# Agentisches Lernen

Im November 2025 haben sich mehr als 1,5 Millionen Menschen für einen kostenlosen Kurs zum Aufbau von KI-Agenten angemeldet. Das ist kein Tippfehler und es ist auch nicht die Self-importance-Metrik eines MOOC für Registrierungen, die nie konvertieren: die gleiche Kohorte eingereicht mehr als 11.000 Schlussstein-Einreichungen. Der 5-tägige KI-Agenten-Intensivkurs von Google und Kaggle wurde gemessen an der Teilnehmerzahl zu einem der größten Technikkurse, die jemals durchgeführt wurden.

Die gute Nachricht für alle, die die Stay-Woche verpasst haben: Alles ist jetzt kostenlos und im eigenen Tempo möglich, und es steckt viel mehr dahinter, als der Hype vermuten ließ.

# Was es eigentlich ist

Der Kurs ist der Nachfolger von Google und Kaggle zu ihrem GenAI-Intensivkurs 2024, der selbst eine Auszeichnung erhielt Über 140.000 Entwickler und eine Wiederholung, die einen Guinness-Rekord für die größte virtuelle KI-Konferenz aufstellte. In der Ausgabe 2025 wurde der Fokus von generativer KI im Großen und Ganzen auf Agenten im Speziellen verengt. Dies ist die richtige Entscheidung, wenn man bedenkt, wie viel Verwirrung darüber herrscht, was ein Agent überhaupt ist.

Der Stay-Auftritt erstreckte sich über fünf Tage im November 2025, aber das Ganze ist seitdem vorbei umgewandelt in einen Kaggle-Lernführer zum Selbststudiumsodass Sie es nun nach Ihrem eigenen Zeitplan durcharbeiten können. Für diejenigen, die das Kohorten-Erlebnis bevorzugen, gab es im Juni 2026 auch eine aktualisierte Serie zum Thema Vibe-Coding. In jedem Fall ist das Materials der Auslöser.

# Die fünf Tage

Jeden Tag gibt es ein technisches Whitepaper mit zwei praktischen Codelabs, die auf Gemini und dem Agent Growth Package von Google basieren, sodass Sie das Konzept lesen und es dann sofort erstellen können.

Tag 1 – Einführung in Agenten: Agentenarchitekturen und die grundlegende Frage, wann eine Aufgabe überhaupt einen Agenten benötigt, im Vergleich zu einem einfacheren Workflow. Sie bauen Ihren ersten Agenten und Ihr erstes Multiagentensystem.

Tag 2 – Instruments und Interoperabilität mit MCP: Wie Agenten Instruments verwenden, wie man benutzerdefinierte Instruments schreibt und wie das Mannequin Context Protocol (MCP) es Agenten ermöglicht, mit externen Systemen zu kommunizieren. An diesem Tag wird auch die Human-in-the-Loop-Genehmigung für Langzeitoperationen eingeführt, was den Unterschied zwischen einem nützlichen und einem gefährlichen Agenten ausmacht.

Tag 3 – Kontext-Engineering: Sitzungen und Gedächtnis: Erstellen Sie zustandsbehaftete Agenten, die sich erinnern, und geben Sie ihnen ein Langzeitgedächtnis, das über Sitzungen hinweg bestehen bleibt. Hier scheitern die meisten hausgemachten Mittel stillschweigend, es lohnt sich additionally, hier langsamer zu werden.

Tag 4 – Agentenqualität: Protokollierung, Nachverfolgung, Metriken und Auswertung sowohl der Antworten eines Agenten als auch seiner Device-Nutzung. Wenn Sie einen Tag ernst nehmen, nehmen Sie diesen. Das Messen, ob ein Agent funktioniert, ist eine Fähigkeit, die quick niemand lehrt und die jeder, der in die Produktion geht, dringend benötigt.

Tag 5 – Vom Prototyp zur Produktion: Das Agent-zu-Agent-Protokoll und die Bereitstellung in einer verwalteten Laufzeit wie der Vertex AI Agent Engine. Die unscheinbare letzte Meile zwischen einem Pocket book, das Ihr Workforce beeindruckt, und einem System, das echte Benutzer nutzen können.

# Wer sollte es nehmen und wie man das Beste daraus macht

Wenn Sie Python schreiben können und eine LLM-API aufgerufen haben, sind Sie bereit. Der Kurs setzt Programmierkenntnisse voraus, nicht jedoch Agentenkenntnisse, was genau die Kategorie ist, in der sich die meisten Praktiker derzeit befinden.

