eine kleine NumPy-Projektreihe, in der ich es tatsächlich versuche etwas bauen mit NumPy, anstatt nur zufällige Funktionen und Dokumentation durchzugehen. Ich hatte immer das Gefühl, dass der beste Weg zum Lernen darin besteht, etwas zu tun. Deshalb wollte ich in diesem Projekt etwas sowohl Praktisches als auch Persönliches schaffen.

Die Idee conflict einfach: Analysieren Sie meine täglichen Gewohnheiten – Schlaf, Lernstunden, Bildschirmzeit, Bewegung und Stimmung – und sehen Sie, wie sie sich auf meine Produktivität und mein allgemeines Wohlbefinden auswirken. Die Daten sind nicht actual; Es ist fiktiv und über einen Zeitraum von 30 Tagen simuliert. Aber das Ziel ist nicht die Genauigkeit der Daten – es geht darum zu lernen, wie man NumPy sinnvoll nutzt.

Lassen Sie uns den Prozess Schritt für Schritt durchgehen.

Schritt 1 – Laden und Verstehen der Daten

Ich begann damit, ein einfaches NumPy-Array zu erstellen, das 30 Zeilen (eine für jeden Tag) und sechs Spalten enthielt – jede Spalte repräsentierte eine andere Gewohnheitsmetrik. Dann habe ich es als gespeichert .npy Datei, damit ich sie später problemlos laden kann.

# TODO: Import NumPy and cargo the .npy information file
import numpy as np
information = np.load(‘activity_data.npy’)

Nach dem Laden wollte ich bestätigen, dass alles wie erwartet aussah. Additionally habe ich das überprüft Type (um zu wissen, wie viele Zeilen und Spalten es gab) und die Anzahl der Dimensionen (um zu bestätigen, dass es sich um eine 2D-Tabelle und nicht um eine 1D-Liste handelt).

# TODO: Print array form, first few rows, and so forth.
information.form
information.ndim

AUSGABE: 30 Zeilen, 6 Spalten und ndim=2

Ich habe auch die ersten paar Zeilen ausgedruckt, um visuell zu bestätigen, dass jeder Wert in Ordnung conflict – zum Beispiel, dass die Schlafstunden nicht negativ waren oder dass die Stimmungswerte in einem angemessenen Bereich lagen.

# TODO: High 5 rows
information(:5)

Ausgabe:

array((( 1. , 6.5, 5. , 4.2, 20. , 6. ),
( 2. , 7.2, 6. , 3.1, 35. , 7. ),
( 3. , 5.8, 4. , 5.5, 0. , 5. ),
( 4. , 8. , 7. , 2.5, 30. , 8. ),
( 5. , 6. , 5. , 4.8, 10. , 6. )))

Schritt 2 – Validierung der Daten

Bevor ich eine Analyse durchführte, wollte ich sicherstellen, dass die Daten Sinn ergeben. Dies ist etwas, was wir bei der Arbeit mit fiktiven Daten oft überspringen, aber es ist dennoch eine gute Vorgehensweise.

Additionally habe ich nachgeschaut:

• Keine negativen Schlafstunden
• Keine Stimmung hat einen Wert unter 1 oder über 10

Für den Schlaf bedeutete das, die Schlafspalte (Index 1 in meinem Array) auszuwählen und zu prüfen, ob Werte unter Null lagen.

# Ensure values are affordable (no unfavorable sleep)
information(:, 1) < 0

Ausgabe:

array((False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False))

Das bedeutet, dass es keine Nachteile gibt. Dann habe ich das Gleiche für die Stimmung gemacht. Ich zählte, um herauszufinden, dass die Stimmungsspalte den Index 5 hatte, und überprüfte, ob einer unter 1 oder über 10 lag.

# Is temper out of vary?
information(:, 5) < 1
information(:, 5) > 10

Wir haben die gleiche Ausgabe erhalten.

Alles sah intestine aus, additionally konnten wir weitermachen.

Schritt 3 – Aufteilen der Daten in Wochen

Ich hatte 30 Tage Daten und wollte sie Woche für Woche analysieren. Der erste Instinkt conflict, NumPys zu verwenden cut up() Funktion, aber das ist fehlgeschlagen, weil 30 nicht gleichmäßig durch 4 teilbar ist. Additionally habe ich stattdessen verwendet np.array_split()was ungleichmäßige Teilungen ermöglicht.

