf Ihrem System ist. Dies ist eine systemweite Zählung, einschließlich der Zeit im Schlaf verstrichen, was es perfekt für Benchmark-Szenarien macht, in denen jede Nanosekunden zählt.

import time

start_perf = time.perf_counter()

# A really quick operation
_ = (x*x for x in vary(1000))

end_perf = time.perf_counter()
perf_duration = end_perf - start_perf

print(f"The quick operation took {perf_duration:.6f} seconds.")

Ausgabe:

The quick operation took 0.000028 seconds.

# V. time.ctime()

Die Ausgabe von time.time() ist ein Float, der Sekunden seit der „Epoche“ darstellt (1. Januar 1970 für Unix -Systeme). Obwohl es für Berechnungen nützlich ist, ist es nicht menschlich lesbar. Der time.ctime() Die Funktion nimmt diesen Zeitstempel auf und wandelt sie in ein Customary-Lesen-String-Format wie ‚Thu 31. Juli 16:32:30 2025‘ um.

import time

current_timestamp = time.time()
readable_time = time.ctime(current_timestamp)

print(f"Timestamp: {current_timestamp}")
print(f"Readable Time: {readable_time}")

Ausgabe:

Timestamp: 1754044568.821037
Readable Time: Fri Aug  1 06:36:08 2025

# 5. Zeit an einer Schnur mit analysieren time.strptime()

Angenommen, Sie haben Zeitinformationen, die als Zeichenfolge gespeichert sind und sie zur weiteren Verarbeitung in ein strukturiertes Zeitobjekt umwandeln müssen. time.strptime() (String -Parse -Zeit) ist Ihre Funktion. Sie geben die Zeichenfolge und einen Formatcode an, der angibt, wie die Datums- und Zeitkomponenten angeordnet sind. Es gibt a zurück struct_time Objekt, ein Tupel mit Elementen – wie Jahr, Monat, Tag usw. -, das dann extrahiert werden kann.

import time

date_string = "31 July, 2025"
format_code = "%d %B, %Y"

time_struct = time.strptime(date_string, format_code)

print(f"Parsed time construction: {time_struct}")
print(f"12 months: {time_struct.tm_year}, Month: {time_struct.tm_mon}")

Ausgabe:

Parsed time construction: time.struct_time(tm_year=2025, tm_mon=7, tm_mday=31, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=3, tm_yday=212, tm_isdst=-1)
12 months: 2025, Month: 7

# 6. Formatzeit in benutzerdefinierte Zeichenfolgen mit time.strftime()

Das Gegenteil von Parsen ist Formatierung. time.strftime() (String -Formatzeit) nimmt a struct_time Objekt (wie das von zurückgegeben von strptime oder localtime) und formatiert es in eine Zeichenfolge gemäß Ihren angegebenen Formatcodes. Dies gibt Ihnen die volle Kontrolle über die Ausgabe, unabhängig davon, ob Sie „2025-07-31“ oder „Donnerstag, 31. Juli“ bevorzugen.

import time

# Get present time as a struct_time object
current_time_struct = time.localtime()

# Format it in a customized approach
formatted_string = time.strftime("%Y-%m-%d %H:%M:%S", current_time_struct)
print(f"Customized formatted time: {formatted_string}")

day_of_week = time.strftime("%A", current_time_struct)
print(f"At the moment is {day_of_week}.")

Ausgabe:

Customized formatted time: 2025-08-01 06:41:33
At the moment is Friday

# 7. Erhalten Sie grundlegende Zeitzone -Informationen mit time.timezone Und time.tzname

Während die datetime Modul (und Bibliotheken mögen Pytz) sind besser für eine komplexe Zeitzonehandhabung, die time Modul bietet einige grundlegende Informationen. time.timezone Bietet den Versatz der örtlichen Nicht-DST-Zeitzone (Tageslicht-Ersparnis) in Versatz Sekunden westlich von UTC, während time.tzname ist ein Tupel, das die Namen der lokalen Nicht-DST- und DST-Zeitzone enthält.

import time

# Offset in seconds west of UTC
offset_seconds = time.timezone

# Timezone names (customary, daylight saving)
tz_names = time.tzname

print(f"Timezone offset: {offset_seconds / 3600} hours west of UTC")
print(f"Timezone names: {tz_names}")

Ausgabe:

Timezone offset: 5.0 hours west of UTC
Timezone names: ('EST', 'EDT')

# 8. zwischen UTC und Ortszeit umwandeln mit time.gmtime() Und time.localtime()

Die Arbeit mit verschiedenen Zeitzonen kann schwierig sein. Eine gängige Praxis besteht darin, alle Zeitdaten in koordinierter Common Time (UTC) zu speichern und sie nur für die Anzeige in lokale Zeit umzuwandeln. Der time Modul erleichtert dies mit time.gmtime() Und time.localtime(). Diese Funktionen nehmen in Sekunden einen Zeitstempel und geben eine zurück struct_time Objekt – gmtime() Gibt es in UTC zurück, während localtime() Gibt es für die konfigurierte Zeitzone Ihres Programs zurück.

import time

timestamp = time.time()

# Convert timestamp to struct_time in UTC
utc_time = time.gmtime(timestamp)

# Convert timestamp to struct_time in native time
local_time = time.localtime(timestamp)

print(f"UTC Time: {time.strftime('%Y-%m-%d %H:%M:%S', utc_time)}")
print(f"Native Time: {time.strftime('%Y-%m-%d %H:%M:%S', local_time)}")

Ausgabe:

UTC Time: 2025-08-01 10:47:58
Native Time: 2025-08-01 06:47:58

# 9. Führen Sie die Umkehrung von durch time.time() mit time.mktime()

time.localtime() konvertiert einen Zeitstempel in a struct_time Objekt, was nützlich ist … aber wie gehst du in die umgekehrte Richtung? Der time.mktime() Funktion macht genau das. Es braucht a struct_time Objekt (die lokale Zeit darstellt) und konvertiert es wieder in eine schwimmende Punktzahl, die Sekunden seit der Epoche darstellt. Dies ist dann nützlich, um zukünftige oder vergangene Zeitstempel zu berechnen oder das Datum der Arithmetik durchzuführen.

import time

# Get present native time construction
now_struct = time.localtime()

# Create a modified time construction for one hour from now
future_struct_list = listing(now_struct)
future_struct_list(3) += 1 # Add 1 to the hour (tm_hour)
future_struct = time.struct_time(future_struct_list)

# Convert again to a timestamp
future_timestamp = time.mktime(future_struct)

print(f"Present timestamp: {time.time():.0f}")
print(f"Timestamp in a single hour: {future_timestamp:.0f}")

Ausgabe:

Present timestamp: 1754045415
Timestamp in a single hour: 1754049015

# 10. Holen Sie sich die threadspezifische CPU-Zeit mit time.thread_time()

In Multi-Thread-Anwendungen, time.process_time() gibt Ihnen die gesamte CPU -Zeit für den gesamten Prozess. Aber was ist, wenn Sie die CPU -Verwendung eines bestimmten Threads profilieren möchten? In diesem Fall, time.thread_time() ist die Funktion, nach der Sie suchen. Diese Funktion gibt die Summe der System- und Benutzer -CPU -Zeit für die zurück Aktueller Threadsodass Sie feststellen können, welche Threads am rechenintensivsten sind.

import time
import threading

def worker_task():
    start_thread_time = time.thread_time()

    # Simulate work
    _ = (i * i for i in vary(10_000_000))

    end_thread_time = time.thread_time()

    print(f"Employee thread CPU time: {end_thread_time - start_thread_time:.2f}s")

# Run the duty in a separate thread
thread = threading.Thread(goal=worker_task)
thread.begin()
thread.be a part of()

print(f"Complete course of CPU time: {time.process_time():.2f}s")

Ausgabe:

Employee thread CPU time: 0.23s
Complete course of CPU time: 0.32s

# Einpacken

Der time Modul ist ein integrales und leistungsstarkes Phase der Standardbibliothek von Python. Während time.sleep() ist zweifellos seine berühmteste Funktion, seine Fähigkeiten für das Timing, die Dauermessung und die zeitliche Formatierung machen es zu einem praktischen Werkzeug für alle möglichen praktisch nützlichen Aufgaben.