Ein Ratschlag aus der Beobachtung, wie diese Intensivkurse tendenziell ablaufen: Überfliegen Sie nicht die Whitepapers, um schnell zum Code zu gelangen. Das Evaluierungs- und Kontext-Engineering-Materials an den Tagen drei und vier bildet den Kern des dauerhaften Verständnisses und ist der Teil, den Sie später nicht durch Kopieren eines funktionierenden Repositorys übernehmen können. In den Codelabs lernen Sie, einen Agenten zu erstellen. Die Papiere zeigen Ihnen, warum Ihres immer wieder kaputt geht.

Das Ganze ist kostenlos, das ist es Jetzt auf Kaggle erhältlichund der Schlussstein gibt Ihnen etwas Reales, auf das Sie zeigen können, wenn Sie fertig sind. Eineinhalb Millionen Menschen fanden fünf Tage dafür. Ihre sind wahrscheinlich genauso viel wert.

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.

Bild vom Herausgeber

# Einführung

Die meisten kostenlosen Kurse bieten Theorie auf Oberflächenniveau und ein Zertifikat, das oft innerhalb einer Woche vergessen wird. Glücklicherweise, Google Und Kaggle haben zusammengearbeitet, um eine substanziellere Different anzubieten. Ihr intensiver fünftägiger Kurs zur generativen KI (GenAI). behandelt grundlegende Modelle, Einbettungen, KI-Agenten, domänenspezifische große Sprachmodelle (LLMs) und maschinelle Lernoperationen (MLOps) im Rahmen einer Woche voller Whitepapers, praktischer Code-Labs und Reside-Expertensitzungen.

Die zweite Auflage dieses Programms zog über 280.000 Anmeldungen an und stellte einen Guinness-Weltrekord für die größte virtuelle KI-Konferenz in einer einzigen Woche auf. Alle Kursmaterialien sind jetzt als Selbststudium verfügbar Kaggle-Lernführervöllig kostenlos. In diesem Artikel geht es um den Lehrplan und darum, warum er eine wertvolle Ressource für Datenexperten ist.

# Überprüfung der Kursstruktur

Jeder Tag konzentriert sich auf ein bestimmtes GenAI-Thema und nutzt dabei ein Multi-Channel-Lernformat. Der Lehrplan umfasst Whitepapers, die von Google-Forschern für maschinelles Lernen verfasst wurden und Ingenieure, neben KI-generierten zusammenfassenden Podcasts, die mit erstellt wurden NotebookLM.

Praktische Code-Labs laufen direkt auf Kaggle-Notebooks, sodass Studierende Konzepte sofort anwenden können. Die ursprüngliche Reside-Model beinhaltete YouTube-Livestreams mit Experten-Frage-und-Antwort-Runden und einer Discord-Neighborhood mit über 160.000 Lernenden. Durch die Gewinnung konzeptioneller Tiefe aus Whitepapers und die sofortige Anwendung dieser Konzepte in Codelabors mithilfe von Gemini-API, LangGraphUnd Vertex-KIDer Kurs behält eine stetige Dynamik zwischen Theorie und Praxis bei.

// Tag 1: Erforschung grundlegender Modelle und schnelles Engineering

Der Kurs beginnt mit den wesentlichen Bausteinen. Du wirst Untersuchen Sie die Entwicklung von LLMs – von der ursprünglichen Transformer-Architektur bis hin zu modernen Techniken zur Feinabstimmung und Inferenzbeschleunigung. Der Abschnitt „Immediate Engineering“ behandelt praktische Methoden zur effektiven Steuerung des Modellverhaltens und geht über grundlegende Anleitungstipps hinaus.

Das zugehörige Codelabor beinhaltet die direkte Arbeit mit der Gemini-API, um verschiedene Eingabeaufforderungstechniken in Python zu testen. Für diejenigen, die LLMs verwendet haben, sich aber noch nie mit der Mechanik von Temperatureinstellungen oder der Strukturierung von Eingabeaufforderungen mit wenigen Schüssen beschäftigt haben, wird dieser Abschnitt schnell auf diese Wissenslücken eingehen.

// Tag 2: Implementierung von Einbettungen und Vektordatenbanken

Der zweite Tag konzentriert sich auf Einbettungen und den Übergang von abstrakten Konzepten zu praktischen Anwendungen. Sie werden das lernen geometrische Techniken zur Klassifizierung und zum Vergleich von Textdaten. Anschließend stellt der Kurs Vektorspeicher und Datenbanken vor – die Infrastruktur, die für die semantische Suche und Retrieval-Augmented Technology (RAG) in großem Maßstab erforderlich ist.