Das hat mir Folgendes gebracht:

• Woche 1 → 8 Tage
• Woche 2 → 8 Tage
• Woche 3 → 7 Tage
• Woche 4 → 7 Tage

# TODO: Slice information into week 1, week 2, week 3, week 4
weekly_data = np.array_split(information, 4)
weekly_data

Ausgabe:

(array((( 1. , 6.5, 5. , 4.2, 20. , 6. ),
( 2. , 7.2, 6. , 3.1, 35. , 7. ),
( 3. , 5.8, 4. , 5.5, 0. , 5. ),
( 4. , 8. , 7. , 2.5, 30. , 8. ),
( 5. , 6. , 5. , 4.8, 10. , 6. ),
( 6. , 7.5, 6. , 3.3, 25. , 7. ),
( 7. , 8.2, 3. , 6.1, 40. , 7. ),
( 8. , 6.3, 4. , 5. , 15. , 6. ))),

array((( 9. , 7. , 6. , 3.2, 30. , 7. ),
(10. , 5.5, 3. , 6.8, 0. , 5. ),
(11. , 7.8, 7. , 2.9, 25. , 8. ),
(12. , 6.1, 5. , 4.5, 15. , 6. ),
(13. , 7.4, 6. , 3.7, 30. , 7. ),
(14. , 8.1, 2. , 6.5, 50. , 7. ),
(15. , 6.6, 5. , 4.1, 20. , 6. ),
(16. , 7.3, 6. , 3.4, 35. , 7. ))),

array(((17. , 5.9, 4. , 5.6, 5. , 5. ),
(18. , 8.3, 7. , 2.6, 30. , 8. ),
(19. , 6.2, 5. , 4.3, 10. , 6. ),
(20. , 7.6, 6. , 3.1, 25. , 7. ),
(21. , 8.4, 3. , 6.3, 40. , 7. ),
(22. , 6.4, 4. , 5.1, 15. , 6. ),
(23. , 7.1, 6. , 3.3, 30. , 7. ))),

array(((24. , 5.7, 3. , 6.7, 0. , 5. ),
(25. , 7.9, 7. , 2.8, 25. , 8. ),
(26. , 6.2, 5. , 4.4, 15. , 6. ),
(27. , 7.5, 6. , 3.5, 30. , 7. ),
(28. , 8. , 2. , 6.4, 50. , 7. ),
(29. , 6.5, 5. , 4.2, 20. , 6. ),
(30. , 7.4, 6. , 3.6, 35. , 7. ))))

Jetzt lagen die Daten in vier Blöcken vor, und ich konnte jeden einzelnen Teil problemlos analysieren.

Schritt 4 – Berechnung der wöchentlichen Kennzahlen

Ich wollte ein Gefühl dafür bekommen, wie sich jede Gewohnheit von Woche zu Woche verändert. Deshalb habe ich mich auf vier Hauptdinge konzentriert:

• Durchschnittlicher Schlaf
• Durchschnittliche Studienstunden
• Durchschnittliche Bildschirmzeit
• Durchschnittlicher Stimmungswert

Ich habe das Array jeder Woche in einer separaten Variablen gespeichert und dann verwendet np.imply() um die Durchschnittswerte für jede Metrik zu berechnen.

Durchschnittliche Schlafstunden

# retailer into variables
week_1 = weekly_data(0)
week_2 = weekly_data(1)
week_3 = weekly_data(2)
week_4 = weekly_data(3)

# TODO: Compute common sleep
week1_avg_sleep = np.imply(week_1(:, 1))
week2_avg_sleep = np.imply(week_2(:, 1))
week3_avg_sleep = np.imply(week_3(:, 1))
week4_avg_sleep = np.imply(week_4(:, 1))

Durchschnittliche Studienstunden

# TODO: Compute common research hours
week1_avg_study = np.imply(week_1(:, 2))
week2_avg_study = np.imply(week_2(:, 2))
week3_avg_study = np.imply(week_3(:, 2))
week4_avg_study = np.imply(week_4(:, 2))

Durchschnittliche Bildschirmzeit

# TODO: Compute common display time
week1_avg_screen = np.imply(week_1(:, 3))
week2_avg_screen = np.imply(week_2(:, 3))
week3_avg_screen = np.imply(week_3(:, 3))
week4_avg_screen = np.imply(week_4(:, 3))

Durchschnittlicher Stimmungswert

# TODO: Compute common temper rating
week1_avg_mood = np.imply(week_1(:, 5))
week2_avg_mood = np.imply(week_2(:, 5))
week3_avg_mood = np.imply(week_3(:, 5))
week4_avg_mood = np.imply(week_4(:, 5))

Um alles leichter lesbar zu machen, habe ich die Ergebnisse dann intestine formatiert.