Wenn Sie über die Grundlagen hinausgehen, können Sie neue Tips lernen, um einen genaueren und effizienteren Code zu schreiben. Weitere fortgeschrittene, objektorientierte Datum und Uhrzeitmanipulation finden Sie auf unbedingt überraschende Dinge, die Sie mit dem machen können datetime Modul nächste.

Matthew Mayo (@Mattmayo13) hat einen Grasp -Abschluss in Informatik und ein Diplom in Information Mining. Als Geschäftsführer von Kdnuggets & Statologieund beitragen Redakteur bei Meisterschaft für maschinelles LernenMatthew zielt darauf ab, komplexe Datenwissenschaftskonzepte zugänglich zu machen. Zu seinen beruflichen Interessen zählen natürliche Sprachverarbeitung, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung der aufstrebenden KI. Er ist von der Mission getrieben, das Wissen in der Datenwissenschaftsgemeinschaft zu demokratisieren. Matthew kodiert seit seinem 6 -jährigen Lebensjahr.

Ahh, das Meer.

Der Urlaub auf dem mediterranen Meer lag am Strand und starrte in die Wellen. Woman Luck hatte einen guten Tag: Die Sonne starrte von einem blauen und wolkenlosen Himmel herab und erhitzte den Sand und das salzige Meer um mich herum. Zum ersten Mal seit einiger Zeit hatte ich Ausfallzeiten. In der abgelegenen Area, in der ich warfare, gab es nichts mit ML zu tun, wo die rauen Straßen jeden verängstigt hätten, der sich an die gleichmäßigen Gehwege westlicher Länder gewöhnt hat.

Dann, weg von der Arbeit und teilweise Zivilisation, irgendwo zwischen Zonierung und Daydreaming, begannen meine Gedanken zu driften. In unserem täglichen Geschäft sind wir auch damit beschäftigt, Zeit damit zu verbringen, nichts zu tun. Aber Nichts ist hier ein starkes Wort: Als meine Gedanken teuerten, erinnerte ich mich zuerst an die jüngsten Ereignisse, dachte dann über die Arbeit nach und kam dann schließlich zum maschinellen Lernen an.

Vielleicht Spuren meines vorherigen Artikels –wo ich 6,5 Jahre „Machen“ ml nachdachte– Ich warfare immer noch im Hinterkopf. Oder vielleicht warfare es einfach die völlige Abwesenheit von irgendetwas Technischen um mich herum, wo das Meer mein einziger Begleiter warfare. Was auch immer der Grund warfare, ich begann psychological, die Jahre hinter mir zu proben. Was warfare intestine gelaufen? Was warfare seitwärts gegangen? Und – vor allem – was wünschte ich, jemand hätte mir zu Beginn jemand gesagt?

Dieser Beitrag ist eine Sammlung dieser Dinge. Es soll keine Liste dummer Fehler sein, die ich andere dringend bittet, um jeden Preis zu vermeiden. Stattdessen ist es mein Versuch, die Dinge aufzuschreiben, die meine Reise ein bisschen reibungsloser gemacht hätten (aber nur ein bisschen ist Unsicherheit notwendig, um die Zukunft genau das zu machen: die Zukunft). Teile meiner Liste überschneiden sich mit meinem vorherigen Beitrag und aus gutem Grund: Einige Lektionen lohnt sich wieder zu wiederholen und erneut zu lesen.

Hier ist Teil 1 dieser Liste. Teil 2 ist derzeit in meinem sandigen, seewasserfleckigen Notizbuch begraben. Mein Plan ist es, in den nächsten Wochen damit nachzuverfolgen, sobald ich genug Zeit habe, um es in einen Qualitätsartikel zu verwandeln.

1. ML MEHR MEH

Dies ist ein Punkt, den ich versuche, nicht zu viel nachzudenken, oder es wird mir sagen: Sie haben Ihre Hausaufgaben nicht gemacht.

Als ich anfing, warfare mein interner Monolog so etwas wie: „Ich will nur ml. ““ Was auch immer das bedeutete; letztlich Trainieren Sie ein maschinelles Lernenmodell. Das Modelltraining ist ironischerweise oft der kürzeste und letzte Teil des gesamten Prozesses.

Jedes Mal, wenn ich endlich zum Modelltrainingsschritt komme, atme ich psychological auf Erleichterung auf, weil ich es durch das unsichtbare Teil geschafft habe: die Daten vorzubereiten. Es gibt nichts „Verkaufbar“ in lediglich die Daten vorbereiten. Nach meiner Erfahrung ist die Vorbereitung der Daten in keiner Weise auffällig (solange es intestine genug gemacht wird).

Hier ist das übliche Muster dafür:

• Sie haben ein Projekt.
• Sie erhalten einen realen Datensatz. (Wenn Sie mit einem intestine kuratierten Benchmark-Datensatz arbeiten, haben Sie Glück!)
• Sie möchten ein Modell trainieren.
• Aber zuerst… Datenreinigung, Fixieren, Verschmelzen, Validieren.

Lassen Sie mich Ihnen ein persönliches Beispiel geben, das Ich habe als lustige Geschichte erzählt (Was es jetzt ist. Damals bedeutete es, ein paar Tage maschinelles Lernen unter Zeitdruck wieder zu resotieren…).

Ich habe einmal an einem Projekt gearbeitet, bei dem ich die Vegetationsdichte (unter Verwendung des NDVI -Index) aus ERA5 -Wetterdaten vorhersagen wollte. ERA5 ist ein massiver Gitter-Datensatz, der frei im Europäischen Zentrum für Wettervorhersagen mit mittlerer Reichweite erhältlich ist. Ich habe diesen Datensatz mit NDVI -Satellitendaten von NOAA (im Grunde genommen der amerikanischen Wetteragentur) zusammengeführt, die Auflösungen sorgfältig ausgerichtet, und alles schien in Ordnung zu sein – keine Fehlanpassungen, keine Fehler wurden geworfen.

Dann rief ich die Datenvorbereitung an und trainierte ein Sehtransformatormodell auf dem kombinierten Datensatz. Ein paar Tage später habe ich die Ergebnisse und… Überraschung visualisiert! Das Modell dachte, die Erde sei auf den Kopf. Im wahrsten Sinne des Wortes waren meine Eingabedaten nach rechts, aber die Zielvegetationsdichte wurde am Äquator umgedreht.

Was warfare passiert? Ein subtiler Fehler in meiner Auflösungsübersetzung drehte die Breitengradorientierung der Vegetationsdaten um. Ich hatte es nicht bemerkt, weil ich bereits viel Zeit mit der Datenvorbereitung verbracht habe und schnell zum „lustigen Teil“ gelangen wollte.