Der praktische Teil umfasst den Aufbau eines RAG-Frage-Antwort-Methods. Diese Sitzung zeigt, wie Unternehmen LLM-Ausgaben auf Fakten basieren, um Halluzinationen zu mildern, und bietet einen funktionalen Einblick in die Integration von Einbettungen in eine Produktionspipeline.

// Tag 3: Entwicklung generativer künstlicher Intelligenz-Agenten

Tag 3 befasst sich mit KI-Agenten – Systemen, die über einfache Immediate-Response-Zyklen hinausgehen, indem sie LLMs mit externen Instruments, Datenbanken und realen Arbeitsabläufen verbinden. Du wirst Lernen Sie die Kernkomponenten eines Agenten kennender iterative Entwicklungsprozess und die praktische Anwendung von Funktionsaufrufen.

Die Code-Labs umfassen die Interaktion mit einer Datenbank durch Funktionsaufrufe und den Aufbau eines Agenten-Bestellsystems mithilfe von LangGraph. Da Agenten-Workflows zum Normal für Produktions-KI werden, bietet dieser Abschnitt die notwendige technische Grundlage für die Verkabelung dieser Systeme miteinander.

// Tag 4: Analyse domänenspezifischer großer Sprachmodelle

Dieser Abschnitt konzentriert sich auf spezielle Modelle, die für bestimmte Branchen angepasst sind. Sie werden Beispiele wie Googles SecLM für Cybersicherheit und Med-PaLM für das Gesundheitswesen erkunden, einschließlich Particulars in Bezug auf die Nutzung von Patientendaten und Sicherheitsmaßnahmen. Während Allzweckmodelle leistungsstark sind, ist oft eine Feinabstimmung für einen bestimmten Bereich erforderlich, wenn hohe Genauigkeit und Spezifität erforderlich sind.

Zu den praktischen Übungen gehören die Erdung von Modellen mit Google-Suchdaten und die Feinabstimmung eines Gemini-Modells für eine benutzerdefinierte Aufgabe. Dieses Labor ist besonders nützlich, da es zeigt, wie man ein Basismodell mithilfe gekennzeichneter Daten anpasst – eine Fähigkeit, die immer relevanter wird, wenn Unternehmen auf maßgeschneiderte KI-Lösungen umsteigen.

// Tag 5: Beherrschung maschineller Lernoperationen für generative künstliche Intelligenz

Der letzte Tag befasst sich mit der Bereitstellung und Wartung von GenAI in Produktionsumgebungen. Du wirst lernen wie traditionelle MLOps-Praktiken für GenAI-Workloads angepasst werden. Der Kurs demonstriert außerdem Vertex-KI-Instruments für die Verwaltung von Grundmodellen und Anwendungen im großen Maßstab.

Am letzten Tag gibt es zwar kein interaktives Code-Labor, der Kurs bietet jedoch eine ausführliche Code-Anleitung und eine Reside-Demo der GenAI-Ressourcen von Google Cloud. Dies bietet einen wesentlichen Kontext für jeden, der plant, Modelle von einem Entwicklungsnotebook in eine Produktionsumgebung für echte Benutzer zu verschieben.

# Ideales Publikum

Für Datenwissenschaftler, Ingenieure für maschinelles Lernen oder Entwickler Ich möchte mich auf GenAI spezialisierenDieser Kurs bietet eine seltene Steadiness zwischen Genauigkeit und Zugänglichkeit. Der Multiformat-Ansatz ermöglicht es den Lernenden, die Tiefe je nach Erfahrungsniveau anzupassen. Auch Anfänger mit soliden Python-Grundkenntnissen können den Lehrplan erfolgreich absolvieren.

Das Kaggle Be taught Information-Format zum Selbststudium ermöglicht eine versatile Planung, unabhängig davon, ob Sie es lieber über eine Woche oder an einem einzigen Wochenende absolvieren möchten. Da die Notebooks auf Kaggle laufen, ist keine lokale Umgebungseinrichtung erforderlich; Um zu beginnen, ist lediglich ein telefonisch verifiziertes Kaggle-Konto erforderlich.

# Letzte Gedanken

Google und Kaggle haben eine hochwertige Bildungsressource erstellt, die kostenlos verfügbar ist. Durch die Kombination von von Experten verfassten Whitepapers mit unmittelbarer praktischer Anwendung bietet der Kurs einen umfassenden Überblick über die aktuelle GenAI-Landschaft.