# TODO: Show weekly outcomes clearly
print(f”Week 1 — Common sleep: {week1_avg_sleep:.2f} hrs, Examine: {week1_avg_study:.2f} hrs, “
f”Display time: {week1_avg_screen:.2f} hrs, Temper rating: {week1_avg_mood:.2f}”)

print(f”Week 2 — Common sleep: {week2_avg_sleep:.2f} hrs, Examine: {week2_avg_study:.2f} hrs, “
f”Display time: {week2_avg_screen:.2f} hrs, Temper rating: {week2_avg_mood:.2f}”)

print(f”Week 3 — Common sleep: {week3_avg_sleep:.2f} hrs, Examine: {week3_avg_study:.2f} hrs, “
f”Display time: {week3_avg_screen:.2f} hrs, Temper rating: {week3_avg_mood:.2f}”)

print(f”Week 4 — Common sleep: {week4_avg_sleep:.2f} hrs, Examine: {week4_avg_study:.2f} hrs, “
f”Display time: {week4_avg_screen:.2f} hrs, Temper rating: {week4_avg_mood:.2f}”)

Ausgabe:

Week 1 – Common sleep: 6.94 hrs, Examine: 5.00 hrs, Display time: 4.31 hrs, Temper rating: 6.50
Week 2 – Common sleep: 6.97 hrs, Examine: 5.00 hrs, Display time: 4.39 hrs, Temper rating: 6.62
Week 3 – Common sleep: 7.13 hrs, Examine: 5.00 hrs, Display time: 4.33 hrs, Temper rating: 6.57
Week 4 – Common sleep: 7.03 hrs, Examine: 4.86 hrs, Display time: 4.51 hrs, Temper rating: 6.57

Schritt 5 – Die Ergebnisse verstehen

Nachdem ich die Zahlen ausgedruckt hatte, tauchten einige Muster auf.

Mein Schlafstunden waren in den ersten zwei Wochen ziemlich konstant (ca. 6,9 Stunden), aber in der dritten Woche stiegen sie sprunghaft auf ca. 7,1 Stunden. Das bedeutet, dass ich im Laufe des Monats „besser geschlafen“ habe. Bis zur vierten Woche waren es ungefähr 7,0 Stunden.

Für Lernstundenes conflict das Gegenteil. In den Wochen eins und zwei waren es durchschnittlich etwa fünf Stunden professional Tag, in der vierten Woche waren es jedoch nur etwa vier Stunden. Grundsätzlich habe ich stark angefangen, aber langsam an Schwung verloren – was sich, ehrlich gesagt, ungefähr richtig anhört.

Dann kam Bildschirmzeit. Das tat ein bisschen weh. In der ersten Woche waren es ungefähr 4,3 Stunden professional Tag, und jede Woche wurden die Werte immer höher. Der klassische Zyklus, bei dem man früh produktiv ist und später im Monat langsam in weitere „Scroll-Pausen“ übergeht.

Endlich conflict es da Stimmung. Mein Stimmungswert begann in der ersten Woche bei etwa 6,5, stieg in der zweiten Woche leicht auf 6,6 und blieb dann für den Relaxation des Zeitraums auf diesem Wert. Es hat sich nicht dramatisch verändert, aber es conflict interessant, einen kleinen Anstieg in der zweiten Woche zu sehen – kurz bevor meine Lernstunden sanken und meine Bildschirmzeit zunahm.

Um die Dinge interaktiv zu gestalten, dachte ich, dass es großartig wäre, sie mit Matplotlib zu visualisieren.

Schritt 6 – Auf der Suche nach Mustern

Nachdem ich nun die Zahlen hatte, wollte ich es wissen Warum In der zweiten Woche stieg meine Laune.