Diese Artwork von Fehler ärgert sich in einem wichtigen Punkt: ML-Projekte in der realen Welt sind Datenprojekte. Insbesondere außerhalb der akademischen Forschung arbeiten Sie nicht mit Cifar oder ImageNet. Sie arbeiten mit chaotischen, unvollständigen, teilweise Labellel und Multi-Supply-Datensätzen, die erforderlich sind:

• Reinigung
• Ausrichten
• Normalisierung
• Debuggen
• Visuelle Inspektion

Und noch mehr ist diese Liste nicht exexhautiv. Dann alle oben genannten wiederholen.

Die Daten richtig machen Ist die Arbeit. Alles andere baut auf dieser (traurig unsichtbaren) Fundament auf.

2. Das Schreiben von Papieren ist wie die Vorbereitung eines Verkaufsgesprächs

Einige Papiere nur intestine lesen. Möglicherweise können Sie nicht erklären, warum, aber sie haben einen Fluss, eine Logik, eine Klarheit, die schwer zu ignorieren ist. Das ist selten zufällig*. Für mich stellte sich heraus, dass das Schreiben von Papieren ähnlich ist, um eine ganz bestimmte Artwork von Verkaufsgespräch zu erstellen. Du verkaufst deine Ideedein Ansatzdein Einblick zu einem skeptischen Publikum.

Dies warfare eine überraschende Erkenntnis für mich.

Als ich anfing, nahm ich an, dass die meisten Papiere genauso aussahen und fühlten. Alle von ihnen waren für mich „wissenschaftliches Schreiben“. Aber im Laufe der Zeit bemerkte ich, als ich mehr Papiere las, die Unterschiede. Es ist wie das Sprichwort: Außenstehende sehen alle Schafe gleich aus; Für den Hirten ist jeder unterschiedlich.

Vergleichen Sie beispielsweise diese beiden Papiere, auf die ich in letzter Zeit gestoßen bin:

Beide verwenden maschinelles Lernen. Aber sie sprechen mit unterschiedlichem Publikum mit unterschiedlichen Abstraktionsebenen, unterschiedlichen narrativen Stilen und sogar unterschiedlichen Motivationen. Der erste geht davon aus, dass die technische Neuheit von zentraler Bedeutung ist. Der zweite konzentriert sich auf die Relevanz für Anwendungen. Offensichtlich gibt es auch den visuellen Unterschied zwischen den beiden.

Je mehr Papiere Sie lesen, desto mehr erkennen Sie: Es gibt nicht eins Weg, um ein „gutes“ Papier zu schreiben. Es gibt viele Möglichkeiten, und der Weg variiert je nach Publikum.

Und es sei denn, Sie sind einer dieser sehr seltenen brillanten Köpfe (denken Sie an Terence Tao oder jemand dieses Kalibers), Sie brauchen wahrscheinlich Unterstützung, um intestine zu schreiben. Vor allem bei Anpassung eines Papiers für eine bestimmte Konferenz oder ein bestimmtes Journal. In der Praxis bedeutet dies, eng mit einer hochrangigen ML -Individual zusammenzuarbeiten, die das Feld versteht.

Das Erstellen eines guten Papiers ist wie die Vorbereitung eines Verkaufsgesprächs. Sie müssen:

• Rahmen Sie das Drawback richtig ein
• Verstehe deine Zielgruppe (dh Goal -Veranstaltungsort)
• Betonen Sie die Teile, die am meisten Resonanz finden
• Und polieren, bis die Nachricht bleibt

3. Die Fixierung des Fehlers ist der Weg nach vorne

Vor Jahren hatte ich diese romantische Idee von ML als Erkundung eleganter Modelle, Erfindung neuer Aktivierungsfunktionen oder das Erstellen von cleveren Verlustfunktionen. Das kann für eine kleine Reihe von Forschern zutreffen. Aber für mich sah der Fortschritt oft so aus: „Warum fährt dieser Code nicht aus?“ Oder noch frustrierender: „Dieser Code lief erst vor ein paar Sekunden-warum läuft er nicht mehr Jetzt? „

Nehmen wir an, in Ihrem Projekt müssen Imaginative and prescient -Transformatoren für Umwelt -Satellitendaten verwendet werden (dh der Modellseite von Abschnitt 1 oben). Sie haben zwei Optionen:

1. Implementieren Sie alles von Grund auf neu (nicht empfohlen, es sei denn, Sie fühlen sich besonders abenteuerlich oder müssen es für Kursnachweise tun).
2. Finden Sie eine vorhandene Implementierung und passen Sie sie an.

In 99% der Fälle ist Choice 2 die offensichtliche Wahl. Aber „einfach Ihre Daten einschließen“ funktioniert quick nie. Sie werden auf:

• Verschiedene Berechnungsumgebungen
• Annahmen über Eingangsformen
• Vorverarbeitung von Macken (z. B. Datennormalisierung)
• Hartcodierte Abhängigkeiten (von denen ich auch schuldig bin)

Schnell kann Ihr Tag zu einer endlosen Reihe von Debugging-, Backtracking-, Testen von Kantenfällen, Änderungen von Dataloadern, Überprüfung des GPU -Speichers ** und der Wiederaufnahme von Skripten. Dann beginnen die Dinge langsam zu funktionieren. Schließlich trainiert Ihr Modell.

Aber es ist nicht schnell. Es ist Fehler beheben Sie Ihren Weg nach vorne.

4. Ich (ganz mit Sicherheit) wird nicht machen Das Durchbruch

Sie haben definitiv von ihnen gehört. Der Transformator Papier. Die Gans. Stabile Diffusion. Es gibt einen kleinen Teil in meinem, der denkt: Vielleicht werde ich das nächste transformative Papier schreiben. Und sicher muss jemand. Aber statistisch gesehen werde es wahrscheinlich nicht ich. Oder Sie, Entschuldigung. Und das ist in Ordnung.

Die Werke, die dazu führen, dass ein Feld schnell ändert, sind per Definition außergewöhnlich. Diese Arbeiten sind außergewöhnlich, dass die meisten Werke, selbst gute Arbeit, kaum erkannt werden. Manchmal hoffe ich immer noch, dass eines meiner Projekte „in die Luft jagen“ würde. Aber bisher haben es die meisten nicht. Einige wurden nicht einmal veröffentlicht. Aber hey, das ist kein Misserfolg – es ist die Grundlinie. Wenn Sie erwarten, dass jedes Papier ein Homerun ist, sind Sie auf der schnellen Spur enttäuscht.

Gedanken schließen

Für mich erscheint maschinelles Lernen oft als schlankes, modernes Feld-eines, in dem sich Durchbrüche gleich um die Ecke haben und wo das „Tun“ intelligente Menschen mit GPUs und Mathematik Magie machen. Aber in meiner täglichen Arbeit ist es selten so.

Meistens besteht meine tägliche Arbeit aus:

• Umgang mit unordentlichen Datensätzen
• Debugging -Code aus GitHub gezogen
• Redrapferpapiere immer und immer wieder
• Wiederum neuartige Ergebnisse produzieren

Und das ist okay.

Fußnoten

Der vorherige Artikel erwähnte: https://towardsdatascience.com/lessons-lenarned-after-6-5-Jahre-of-machine-learning/

* Wenn Sie interessiert sind, ist mein Lieblingspapier das eine: https://arxiv.org/abs/2103.09762. Ich habe es vor einem Jahr an einem Freitagnachmittag gelesen.

** Bis heute erhalte ich immer noch E -Mail -Benachrichtigungen darüber, wie das Löschen des GPU -Speichers im Tensorflow unmöglich ist. Dieses 5-jährige GitHub-Drawback gibt die Particulars.

Bild von Editor | Chatgpt

Einführung

Die Standardbibliothek von Python ist umfangreich und bietet eine breite Palette von Modulen, um gemeinsame Aufgaben effizient auszuführen.