Die hohen Anmeldezahlen und die Anerkennung in der Branche spiegeln die Qualität des Supplies wider. Unabhängig davon, ob Ihr Ziel darin besteht, eine RAG-Pipeline aufzubauen oder die zugrunde liegenden Mechanismen von KI-Agenten zu verstehen, vermittelt dieser Kurs den konzeptionellen Rahmen und den Code, die für den Erfolg erforderlich sind.

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.

Google hat gerade seinen neuen agentenbasierten Webbrowser von Google DeepMind vorgestellt, der auf Gemini 2.5 Professional basiert. Basierend auf der Gemini-API kann es Net- und App-Schnittstellen „sehen“ und mit ihnen interagieren: Klicken, Tippen und Scrollen wie ein Mensch. Dieses neue KI-Webautomatisierungsmodell schließt die Lücke zwischen Verstehen und Handeln. In diesem Artikel werden wir die wichtigsten Funktionen von Gemini Laptop Use, seine Fähigkeiten und die Integration in Ihr System untersuchen Agentische KI-Workflows.

Was ist Gemini 2.5 Computernutzung?

Gemini 2.5 Laptop Use ist ein KI-Assistent, der einen Browser mithilfe natürlicher Sprache steuern kann. Sie beschreiben ein Ziel und es führt die Schritte aus, die zu seiner Verwirklichung erforderlich sind. Basierend auf dem neuen computer_use-Instrument in der Gemini-API analysiert es Screenshots einer Webseite oder App und generiert dann Aktionen wie „Klicken“, „Eingeben“ oder „Scrollen“. Ein Consumer wie Playwright führt diese Aktionen aus und gibt den nächsten Bildschirm zurück, bis die Aufgabe erledigt ist.

Das Modell interpretiert Schaltflächen, Textfelder und andere Elemente der Benutzeroberfläche, um zu entscheiden, wie es vorgehen soll. Im Rahmen Gemini 2.5 Professionalverfügt es über ein starkes visuelles Denken, das es ihm ermöglicht, komplexe Aufgaben auf dem Bildschirm mit minimalem menschlichen Aufwand zu erledigen. Derzeit konzentriert es sich auf Browserumgebungen und steuert keine Desktop-Apps außerhalb des Browsers.

Schlüsselfunktionen

• Automatisieren Sie die Dateneingabe und das Ausfüllen von Formularen auf Web sites. Der Agent wird in der Lage sein, Felder zu finden, Textual content einzugeben und ggf. Formulare einzureichen.
• Führen Sie Exams von Webanwendungen und Benutzerflüssen durch, indem Sie auf Seiten klicken, Ereignisse auslösen und sicherstellen, dass Elemente korrekt angezeigt werden.
• Führen Sie Recherchen auf mehreren Web sites durch. Es kann beispielsweise Informationen zu Produkten, Preisen oder Bewertungen auf mehreren E-Commerce-Seiten sammeln und die Ergebnisse zusammenfassen.

Wie greife ich auf die Computernutzung von Gemini 2.5 zu?

Die experimentellen Funktionen von Gemini 2.5 Laptop Use sind jetzt für jeden Entwickler zum Spielen öffentlich verfügbar. Entwickler müssen sich lediglich über für die Gemini-API anmelden AI Studio oder Vertex AI und fordern Sie dann Zugriff auf das Computernutzungsmodell an. Google stellt Dokumentation, ausführbare Codebeispiele und Referenzimplementierungen bereit, die Sie ausprobieren können. Die Gemini-API-Dokumente bieten beispielsweise ein Beispiel für die vierstufige Agentenschleife, komplett mit Beispielen in Python unter Verwendung von Google Cloud GenAI SDK und Dramatiker.

Sie würden hierfür entweder eine Browser-Automatisierungsumgebung wie Playwright einrichten und die folgenden Schritte ausführen:

• Melden Sie sich über AI Studio oder Vertex AI für die Gemini-API an.
• Fordern Sie Zugriff auf das Computernutzungsmodell an.
• Sehen Sie sich die Dokumentation von Google, ausführbare Codebeispiele und Referenzimplementierungen an.

Als Beispiel gibt es ein Beispiel für eine Agentenschleife, bei der vier Schritte in Python verwendet werden, die von Google mit dem GenAI SDK und Playwright bereitgestellt werden, um den Browser zu automatisieren.

Lesen Sie auch: Wie kann ich auf die Gemini-API zugreifen und sie verwenden?