Additionally habe ich die Wochen nebeneinander verglichen. Die zweite Woche hatte im Vergleich zu den späteren Wochen guten Schlaf, viele Lernstunden und relativ wenig Bildschirmzeit.

Das könnte erklären, warum mein Stimmungswert dort seinen Höhepunkt erreichte. Obwohl ich in der dritten Woche mehr schlief, begannen meine Lernstunden zu sinken – vielleicht ruhte ich mich mehr aus, schaffte aber weniger, was meine Stimmung nicht so sehr verbesserte, wie ich erwartet hatte.

Das hat mir an dem Projekt gefallen: Es geht nicht darum, dass die Daten echt sind, sondern darum, wie man das machen kann Verwenden Sie NumPy um Muster, Zusammenhänge und kleine Erkenntnisse zu erforschen. Selbst fiktive Daten können eine Geschichte erzählen, wenn man sie richtig betrachtet.

Schritt 7 – Zusammenfassung und nächste Schritte

In diesem kleinen Projekt habe ich ein paar wichtige Dinge gelernt – sowohl über NumPy als auch über die Strukturierung einer solchen Analyse.

Wir begannen mit einer Rohliste fiktiver Alltagsgewohnheiten, lernten, deren Struktur und Gültigkeit zu überprüfen, sie in sinnvolle Abschnitte (Wochen) aufzuteilen und verwendeten dann einfache NumPy-Operationen, um jedes Section zu analysieren.

Es handelt sich um ein kleines Projekt, das Sie daran erinnert, dass Datenanalyse nicht immer komplex sein muss. Manchmal geht es nur darum, einfache Fragen zu stellen wie „Wie verändert sich meine Bildschirmzeit im Laufe der Zeit?“ oder „Wann fühle ich mich am besten?“

Wenn ich das weiterführen möchte (was ich wahrscheinlich tun werde), gibt es so viele Richtungen, in die ich gehen kann:

• Finden Sie die beste und schlechteste Tage gesamt
• Vergleichen Wochentage vs. Wochenenden
• Oder erstellen Sie sogar einen einfachen „Wohlbefindens-Rating“, der auf der Kombination mehrerer Gewohnheiten basiert

Aber das wird wahrscheinlich für den nächsten Teil der Serie sein.

Im Second bin ich froh, dass ich NumPy auf etwas anwenden konnte, das sich actual und nachvollziehbar anfühlt – nicht nur abstrakte Arrays und Zahlen, sondern auch Gewohnheiten und Emotionen. Das ist die Artwork des Lernens, die hängen bleibt.

Danke fürs Lesen.

Wenn Sie die Serie verfolgen, versuchen Sie, sie anhand Ihrer eigenen fiktiven Daten nachzubilden. Selbst wenn Ihre Zahlen zufällig sind, lernen Sie mit diesem Prozess, wie Sie Arrays wie ein Profi aufteilen, aufteilen und analysieren.

Du hast es erlebt. Dieser Blitz der Frustration, wenn Chatgpt trotz seiner unglaublichen Kraft auf eine Weise reagiert, die sich anfühlt. Vielleicht ist es zu wortreich, übermäßig entschuldigend, seltsam fröhlich oder hartnäckig ausweichend. Während wir es vielleicht scherzhaft als „nervige Persönlichkeit“ bezeichnen, ist es überhaupt keine Persönlichkeit. Es ist eine komplexe Mischung aus Trainingsdaten, Sicherheitsprotokollen und der inhärenten Natur von Großsprachige Modelle (LLMs).

Sie haben mehr Kontrolle als Sie denken.

Warum handelt Chatgpt so?

Das Verständnis des „Warum“ hilft, bessere „Anleitungen“ zu erstellen. Chatgpts Macken stammen oft von:

• Trainingsdaten Einfluss: Chatgpt Aus riesigen Mengen an Internettext gelernt, einschließlich Foren, Artikeln, Büchern und Web sites. Es nahm die Muster, Stile und leider einige der in diesen Daten vorhandenen Ausführungen und Klischees ab.
• Verstärkungslernen aus menschlichem Suggestions (RLHF): Menschen bewerteten KI -Reaktionen während des Trainings und lehren es, hilfreich, harmlos und ehrlich zu sein. Dieser Prozess favorisierte die Höflichkeit, die klare Signalübertragung seiner KI -Natur („als KI -Modell…“) und vorsichtiger Phrasierung, was manchmal zu übermäßiger Absicherung oder Entschuldigung führen kann.
• Sicherheitsleitungen: Um schädliche, unethische oder unangemessene Ausgaben zu verhindern, sind strenge Sicherheitsprotokolle vorhanden. Diese wesentlich können diese manchmal dazu führen, dass die KI scheinbar harmlose Anfragen ablehnt oder übermäßig vorsichtig ist, wodurch die Eingabeaufforderungen auf risikoaverse Weise interpretiert werden.
• Vorhersage Natur: ChatGPT prognostiziert im Kern das statistisch wahrscheinlichste nächste Wort (oder Token), das auf Ihrer Eingabeaufforderung und seinem Coaching basiert. Es „versteht“ Kontext oder Nuance nicht wirklich wie ein Mensch, was zu Fehlinterpretationen oder generischen Ausgaben führt, wenn die Eingabeaufforderung nicht spezifisch genug ist.
• Schnelle Interpretation: Wie intestine es funktioniert, hängt stark davon ab, wie klar es Ihre Anweisungen interpretiert. Mehrdeutigkeit führt zu unvorhersehbaren Ergebnissen.

Gemeinsame Chatgpt -Ärger und wie man bessere Antworten entwickelt

Lassen Sie uns einige häufige Frustrationen mit spezifischen technischen Techniken angehen:

1. übermäßige Ausführlichkeit

Beschreibung: Absätze zu bekommen, wenn ein Satz ausreicht; Übermäßig ausführliche Erklärungen für einfache Konzepte.

Wahrscheinliche Ursache: Trainingsdaten enthalten häufig detaillierte Erklärungen. RLHF könnte Gründlichkeit bevorzugen.

Die Repair: Seien Sie explizit über Länge und Format.

• "Clarify (matter) concisely."
• "Summarize the important thing factors in 3 bullet factors."
• "Reply in a single sentence."
• "Restrict your response to below 100 phrases."
• "Present a quick overview of (matter)."

Beispiel:

Anstatt: „Erzähl mir von Photosynthese.“
Versuchen: "Clarify photosynthesis in two sentences appropriate for a fifth grader."

2. ständige Absicherung und Entschuldigung

Beschreibung: Sätze wie „als KI -Sprachmodell…“, „Es ist wichtig zu beachten…“, „Ich kann nicht…“, „Ich entschuldige mich für Verwirrung…“, selbst wenn sie unnötig sind.

Wahrscheinliche Ursache: RLHF und Sicherheitstraining betonen Einschränkungen und Höflichkeit.

Die Repair: Weisen Sie es an, direkt zu sein und das Verständnis des Benutzers zu übernehmen.

• "Reply instantly with out hedging."
• "Don't apologize or state you might be an AI."
• "Present the knowledge with out qualifiers like 'it is vital to notice'."
• "Assume I perceive the constraints of AI fashions."
• "Be assured in your response." (Verwendung mit Vorsicht kann das Halluzinationsrisiko erhöhen, wenn das Thema komplex ist).

Beispiel:

Anstatt: „Was sind die Vorteile von Python?“
Versuchen: "Record the principle advantages of Python for internet growth. Reply instantly, with out apologies or stating you are an AI."

3. Unerwünschter Ton

Beschreibung: Der Ton passt nicht zum Kontext – vielleicht zu enthusiastisch für ein ernstes Thema oder zu steif für kreatives Brainstorming.

Wahrscheinliche Ursache: Versuch, eine allgemein hilfreiche und constructive Particular person aufrechtzuerhalten, die von RLHF abgeleitet wurde; Verfall zu einem Standardton ohne spezifischen Anweisungen.

Die Repair: Definieren Sie explizit den gewünschten Ton oder die gewünschte Particular person.

• "Undertake a proper {and professional} tone."
• "Write in a impartial, goal type."
• "Use an off-the-cuff and pleasant tone."
• "Reply with the tone of an professional (subject specialist)."
• "Keep away from extreme enthusiasm or exclamation factors."

Beispiel:

Anstatt: „Erklären Sie die Quantenverstrickung.“
Versuchen: "Clarify quantum entanglement in a impartial, scientific tone appropriate for a school pupil. Keep away from analogies which might be overly simplistic."