Darunter die collections Das Modul ist ein herausragendes Beispiel, das spezielle Containerdatentypen bietet, die als Alternativen zu Pythons allgemeinen Goal-integrierten Containern wie dienen können dictAnwesend checklistAnwesend setUnd tuple. Während viele Entwickler mit einigen seiner Komponenten vertraut sind, beherbergt das Modul eine Vielzahl von Funktionen, die überraschend nützlich sind und den Code vereinfachen, die Lesbarkeit verbessern und die Leistung steigern können.

In diesem Tutorial werden zehn praktische – und möglicherweise überraschende – Bewerbungen der Python untersucht collections Modul.

1. Zählen Sie mühelos Hashable -Objekte mit Zähler

Eine häufige Aufgabe in nahezu jedem Datenanalyseprojekt besteht darin, die Vorkommen von Elementen in einer Sequenz zu zählen. Der collections.Counter Die Klasse wurde speziell dafür entwickelt. Es ist eine Wörterbuch -Unterklasse, in der Elemente als Schlüssel gespeichert und ihre Zählungen als Werte gespeichert werden.

from collections import Counter

# Depend the frequency of phrases in an inventory
phrases = ('galaxy', 'nebula', 'asteroid', 'comet', 'gravitas', 'galaxy', 'stardust', 'quasar', 'galaxy', 'comet')
word_counts = Counter(phrases)

# Discover the 2 most typical phrases
most_common = word_counts.most_common(2)

# Output outcomes
print(f"Phrase counts: {word_counts}")
print(f"Commonest phrases: {most_common}")

Ausgabe:

Phrase counts: Counter({'galaxy': 3, 'comet': 2, 'nebula': 1, 'asteroid': 1, 'gravitas': 1, 'stardust': 1, 'quasar': 1})
Commonest phrases: (('galaxy', 3), ('comet', 2))

2. Erstellen leichter Klassen mit namedtuple

Wenn Sie eine einfache Klasse nur zum Gruppieren von Daten ohne Methoden benötigen, a namedtuple ist eine nützliche, speichereffiziente Possibility. Sie können tupelähnliche Objekte erstellen, die Felder über die Attribut-Lookup sowie indexierbar und iterierbar sind. Dies macht Ihren Code lesbarer als die Verwendung eines Normal -Tupels.

from collections import namedtuple

# Outline a E-book namedtuple
# Fields: title, writer, year_published, isbn
E-book = namedtuple('E-book', ('title', 'writer', 'year_published', 'isbn'))

# Create an occasion of the E-book
my_book = E-book(
    title="The Hitchhiker"s Information to the Galaxy',
    writer="Douglas Adams",
    year_published=1979,
    isbn='978-0345391803'
)

print(f"E-book Title: {my_book.title}")
print(f"Creator: {my_book.writer}")
print(f"12 months Printed: {my_book.year_published}")
print(f"ISBN: {my_book.isbn}")

print("n--- Accessing by index ---")
print(f"Title (by index): {my_book(0)}")
print(f"Creator (by index): {my_book(1)}")
print(f"12 months Printed (by index): {my_book(2)}")
print(f"ISBN (by index): {my_book(3)}")

Ausgabe:

Accessing e-book knowledge by discipline title
Title (by discipline title): The Hitchhiker's Information to the Galaxy
Creator (by discipline title): Douglas Adams
12 months Printed (by discipline title): 1979
ISBN (by discipline title): 978-0345391803

Accessing e-book knowledge by index
Title (by index): The Hitchhiker's Information to the Galaxy
Creator (by index): Douglas Adams
12 months Printed (by index): 1979
ISBN (by index): 978-0345391803

Sie können sich ein vorstellen namedtuple ähnlich wie eine veränderliche C -Struktur oder als Datenklasse ohne Methoden. Sie haben definitiv ihre Verwendung.

3.. Umgang mit fehlenden Wörterbuchschlüssel anmutig mit defaultdict

Eine häufige Frustration bei der Arbeit mit Wörterbüchern ist die KeyError Dies geschieht, wenn Sie versuchen, auf einen Schlüssel zuzugreifen, der nicht existiert. Der collections.defaultdict ist die perfekte Lösung. Es ist eine Unterklasse von dict Dadurch wird eine Fabrikfunktion aufgerufen, um einen Standardwert für fehlende Schlüssel zu liefern. Dies ist besonders nützlich für die Gruppierung von Gegenständen.

from collections import defaultdict

# Group an inventory of tuples by the primary aspect
scores_by_round = (('contestantA', 8), ('contestantB', 7), ('contestantC', 5),
                   ('contestantA', 7), ('contestantB', 7), ('contestantC', 6),
                   ('contestantA', 9), ('contestantB', 5), ('contestantC', 4))
grouped_scores = defaultdict(checklist)

for key, worth in scores_by_round:
    grouped_scores(key).append(worth)

print(f"Grouped scores: {grouped_scores}")

Ausgabe:

Grouped scores: defaultdict(, {'contestantA': (8, 7, 9), 'contestantB': (7, 7, 5), 'contestantC': (5, 6, 4)})

4. Implementieren schneller Warteschlangen und Stapel mit deque

Python -Pay attention können als Stapel und Warteschlangen verwendet werden, obwohl sie für diese Operationen nicht optimiert sind. Das Anhängen und Anhängen vom Ende einer Liste ist schnell, aber das Gleiche von Anfang an ist langsam, da alle anderen Elemente verschoben werden müssen. Der collections.deque (doppelte Warteschlange) ist für schnelle Anhänge und Pops von beiden Enden ausgelegt.

Erstens hier ein Beispiel für eine Warteschlange mithilfe deque.

from collections import deque

# Create a queue
d = deque((1, 2, 3))
print(f"Unique queue: {d}")

# Add to the appropriate
d.append(4)
print("Including merchandise to queue: 4")
print(f"New queue: {d}")

# Take away from the left
print(f"Popping queue merchandise (from left): {d.popleft()}")  

# Output ultimate queue
print(f"Ultimate queue: {d}")

& nbsp

Ausgabe:

Unique queue: deque((1, 2, 3))
Including merchandise to queue: 4
New queue: deque((1, 2, 3, 4))
Popping queue merchandise (from left): 1
Ultimate queue: deque((2, 3, 4))

Und jetzt lass uns benutzen deque Um einen Stapel zu erstellen:

from collections import deque

# Create a stack
d = deque((1, 2, 3))
print(f"Unique stack: {d}")

# Add to the appropriate
d.append(5)
print("Including merchandise to stack: 5")
print(f"New stack: {d}")

# Take away from the appropriate
print(f"Popping stack merchandise (from proper): {d.pop()}")

# Output ultimate stack
print(f"Ultimate stack: {d}")

Ausgabe:

Unique stack: deque((1, 2, 3))
Including merchandise to stack: 5
New stack: deque((1, 2, 3, 5))
Popping stack merchandise (from proper): 5
Ultimate stack: deque((1, 2, 3))

5. Erinnern Sie die Einfügungsordnung mit OrderedDict

Vor Python 3.7 konnten Standardwörterbücher die Reihenfolge, in die Elemente eingefügt wurden, nicht bewahrt. Um dies zu lösen, die, die collections.OrderedDict wurde verwendet. Während Standarddikte jetzt die Einfügungsreihenfolge aufrechterhalten, OrderedDict hat immer noch einzigartige Funktionen wie die move_to_end() Methode, die für Aufgaben wie das Erstellen eines einfachen Cache nützlich ist.

from collections import OrderedDict

# An OrderedDict remembers the order of insertion
od = OrderedDict()
od('a') = 1
od('b') = 2
od('c') = 3

print(f"Begin order: {checklist(od.keys())}")

# Transfer 'a' to the tip
od.move_to_end('a')
print(f"Ultimate order: {checklist(od.keys())}")

Ausgabe:

Begin order: ('a', 'b', 'c')
Ultimate order: ('b', 'c', 'a')

6. Kombinieren Sie mehrere Wörterbücher mit ChainMap

Der collections.ChainMap Die Klasse bietet eine Möglichkeit, mehrere Wörterbücher miteinander zu verknüpfen, damit sie als einzelne Einheit behandelt werden können. Es ist oft viel schneller, als ein neues Wörterbuch zu erstellen und mehrere zu laufen replace() Anrufe. Such nach den zugrunde liegenden Zuordnungen nacheinander, bis ein Schlüssel gefunden wird.