Einrichten der Umgebung

Hier ist das allgemeine Beispiel dafür, wie das Setup mit Ihrem Code aussieht:

Erstkonfiguration und Gemini-Consumer

# Load setting variables 

from dotenv import load_dotenv 

load_dotenv() 

# Initialize Gemini API consumer 

from google import genai 

consumer = genai.Consumer() 

# Set display screen dimensions (really useful by Google) 

SCREEN_WIDTH = 1440 

SCREEN_HEIGHT = 900 

Wir beginnen mit der Einrichtung der Umgebungsvariablen, dem Laden der API-Anmeldeinformationen und der Initialisierung des Gemini-Shoppers. Die von Google empfohlenen Bildschirmabmessungen werden definiert und später verwendet, um normalisierte Koordinaten in die tatsächlichen Pixelwerte umzuwandeln, die für Aktionen in der Benutzeroberfläche erforderlich sind.

Browser-Automatisierung mit Playwright

Als Nächstes richtet der Code Playwright für die Browser-Automatisierung ein:

from playwright.sync_api import sync_playwright 

playwright = sync_playwright().begin() 

browser = playwright.chromium.launch( 

headless=False, 

args=( 

'--disable-blink-features=AutomationControlled', 

'--disable-dev-shm-usage', 

'--no-sandbox', 

) 

) 

context = browser.new_context( 

viewport={"width": SCREEN_WIDTH, "peak": SCREEN_HEIGHT}, 

user_agent="Mozilla/5.0 (Home windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/131.0.0.0 Safari/537.36", 

) 

web page = context.new_page() 

Definieren der Aufgaben- und Modellkonfiguration

Hier starten wir einen Chromium-Browser und nutzen die Anti-Erkennungs-Flags, um zu verhindern, dass Webseiten die Automatisierung erkennen. Dann definieren wir ein realistisches Ansichtsfenster und einen Benutzeragenten, um einen normalen Benutzer zu emulieren und eine neue Seite zu erstellen, um zu navigieren und die Interaktion zu automatisieren.

Nachdem der Browser eingerichtet und einsatzbereit ist, wird das Modell mit dem Ziel des Benutzers und dem ersten Screenshot versehen:

from google.genai.varieties import Content material, Half 

USER_PROMPT = "Go to BBC Information and discover at the moment's prime expertise headlines" 

initial_screenshot = web page.screenshot(kind="png") 

contents = ( 

Content material(position="person", elements=( 

Half(textual content=USER_PROMPT), 

Half.from_bytes(information=initial_screenshot, mime_type="picture/png") 

)) 

) 

USER_PROMPT definiert, welche Aufgabe in natürlicher Sprache der Agent ausführen wird. Es erfasst einen ersten Screenshot des Standing der Browserseite, der dann zusammen mit der Eingabeaufforderung an das Modell gesendet wird. Sie werden mit dem Content material-Objekt gekapselt, das später auch an das Gemini-Modell übergeben wird.

Schließlich wird die Agentenschleife ausgeführt, indem sie den Standing an das Modell sendet und die von ihm zurückgegebenen Aktionen ausführt:

Das Instrument computer_use fordert das Modell auf, Funktionsaufrufe zu erstellen, die dann in der Browserumgebung ausgeführt werden. think_config enthält die Zwischenschritte der Argumentation, um dem Benutzer Transparenz zu bieten, was für die spätere Fehlerbehebung oder das Verständnis des Entscheidungsprozesses des Agenten nützlich sein kann.

from google.genai.varieties import varieties 

config = varieties.GenerateContentConfig( 

instruments=(varieties.Instrument( 

computer_use=varieties.ComputerUse( 

setting=varieties.Surroundings.ENVIRONMENT_BROWSER 

) 

)), 

thinking_config=varieties.ThinkingConfig(include_thoughts=True), 

)

Wie funktioniert es?

Gemini 2.5 Laptop Use läuft als Closed-Loop-Agent. Sie geben ihm ein Ziel und einen Screenshot vor, er sagt die nächste Aktion voraus, führt sie über den Consumer aus und überprüft dann den aktualisierten Bildschirm, um zu entscheiden, was als nächstes zu tun ist. Diese Rückkopplungsschleife ermöglicht es Zwillingen, ähnlich wie ein Mensch, der in einem Browser navigiert, zu sehen, zu denken und zu handeln. Der gesamte Prozess wird von der angetrieben computer_use Instrument in der Gemini-API.