4. generische oder offensichtliche Informationen

Beschreibung: Empfangen Sie grundlegende Antworten auf Oberflächenebene, wenn Sie bestimmte Particulars oder tiefere Erkenntnisse benötigen.

Wahrscheinliche Ursache: Mehrdeutige Aufforderungen; Das Modell standardmäßig in allgemeinem Wissen, das häufig in Trainingsdaten zu finden ist.

Die Repair: Geben Sie den Kontext an, geben Sie die gewünschte Detailebene an und fragen Sie nach Einzelheiten.

• "Present particular examples of (idea)."
• "Deal with the (particular facet) of (matter)."
• "Assume I've foundational data; clarify the superior features."
• "As an alternative of a normal overview, talk about the challenges of implementing (method)."
• "Analyze the professionals and cons from the attitude of a (particular function)."

Beispiel:

Anstatt: „Wie verbessert man die Geschwindigkeit der Web site?“
Versuchen: "Record 5 particular, actionable methods to enhance web site loading velocity, specializing in picture optimization and server response time. Clarify the technical implementation briefly for every."

5. Stonewalling oder nicht hilfreiche Ablehnungen

Beschreibung: Weigert sich, eine scheinbar harmlose Frage zu beantworten, und zitiere oft Sicherheit oder Einschränkungen.

Wahrscheinliche Ursache: Sicherheitsleitungen, die die Anfrage als potenziell problematisch interpretieren, auch wenn dies nicht der Fall ist; Einschränkungen für den Zugriff auf Echtzeitdaten oder das Ausführen bestimmter Aktionen.

Die Repair: Umformeln, vereinfachen oder konzentrieren Sie sich auf zugrunde liegende Prinzipien.

• Rephrase: Stellen Sie die Frage anders und vermeiden Sie potenzielle Triggerwörter.
• Brechen Sie es auf: Fragen Sie nach kleineren, weniger komplexen Teilen der ursprünglichen Anfrage.
• Bitten Sie nach Prinzipien: Anstatt nach potenziell sensiblen Einzelheiten zu fragen, fragen Sie nach allgemeinen Regeln, Konzepten oder Schritten. Anstelle von „Code schreiben, um auf X -System zuzugreifen“, versuchen Sie „Erklären Sie die gängigen Methoden und Sicherheitsüberlegungen für den Zugriff auf Systeme wie X über API.“
• Überprüfen Sie nach Einschränkungen: Ist die Anfrage zu Echtzeitdaten (wie den heutigen Aktienkursen) oder persönlichen Meinungen? Bestätigen Sie, dass Sie wissen, dass es diese Dinge nicht tun kann, sondern nach verwandten historischen Daten oder gemeinsamen Standpunkten bitten.

Beispiel:

Wenn abgelehnt: „Erstellen Sie einen Marketingplan für eine neue Artwork von Drohne.“
Versuchen Sie es mit neuem Umfang: "Define the important thing elements of a typical advertising plan for a high-tech shopper product. Embody sections like target market evaluation, channel technique, and finances concerns."

6. Vergessen von Kontext oder Anweisungen

Beschreibung: Ignorieren Sie frühere Teile der Konversation oder Anweisungen, die früher in derselben Chat -Sitzung gegeben wurden.

Wahrscheinliche Ursache: Begrenztes Kontextfenster (wie viel Textual content kann es auf einmal „erinnern“); Schwierigkeitsgrad-Verfolgung komplexer Anweisungen mit mehreren Turns.

Die Repair: Kontext und Anweisungen regelmäßig verstärken.

• Zusammenfassen: Kurz den Schlüsselkontext oder vorherige Punkte neu formulieren, bevor Sie eine neue verwandte Frage stellen. "Provided that we beforehand established X and Y, now clarify Z."
• Verwenden Sie explizite Referenzen: "Primarily based on the standards you listed earlier..."
• Benutzerdefinierte Anweisungen (falls verfügbar): Verwenden Sie die Funktion „Customized -Anweisungen“, um anhaltende Hintergrundinformationen und Ausgabeeinstellungen bereitzustellen.
• Fokussierte Sitzungen: Für sehr komplexe Aufgaben sollten Sie eine neue Chat -Sitzung beginnen, um einen sauberen Kontext -Taf zu gewährleisten.