Lassen Sie uns eine Chainmap namens Chain erstellen und sie nach Schlüssel abfragen.

from collections import ChainMap

# Create dictionaries
dict1 = {'a': 1, 'b': 2}
dict2 = {'b': 3, 'c': 4}

# Create a ChainMap
chain = ChainMap(dict1, dict2)

# Print dictionaries
print(f"dict1: {dict1}")
print(f"dict2: {dict2}")

# Question ChainMap for keys and return values
print("nQuerying ChainMap for keys")
print(f"a: {chain('a')}")
print(f"c: {chain('c')}")
print(f"b: {chain('b')}")

Ausgabe:

dict1: {'a': 1, 'b': 2}
dict2: {'b': 3, 'c': 4}

Querying keys for values
a: 1
c: 4
b: 2

Beachten Sie, dass in dem obigen Szenario ‚B‘ in First in gefunden wird dict1das erste Wörterbuch in chainund so ist es der Wert, der mit diesem Schlüssel verbunden ist, der zurückgegeben wird.

7. Eine begrenzte Geschichte mit Deque’s behalten maxlen

A deque kann mit einer festen maximalen Länge mit dem erstellt werden maxlen Argument. Wenn mehr Elemente hinzugefügt werden als die maximale Länge, werden die Elemente vom gegenüberliegenden Ende automatisch verworfen. Dies ist perfekt, um eine Geschichte der letzten N -Artikel zu behalten.

from collections import deque

# Preserve a historical past of the final 3 objects
historical past = deque(maxlen=3)
historical past.append("cd ~")
historical past.append("ls -l")
historical past.append("pwd")
print(f"Begin historical past: {historical past}")

# Add a brand new merchandise, push out the left-most merchandise
historical past.append("mkdir knowledge")
print(f"Ultimate historical past: {historical past}")

Ausgabe:

Begin historical past: deque(('cd ~', 'ls -l', 'pwd'), maxlen=3)
Ultimate historical past: deque(('ls -l', 'pwd', 'mkdir knowledge'), maxlen=3)

8. Schaffung verschachtelter Wörterbücher leicht mit defaultdict

Aufbau auf defaultdictSie können mühelos verschachtelte oder baumähnliche Wörterbücher erstellen. Durch Bereitstellung a lambda Funktion, die einen anderen zurückgibt defaultdictSie können Wörterbücher von Wörterbüchern im laufenden Fliegen erstellen.

from collections import defaultdict
import json

# A perform that returns a defaultdict
def tree():
    return defaultdict(tree)

# Create a nested dictionary
nested_dict = tree()
nested_dict('customers')('user1')('title') = 'Felix'
nested_dict('customers')('user1')('e-mail') = 'user1@instance.com'
nested_dict('customers')('user1')('telephone') = '515-KL5-5555'

# Output formatted JSON to console
print(json.dumps(nested_dict, indent=2))

Ausgabe:

{
  "customers": {
    "user1": {
      "title": "Felix",
      "e-mail": "user1@instance.com",
      "telephone": "515-KL5-5555"
    }
  }
}

9. Durchführung arithmetischer Operationen auf Counters

Information Flash: Sie können arithmetische Operationen wie Addition, Subtraktion, Kreuzung und Vereinigung ausführen Counter Objekte. Dies ist ein leistungsstarkes Werkzeug zum Vergleich und Kombinieren der Frequenzzahlen aus verschiedenen Quellen.

from collections import Counter

c1 = Counter(a=4, b=2, c=0, d=-2)
c2 = Counter(a=1, b=2, c=3, d=4)

# Add counters -> provides counts for frequent keys
print(f"c1 + c2 = {c1 + c2}")

# Subtract counters -> retains solely constructive counts
print(f"c1 - c2 = {c1 - c2}")

# Intersection -> takes minimal of counts
print(f"c1 & c2 = {c1 & c2}")

# Union -> takes most of counts
print(f"c1 | c2 =  c2")

Ausgabe:

c1 + c2 = Counter({'a': 5, 'b': 4, 'c': 3, 'd': 2})
c1 - c2 = Counter({'a': 3})
c1 & c2 = Counter({'b': 2, 'a': 1})
c1 | c2 = Counter({'a': 4, 'd': 4, 'c': 3, 'b': 2})

10. effizient rotierende Elemente mit deque

Der deque Objekt hat a rotate() Methode, mit der Sie die Elemente effizient drehen können. Ein positives Argument dreht sich rechts Elemente; ein negatives hyperlinks. Dies ist viel schneller als das Schneiden und Wiederaufnehmen von Pay attention oder Tupeln.

from collections import deque

d = deque((1, 2, 3, 4, 5))
print(f"Unique deque: {d}")

# Rotate 2 steps to the appropriate
d.rotate(2)
print(f"After rotating 2 to the appropriate: {d}")

# Rotate 3 steps to the left
d.rotate(-3)
print(f"After rotating 3 to the left: {d}")

Ausgabe:

Unique deque: deque((1, 2, 3, 4, 5))
After rotating 2 to the appropriate: deque((4, 5, 1, 2, 3))
After rotating 3 to the left: deque((2, 3, 4, 5, 1))

Einpacken

Der collections Das Modul in Python ist eine Killersammlung von spezialisierten Hochleistungs-Container-Datentypen. Vom Zählen von Gegenständen mit Counter zum Aufbau effizienter Warteschlangen mit dequeDiese Instruments können Ihren Code sauberer, effizienter und pythonischer machen. Indem Sie sich mit diesen überraschenden und leistungsstarken Funktionen vertraut machen, können Sie häufige Programmierprobleme auf elegantere und effektivere Weise lösen.

Matthew Mayo (@Mattmayo13) hat einen Grasp -Abschluss in Informatik und ein Diplom in Information Mining. Als Geschäftsführer von Kdnuggets & Statologieund beitragen Redakteur bei Meisterschaft für maschinelles LernenMatthew zielt darauf ab, komplexe Datenwissenschaftskonzepte zugänglich zu machen. Zu seinen beruflichen Interessen zählen natürliche Sprachverarbeitung, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung der aufstrebenden KI. Er ist von der Mission getrieben, das Wissen in der Datenwissenschaftsgemeinschaft zu demokratisieren. Matthew kodiert seit seinem 6 -jährigen Lebensjahr.

Bild von Autor | Chatgpt

Einführung

Python’s eingebaut datetime Das Modul kann leicht als Bibliothek für den Umgang mit Datum und Zeitformatierung und Manipulation im Ökosystem angesehen werden. Die meisten Python -Codierer sind mit dem Erstellen vertraut datetime Objekte, formatieren sie in Saiten und führen grundlegende Arithmetik aus. Dieses leistungsstarke Modul, manchmal neben verwandten Bibliotheken wie z. B. calendarbietet eine Tonne mehr Funktionen über die Grundlagen hinaus, die das komplexe Datum und zeitbezogene Probleme mit überraschender Leichtigkeit lösen können.