Die Kern-Suggestions-Schleife

Der Agent arbeitet in einem kontinuierlichen Zyklus, bis die Aufgabe abgeschlossen ist:

1. Eingabeziel und Screenshot: Das Modell erhält die Anweisung des Benutzers (z. B. „High-Tech-Schlagzeilen finden“) und den Screenshot des aktuellen Standing des Browsers.
2. Generieren Sie Aktionen: Das Modell schlägt einen oder mehrere Funktionsaufrufe vor, die UI-Aktionen mit dem computer_use-Instrument entsprechen.
3. Aktionen ausführen: Das Consumer-Programm führt diese Funktionsaufrufe im Browser aus.
4. Erfassen Sie Suggestions: Ein neuer Screenshot und eine neue URL werden erfasst und an das Modell zurückgesendet.

Was das Modell in jeder Iteration sieht

Bei jeder Iteration erhält das Modell drei Schlüsselinformationen:

• Benutzeranfrage: Das Ziel oder die Anweisung in natürlicher Sprache (Beispiel: „Finden Sie die High-Schlagzeilen“)
• Aktueller Screenshot: Ein Bild Ihres Browser- oder App-Fensters und seines aktuellen Standing
• Aktionsgeschichte: Eine Aufzeichnung der bisher ergriffenen Maßnahmen (für den Kontext)

Das Modell analysiert den Screenshot und das Ziel des Benutzers und generiert dann einen oder mehrere Funktionsaufrufe– jeweils eine UI-Aktion darstellend. Zum Beispiel:

{"identify": "click_at", "args": {"x": 400, "y": 600}}

Dies würde den Agenten anweisen, auf diese Koordinaten zu klicken.

Aktionen im Browser ausführen

Das Consumer-Programm (unter Verwendung der Maus- und Tastatur-APIs von Playwright) führt diese Aktionen im Browser aus. Hier ist ein Beispiel, wie Funktionsaufrufe ausgeführt werden:

def execute_function_calls(candidate, web page, screen_width, screen_height):
    for half in candidate.content material.elements:
        if half.function_call:
            fname = half.function_call.identify
            args = half.function_call.args
            if fname == "click_at":
                actual_x = int(args("x") / 1000 * screen_width)
                actual_y = int(args("y") / 1000 * screen_height)
                web page.mouse.click on(actual_x, actual_y)
            elif fname == "type_text_at":
                actual_x = int(args("x") / 1000 * screen_width)
                actual_y = int(args("y") / 1000 * screen_height)
                web page.mouse.click on(actual_x, actual_y)
                web page.keyboard.kind(args("textual content"))
            # ...different supported actions...

Die Funktion analysiert die FunctionCall vom Modell zurückgegebenen Einträge und führt jede Aktion im Browser aus. Es wandelt normalisierte Koordinaten (0–1000) basierend auf der Bildschirmgröße in tatsächliche Pixelwerte um.

Erfassen von Suggestions für den nächsten Zyklus

Nach der Ausführung von Aktionen erfasst das System den neuen Zustand und sendet ihn an das Modell zurück:

def get_function_responses(web page, outcomes):
    screenshot_bytes = web page.screenshot(kind="png")
    current_url = web page.url
    function_responses = ()
    
    for identify, consequence, extra_fields in outcomes:
        response_data = {"url": current_url}
        response_data.replace(consequence)
        response_data.replace(extra_fields)
        function_responses.append(
            varieties.FunctionResponse(
                identify=identify,
                response=response_data,
                elements=(varieties.FunctionResponsePart(
                    inline_data=varieties.FunctionResponseBlob(
                        mime_type="picture/png",
                        information=screenshot_bytes
                    )
                ))
            )
        )
    return function_responses

Der neue Standing des Browsers wird eingepackt FunctionResponse Objekte, anhand derer das Modell darüber nachdenkt, was als nächstes zu tun ist. Die Schleife wird fortgesetzt, bis das Modell keine Funktionsaufrufe mehr zurückgibt oder bis die Aufgabe abgeschlossen ist.

Lesen Sie auch: High 7 Laptop Use Brokers

Schritte der Agentenschleife

Nach dem Laden des Instruments computer_use folgt eine typische Agentenschleife diesen Schritten:

1. Senden Sie eine Anfrage an das Modell: Fügen Sie das Ziel des Benutzers und einen Screenshot des aktuellen Browserstatus in den API-Aufruf ein
2. Modellantwort erhalten: Das Modell gibt eine Antwort zurück, die Textual content und/oder einen oder mehrere FunctionCall-Einträge enthält.
3. Führen Sie die Aktionen aus: Der Clientcode analysiert jeden Funktionsaufruf und führt die Aktion im Browser aus.
4. Suggestions erfassen und senden: Nach der Ausführung erstellt der Consumer einen neuen Screenshot und notiert die aktuelle URL. Diese werden in eine FunctionResponse verpackt und als nächste Benutzernachricht an das Modell zurückgesendet. Dadurch wird dem Modell das Ergebnis seiner Aktion mitgeteilt, sodass es den nächsten Schritt planen kann.