Dieser Artikel befasst sich mit 10 nützlichen – und vielleicht überraschenden – Dingen, die Sie mit Python erreichen können datetime Modul. Diese Beispiele zeigen die Vielseitigkeit des Datums- und Uhrzeit -Toolkits von Python, von Zeitzonen bis zur Berechnung spezifischer Ereignisse an Wochentagen.

1. Wochentag finden

Abgesehen davon, dass Sie nur das Datum kennen, müssen Sie oft den Wochentag kennen. Der datetime Das Modul macht dieses trivial. Jeder datetime Objekt hat a weekday() Methode, die den Wochentag als Ganzzahl zurückgibt (Montag ist 0, Sonntag 6) und a strftime() Methode, die das Datum formatieren kann, um den Namen des ganzen Tages anzuzeigen.

import datetime

# Decide a date
at the moment = datetime.date(2025, 7, 10)

# Get the day of the week (Monday is 0)
day_of_week_num = at the moment.weekday()
print(f"Day of the week (numeric): {day_of_week_num}")

# Get the total title of the day
day_name = some_date.strftime("%A")
print(f"The date {at the moment} is a {day_name}")

Ausgabe:

The date 2025-07-10 is a Thursday

2. Berechnen Sie die Zeit bis zu einem zukünftigen Ereignis

Benötigte jemals einen einfachen Countdown -Timer? Mit datetimeSie können die verbleibende Zeit bis zu einem bestimmten zukünftigen Datum und Uhrzeit problemlos berechnen. Durch Subtrahieren des Stroms datetime Von einem zukünftigen bekommen Sie eine timedelta Objekt, das den Unterschied darstellt.

import datetime

# Outline a future occasion
new_year_2050 = datetime.datetime(2050, 1, 1, 0, 0, 0)

# Get the present time
now = datetime.datetime.now()

# Calculate the distinction
time_left = new_year_2050 - now

print(f"Time left till New 12 months 2050: {time_left}")

Ausgabe:

Time left till New 12 months 2050: 8940 days, 16:05:52.120836

3.. Mit Timezones arbeiten

Timezones zu handhaben ist schwierig. A naiv datetime Objekt hat keine Zeitzonendaten, während eine bewusst Das Objekt besitzt diese Daten. Verwenden der pytz Bibliothek (oder die eingebaute zoneinfo In Python 3.9+) macht die Arbeit mit TimeZones überschaubar.

Zum Beispiel können Sie One Timezone -Zeit als Foundation für die Konvertierung in eine andere Zeitzone wie diese nutzen:

import datetime
from pytz import timezone

# Create a timezone-aware datetime for New York
nyc_tz = timezone('America/New_York')
nyc_time = datetime.datetime.now(nyc_tz)
print(f"New York Time: {nyc_time}")

# Convert it to a different timezone
london_tz = timezone('Europe/London')
london_time = nyc_time.astimezone(london_tz)
print(f"London Time: {london_time}")

Ausgabe:

New York Time: 2025-07-10 07:57:53.900220-04:00
London Time: 2025-07-10 12:57:53.900220+01:00

4.. Erhalten Sie den letzten Tag eines Monats

Der letzte Tag eines Monats zu ermitteln, ist nicht einfach, seit Monaten eine unterschiedliche Anzahl von Tagen haben. Sie könnten Logik schreiben, um 30/31 Tage zusammen mit Februar zu verarbeiten (vergessen Sie nicht Jahre!) Oder Sie könnten einen cleveren Trick mit verwenden datetime Und timedelta. Die Strategie besteht darin, den ersten Tag der zu finden nächste Monat und dann eines Tages subtrahieren.

import datetime

def get_last_day_of_month(yr, month):
    # Deal with month rollover for December -> January
    if month == 12:
        next_month_first_day = datetime.date(yr + 1, 1, 1)
    else:
        next_month_first_day = datetime.date(yr, month + 1, 1)
    
    # Subtract someday to get the final day of the present month
    return next_month_first_day - datetime.timedelta(days=1)

# Instance: Get the final day of February 2024 (a intercalary year)
last_day = get_last_day_of_month(2024, 2)
print(f"The final day of February 2024 is: {last_day}")

Ausgabe:

The final day of February 2024 is: 2024-02-29

5. Berechnen Sie Ihr präzises Alter

Sie können verwenden datetime jemandes Alter bis zum Tag berechnen. Die Logik umfasst das Subtrahieren des Geburtsdatums vom aktuellen Datum und dann eine kleine Anpassung, um zu berücksichtigen, ob der Geburtstag der Particular person in diesem Jahr noch stattgefunden hat.

import datetime

def calculate_age(birthdate):
    at the moment = datetime.date.at the moment()
    age = at the moment.yr - birthdate.yr - ((at the moment.month, at the moment.day) < (birthdate.month, birthdate.day))
    return age

# Instance utilization
picasso_birthdate = datetime.date(1881, 10, 25)
picasso_age = calculate_age(picasso_birthdate)
print(f"If alive at the moment, Pablo Picasso could be {picasso_age} years previous.")

Ausgabe:

If alive at the moment, Pablo Picasso could be 143 years previous.

6. Iteriert durch eine Reihe von Daten

Manchmal müssen Sie einen Betrieb für jeden Tag innerhalb eines bestimmten Datumsbereichs ausführen. Sie können leicht Daten durchlaufen, indem Sie mit einem Datumsobjekt beginnen und wiederholt a hinzufügen timedelta von einem Tag bis Sie das Enddatum erreichen.

import datetime

start_date = datetime.date(2025, 1, 1)
end_date = datetime.date(2025, 1, 7)
day_delta = datetime.timedelta(days=1)

current_date = start_date
whereas current_date <= end_date:
    print(current_date.strftime('%Y-%m-%d, %A'))
    current_date += day_delta

Ausgabe:

2025-01-01, Wednesday
2025-01-02, Thursday
2025-01-03, Friday
2025-01-04, Saturday
2025-01-05, Sunday
2025-01-06, Monday
2025-01-07, Tuesday

7. Parsendaten aus nicht standardmäßigen Stringformaten

Der strptime() Die Funktion ist nützlich, um Zeichenfolgen in die Konvertierung zu datetime Objekte. Es ist unglaublich flexibel und kann eine Vielzahl von Formaten durch Verwendung spezifischer Formatcodes bewältigen. Dies ist wichtig, wenn Sie mit Daten aus verschiedenen Quellen umgehen, die möglicherweise kein Normal -ISO -Format verwenden.

import datetime

date_string_1 = "July 4, 1776"
date_string_2 = "1867-07-01 14:30:00"

# Parse the primary string format
dt_object_1 = datetime.datetime.strptime(date_string_1, "%B %d, %Y")
print(f"Parsed object 1: {dt_object_1}")

# Parse the second string format
dt_object_2 = datetime.datetime.strptime(date_string_2, "%Y-%m-%d %H:%M:%S")
print(f"Parsed object 2: {dt_object_2}")

Ausgabe:

Parsed object 1: 1776-07-04 00:00:00
Parsed object 2: 1867-07-01 14:30:00

8. Finden Sie den n -ten Wochentag eines Monats

Möchten Sie das Datum des dritten Donnerstags im November kennen? Der calendar Modul kann neben datetime dies zu lösen. Der monthcalendar() Funktion gibt eine Matrix zurück, die die Wochen eines Monats darstellt, die Sie dann analysieren können.

import calendar

# calendar.weekday() Monday is 0 and Sunday is 6
# calendar.Thursday is 3
cal = calendar.Calendar()

# Get a matrix of weeks for November 2025
month_matrix = cal.monthdatescalendar(2025, 11)

# Discover the third Thursday
third_thursday = (week(calendar.THURSDAY) for week in month_matrix if week(calendar.THURSDAY).month == 11)(2)

print(f"The third Thursday of Nov 2025 is: {third_thursday}")

Ausgabe:

The third Thursday of Nov 2025 is: 2025-11-20

9. Die ISO -Woche -Nummer erhalten

Der ISO 8601 Normal definiert ein System für die Woche, in dem eine Woche an einem Montag beginnt. Der isocalendar() Die Methode gibt ein Tupel mit ISO -Jahr, Wochennummer und Wochentag für einen bestimmten Datum zurück.

Beachten Sie, dass der folgende Datum ein Donnerstag ist und daher zu einem Tag der 4. Woche führen sollte. Es sollte auch die 28. Woche des Jahres sein.

import datetime

d = datetime.date(2025, 7, 10)
iso_cal = d.isocalendar()

print(f"Date: {d}")
print(f"ISO 12 months: {iso_cal(0)}")
print(f"ISO Week Quantity: {iso_cal(1)}")
print(f"ISO Weekday: {iso_cal(2)}")

Ausgabe:

Date: 2025-07-10
ISO 12 months: 2025
ISO Week Quantity: 28
ISO Weekday: 4

10. Werktage hinzufügen oder abziehen

Die Berechnung zukünftiger Daten während des Überspringens von Wochenenden ist eine häufige Geschäftsanforderung. Während datetime Dafür hat keine integrierte Funktion timedelta und die weekday() Verfahren.

import datetime

def add_business_days(start_date, num_days):
    current_date = start_date
    whereas num_days > 0:
        current_date += datetime.timedelta(days=1)
        # weekday() returns 5 for Saturday and 6 for Sunday
        if current_date.weekday() < 5:
            num_days -= 1
    return current_date

begin = datetime.date(2025, 7, 10) # A Thursday
finish = add_business_days(begin, 13)

print(f"13 enterprise days after {begin} is {finish}")

13 enterprise days after 2025-07-10 is 2025-07-29

Einpacken

Python datetime Das Modul ist mehr als nur ein einfaches Werkzeug zum Speichern von Daten. Es bietet eine versatile und nützliche Menge von Instruments zum Umgang mit quick jeder zeitbezogenen Logik. Durch das Verständnis seiner Kernkomponenten – dateAnwesend timeAnwesend datetimeUnd timedelta – und sie mit dem kombinieren calendar Modul oder externe Bibliotheken mögen pytzSie können komplexe reale Probleme effizient und genau lösen.

Vergessen Sie nicht, das zu überprüfen datetime Modul Dokumentation Für mehr. Sie könnten überrascht sein, was Sie erreichen können.

Matthew Mayo (@Mattmayo13) hat einen Grasp -Abschluss in Informatik und ein Diplom in Information Mining. Als Geschäftsführer von Kdnuggets & Statologieund beitragen Redakteur bei Meisterschaft für maschinelles LernenMatthew zielt darauf ab, komplexe Datenwissenschaftskonzepte zugänglich zu machen. Zu seinen beruflichen Interessen zählen natürliche Sprachverarbeitung, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung der aufstrebenden KI. Er ist von der Mission getrieben, das Wissen in der Datenwissenschaftsgemeinschaft zu demokratisieren. Matthew kodiert seit seinem 6 -jährigen Lebensjahr.

Google Gemini wird schnell zu einem der beliebtesten KI -Chatbots auf der ganzen Welt. Mit einer tiefen Integration in das Android -Ökosystem und die Verfügbarkeit von iOS über die Google -App kombiniert Gemini eine leistungsstarke Konversations -KI mit der vollen Stärke der Instruments und Dienste von Google. Egal, ob Sie ein Scholar, ein vielbeschäftigter Fachmann oder ein neugieriger Kreativ sind, es ist die Umgestaltung der Interaktion mit unseren Smartphones.

Wenn Sie sich jemals gefragt haben, was Sie mit Google Gemini tun können, ist dieser Artikel für Sie. Wir werden darüber abdecken, wie man Google Gemini verwendet, einige Tipps, um das Beste daraus zu machen, und Ihnen zeigen, wie Sie Google Gemini schnell für alltägliche Aufgaben verwenden. Von Produktivitätshacks bis hin zu Good Assistant -Funktionen werden wir einige der besten Möglichkeiten untersuchen, Gemini auf Ihrem mobilen Gerät zu verwenden.

Wie benutze ich Google Gemini schnell auf dem Useful?

Bevor wir uns mit den Anwendungsfällen befassen, können Sie auf Google Gemini zugreifen:

1. Laden Sie die Google Gemini -App herunter
   Wenn Sie es noch nicht getan haben, laden Sie die App im Google Play Retailer oder App Retailer herunter.
2. Non-obligatory: Stellen Sie Ihren Standardassistenten fest (nur Android)
   Gehen Sie in Ihre Google App -Einstellungen und wählen Sie Google Gemini als Standardassistent.
3. So greifen Sie auf Google Gemini zu
   Sie können auf folgende Weise auf Zwillinge zugreifen:
   • App: Öffnen Sie die Google Gemini -App.
   • Stimme: Wenn Sie Google Gemini als Assistent ausgewählt haben, können Sie „Hey Google“ sagen, um zugänglich zu sein!

Anwendungsfälle und Funktionen

Einige der praktischen Dinge, die Sie mit Google Gemini auf Ihrem Telefon tun, sind:

1. Verwenden Sie Google Gemini als klugen persönliche Assistent

Google Gemini ersetzt Google Assistant auf vielen Android-Geräten und erstellt eine erweiterte, intelligentere und kontextbezogene Erfahrung für den Benutzer. Es versteht die natürliche Sprache effektiver und ermöglicht es Ihnen, mit ihr konversend zu interagieren. Mit Google Gemini können Sie problemlos alltägliche Aufgaben verwalten, z. B. das Einstellen von Erinnerungen und Alarmen, das Senden von Textnachrichten oder das Tätigen von Telefonanrufen, das Steuern von Good -Dwelling -Geräten, das Zusammenfassen von E -Mails oder Kalenderereignissen sowie das Zeichnen und Senden von Nachrichten über WhatsApp oder Google. Diese Aktionen, die so tief in Android eingebettet sind, lassen diese Aufgaben natürlich anfühlen und geben Google Gemini als persönlicher Assistent direkt am Telefon an.

Zum Beispiel habe ich Google Gemini gefragt, „Planen Sie heute um 17:00 Uhr ein Treffen für mich.“ Google Gemini bat sofort um einen Besprechungstitel, bestätigte die Zeit und erstellte das Ereignis ohne manuellen Eintrag.

Bei der Bereitstellung des Besprechungstitels habe ich vergessen, einen aufzunehmen.

Wir können durch das obige Bild sehen, dass das Ereignis erfolgreich erstellt wurde.

Google Gemini ist im Vergleich zu den vorherigen Sprachassistenten weit überlegen. Es verfügt über interaktive Multi-Flip-Dialog-Funktionen, die im Grunde genommen einen Kontext in den Interaktionen haben und Gespräche reibungslos und intuitiv machen.