Dieser Vorgang läuft automatisch in einer Schleife ab. Wenn das Modell keine neuen Funktionsaufrufe mehr generiert, signalisiert es, dass die Aufgabe abgeschlossen ist. An diesem Punkt wird die endgültige Textausgabe zurückgegeben, beispielsweise eine Zusammenfassung der erreichten Ergebnisse. In den meisten Fällen durchläuft der Agent mehrere Zyklen, bevor er entweder das Ziel erreicht oder das festgelegte Zuglimit erreicht.

Weitere unterstützte Aktionen

Das Computernutzungstool von Gemini verfügt über Dutzende integrierter UI-Aktionen. Das Basisset umfasst Aktionen, die für webbasierte Anwendungen typisch sind, darunter:

• open_web_browser: Initialisiert den Browser, bevor die Agentenschleife beginnt (normalerweise vom Consumer verarbeitet).
• click_at: Klickt auf eine bestimmte (x, y)-Koordinate auf der Seite.
• type_text_at: Klicken Sie auf eine Stelle und geben Sie eine bestimmte Zeichenfolge ein. Drücken Sie optionally available die Eingabetaste.
• navigieren: Öffnet eine neue URL im Browser.
• go_back / go_forward: Geht im Browserverlauf vorwärts oder rückwärts.
• hover_at: Bewegt die Maus an einen bestimmten Punkt, um Hover-Effekte auszulösen.
• scroll_document / scroll_at: Scrollt die gesamte Seite oder einen bestimmten Abschnitt.
• Schlüsselkombination: Simuliert das Drücken von Tastaturkürzeln.
• wait_5_seconds: Hält die Ausführung an, nützlich zum Warten auf Animationen oder Seitenladevorgänge.
• Drag_and_Drop: Klicken Sie auf ein Aspect und ziehen Sie es an eine andere Place auf der Seite.

In der Dokumentation von Google wird erwähnt, dass die Beispielimplementierung die drei häufigsten Aktionen umfasst: open_web_browser, click_at und type_text_at. Sie können dies erweitern, indem Sie weitere benötigte Aktionen hinzufügen oder solche ausschließen, die für Ihren Workflow nicht related sind.

Leistung und Benchmarks

Gemini 2.5 Laptop Use bietet eine starke Leistung bei UI-Steuerungsaufgaben. In Googles Exams erreichte es eine Genauigkeit von über 70 % mit einer Latenz von etwa 225 ms und übertraf damit andere Modelle bei Net- und mobilen Benchmarks wie dem Durchsuchen von Web sites und dem Abschließen von App-Workflows.

In der Praxis kann der Agent Aufgaben wie das Ausfüllen von Formularen und das Abrufen von Daten zuverlässig erledigen. Unabhängige Benchmarks stufen es als das genaueste und schnellste öffentliche KI-Modell für die einfache Browserautomatisierung ein. Seine starke Leistung beruht auf der visuellen Argumentation von Gemini 2.5 Professional und einer optimierten API-Pipeline. Da es sich noch in der Vorschau befindet, sollten Sie seine Aktionen überwachen, da gelegentlich Fehler auftreten können.

Lesen Sie auch:

Abschluss

Die Gemini 2.5-Computernutzung ist eine bedeutende Entwicklung in der KI-gestützten Automatisierung, die es Agenten ermöglicht, effektiv und effizient mit realen Schnittstellen zu interagieren. Damit können Entwickler Aufgaben wie Webbrowsing, Dateneingabe oder Datenextraktion mit großer Genauigkeit und Geschwindigkeit automatisieren.

Im öffentlich zugänglichen Zustand können wir Entwicklern eine Möglichkeit bieten, sicher mit den Funktionen von Gemini 2.5 Laptop Use zu experimentieren und es in ihre eigenen Arbeitsabläufe zu integrieren. Insgesamt stellt es einen flexiblen Rahmen dar, mit dem intelligente Assistenten der nächsten Era oder leistungsstarke Automatisierungsworkflows für eine Vielzahl von Anwendungen und Bereichen erstellt werden können.