2. Fassen Sie PDFs, Dokumente und E -Mails sofort zusammen

Mit Google Gemini können Sie Dokumente schnell von Google Mail, Google Docs oder Google Drive auf Ihrem Telefon analysieren und zusammenfassen. Laden Sie einfach eine Datei hoch oder weisen Sie Google Gemini an ihren Standort an und bitten Sie dann nach einer Zusammenfassung in der Klartext. Dafür benutze ich das PDF an Aufmerksamkeit ist alles was Sie brauchen.

Aus der Ausgabe können Sie feststellen, dass das Forschungsarbeit zusammengefasst wurde.

Sie können auch bestimmte Textabschnitte innerhalb von PDFs oder Dokumenten hervorheben und Google Gemini nur für diesen Teil nach Zusammenfassungen oder Klarstellungen fragen, wodurch die Überprüfung von Dokumenten präziser und interaktiver als je zuvor.

3. Verwenden Sie Google Lens + Google Gemini für visuelle Unterstützung

Google Gemini integriert nahtlos in Google Lens und verbessert die Fähigkeit des Instruments, visuelle Informationen clever zu interpretieren und zu verarbeiten. Öffnen Sie einfach die Kamera oder laden Sie ein Bild hoch und stellen Sie Google Gemini Fragen in Bezug auf das, was es sieht. Zum Beispiel können Sie sagen:

• „Welche Pflanze ist das?“
• „Übersetzen Sie dieses Menü von Japanisch.“
• „Fassen Sie diese handgeschriebene Notiz zusammen.“

Im Video unten bitte ich Google Gemini, das, was im Video ist, zusammenzufassen.

Diese leistungsstarke Kombination ermöglicht es Google Gemini, Handschrift zu interpretieren, Fremdsprachen zu verstehen, Menüs zu lesen und sogar komplexe Bilder zu analysieren, wodurch sie zu einem praktischen Assistenten für Schüler, Reisende oder Personen unterwegs ist.

4. Erstellen Sie AI -Bilder direkt von Ihrem Telefon aus

Google Gemini unterstützt derzeit die Erzeugung der Textual content-zu-Picture-Erzeugung auf ausgewählten Geräten (z. B. Pixel 8 und höher) und bietet Ihnen die Möglichkeit, Ihre Fantasie durch eine einfache Eingabeaufforderung zu manifestieren.

Immediate: „Illustriere eine traditionelle indische Hochzeitsszene im Stil von Madhubani, Braut und Bräutigam unter dem Mandap, umgeben von Frauen mit Dholaks, Elefanten und heiligem Feuer. ““

Diese Funktion eignet sich perfekt für Künstler, Inhalte, Vermarkter oder Personen, die Ideen schnell visualisieren möchten, sei es für den professionellen Gebrauch oder nur zum kreativen Spaß.

5. Bilder direkt von Ihrem Telefon aus bearbeiten

Zusätzlich zur Bildgenerierung bearbeitet Google Gemini Bilder, indem sie natürliche Sprachanforderungen auf Ihrem mobilen Gerät verwenden.

Immediate: „Ändern Sie dieses Bild von Sonnenblumen zu Rosen“

Erzeugte Bild:

Dies ist ein immens nützliches Instrument für schnelle kreative Änderungen.

6. Planen und Reiserouten mit lokalen Einsichten planen

Einen Urlaub planen? Google Gemini fungiert als Ihr persönlicher Reiseplaner und Ihr lokaler Reiseführer und hilft Ihnen dabei, ein immersives Reiseerlebnis zu entwerfen, das auf Ihre Interessen und Ihr Funds zugeschnitten ist.

Immediate: „Ich airplane einen Urlaub und ich möchte Ihre Hilfe sowohl als Reiseplaner als auch als lokaler Leitfaden. Bitte helfen Sie mir mit Folgendem:

Erstellen Sie eine personalisierte 3-tägige Reiseroute für meine Reise nach Lissabon, Portugal, basierend auf meinen Interessen:

Ich genieße historische Stadtteile, Küstenblicke, lokales Essen, Fotografie und Musik

Ich bevorzuge Erfahrungen, die ungewöhnlich, budgetfreundlich und kulturell beeindruckend sind

Schlagen Sie High-Dinge vor und Orte, die Sie in Lissabon besuchen können, einschließlich einer Mischung aus Should-Sehen-Attraktionen und versteckten Edelsteinen, die hauptsächlich den Einheimischen bekannt sind.

Empfehlen Sie lokale Eating places, Cafés und Avenue Meals Spots mit hohen Google -Bewertungen, insbesondere solchen mit authentischer portugiesischer Küche, die keine Touristenfallen sind.

Vergleichen Sie die Flug- und Hoteloptionen von (meiner Stadt) mit Lissabon, um zwischen (Startdatum) und (Enddatum) zu reisen. Priorisieren Sie intestine bewertete, zentral gelegene Aufenthalte zu einem angemessenen Preis.

Verwenden Sie Echtzeitdaten von Google Search, Google Maps und Google Critiques, um Ihre Vorschläge zu personalisieren. Wenn möglich, schließen Sie auch Folgendes ein:

Lokale Festivals oder Dwell -Fado -Auftritte während meines Aufenthalts

Beste Stellen für Sonnenuntergangsfotografie

Wettertipps und Transportpässe (wie Straßenbahnen oder Lisboa -Karte)“

Die Gemini -App konnte akzeptabel antworten.

7. Fassen Sie YouTube -Movies und Artikel zusammen

Google Gemini kann die Langforminhalte, einschließlich Webartikel und YouTube-Movies, schnell zusammenfassen, indem sie einfach die URL bereitstellen. Egal, ob es sich um einen Weblog-Beitrag oder ein 30-minütiges Video handelt, Google Gemini destilliert die wichtigsten Einblicke in präzise Zusammenfassungen.

Beispiel 1:

Artikel: Wichtige Highlights von Geoffrey Hinton auf Superintelligent AI

Google Gemini hat basierend auf dem Artikel-Hyperlink eine Zusammenfassung eines Absatzes generiert.

Video Demo:

Beispiel 2:

YouTube Video: Sieh dir hier an

Google Gemini fasste die Videoinhalte in einen kurzen, klaren Absatz zusammen, nur aus dem Hyperlink.

Video Demo:

Aus den Movies können Sie sehen, dass das YouTube -Video und der Artikel zusammengefasst wurden, auch wenn die Video -URL bereitgestellt wurde.

Abschluss

Google Gemini auf Mobiltelefon ist nicht nur ein weiterer KI -Chatbot. Es ist eine vollwertige Produktivitäts- und Kreativitätsmotor in Ihrer Tasche. Von der Zusammenfassung von Dokumenten und Movies bis hin zum Erstellen und Bearbeiten von Bildern, Planungsreisen und der Verwaltung Ihres täglichen Zeitplans bringt Google Gemini die Leistung von KI zu Ihren Fingerspitzen.

Die tiefe Integration in das Google-Ökosystem macht es unabhängig von Ihrer Rolle kontextbewusst, reaktionsschnell und zutiefst nützlich. Egal, ob Sie ein Scholar sind, der an Aufgaben arbeitet, ein professionelles Jonglier -Treffen oder ein Schöpfer, der Ideen erkundet, Google Gemini kann zu Ihrem täglichen KI -Begleiter werden.

Häufig gestellte Fragen

Hallo, ich bin Janvi, ein leidenschaftlicher Information -Science -Fanatic, der derzeit bei Analytics Vidhya arbeitet. Meine Reise in die Daten der Daten begann mit einer tiefen Neugier darüber, wie wir aus komplexen Datensätzen sinnvolle Erkenntnisse herausholen können.