Hallo! Ich bin Vipin, ein leidenschaftlicher Fanatic für Datenwissenschaft und maschinelles Lernen mit fundierten Kenntnissen in Datenanalyse, Algorithmen für maschinelles Lernen und Programmierung. Ich verfüge über praktische Erfahrung in der Modellerstellung, der Verwaltung unübersichtlicher Daten und der Lösung realer Probleme. Mein Ziel ist es, datengesteuerte Erkenntnisse anzuwenden, um praktische Lösungen zu schaffen, die zu Ergebnissen führen. Ich bin bestrebt, meine Fähigkeiten in einer kollaborativen Umgebung einzubringen und gleichzeitig weiterhin in den Bereichen Information Science, maschinelles Lernen und NLP zu lernen und mich weiterzuentwickeln.

Bild von Editor | Chatgpt

# Einführung

Willkommen zu Python für Information Science, ein kostenloser 7-Tage-Mini-Kurs Für Anfänger! Wenn Sie mit Information Science beginnen oder grundlegende Python-Fähigkeiten erlernen möchten, ist dieser anfängerfreundliche Kurs für Sie. In den nächsten sieben Tagen lernen Sie, wie Sie mit nur Kernpython an Datenaufgaben arbeiten.

Sie werden lernen, wie man:

• Arbeiten Sie mit grundlegenden Python -Datenstrukturen
• Reinigen und vorbereiten Sie unordentliche Textdaten
• Fassen Sie Daten mit Wörterbüchern zusammen (wie Sie es in SQL oder Excel tun)
• Schreiben Sie wiederverwendbare Funktionen, die Ihren Code ordentlich und effizient halten
• Behandeln Sie Fehler anmutig, damit Ihre Skripte nicht auf unordentlichen Eingabedaten abstürzen
• Und schließlich erstellen Sie ein einfaches Datenprofiling -Device, um einen CSV -Datensatz zu inspizieren

Fangen wir an!

Hyperlink zum Code auf GitHub

# Tag 1: Variablen, Datentypen und Datei I/O

In der Information Science beginnt alles mit Rohdaten: Umfrageantworten, Protokolle, Tabellenkalkulationen, Formulare, abgekratzte Web sites usw. Bevor Sie etwas modellieren oder analysieren können, müssen Sie:

• Laden Sie die Daten
• Verstehe seine Type und Typen
• Anfangen zu reinigen oder zu inspizieren

Heute werden Sie lernen:

• Die grundlegenden Python -Datentypen
• So lesen und schreiben Sie RAW .txt -Dateien

// 1. Variablen

In Python ist eine Variable ein benannter Verweis auf einen Wert. In Datenbegriffen können Sie sie als Felder, Spalten oder Metadaten betrachten.

filename = "responses.txt"
survey_name = "Q3 Buyer Suggestions"
max_entries = 100

// 2. Datentypen, die Sie häufig verwenden,

Mach dir noch keine Sorgen um dunkle Typen. Sie werden meistens Folgendes verwenden:

Wenn Sie wissen, wann Sie mit jedem zu tun haben – und wie Sie sie überprüfen oder konvertieren – ist die Datenreinigung Schritt Null.

// 3. Dateieingabe: Rohdaten lesen

Die meisten realen Daten leben in .txt-, .csv- oder .log-Dateien. Sie müssen sie oft Linie für Linie laden, nicht alle gleichzeitig (besonders wenn sie groß).

Nehmen wir an, Sie haben eine Datei aufgerufen responses.txt:

So lesen Sie es:

with open("responses.txt", "r") as file:
    traces = file.readlines()

for i, line in enumerate(traces):
    cleaned = line.strip()  # removes n and areas
    print(f"{i + 1}: {cleaned}")

Ausgabe:

1: Sure
2: No
3: Sure
4: Perhaps
5: No

// 4. Dateiausgabe: Verarbeitete Daten schreiben

Nehmen wir an, Sie möchten nur „Ja“ Antworten auf eine neue Datei speichern:

with open("responses.txt", "r") as infile:
    traces = infile.readlines()

yes_responses = ()

for line in traces:
    if line.strip().decrease() == "sure":
        yes_responses.append(line.strip())

with open("yes_only.txt", "w") as outfile:
    for merchandise in yes_responses:
        outfile.write(merchandise + "n")

Dies ist eine tremendous einfache Model einer Filter-Remodel-Save-Pipeline, ein Konzept, das täglich in der Datenvorverarbeitung verwendet wird.

// Übung: Schreiben Sie Ihr erstes Datenskript

Erstellen Sie eine Datei aufgerufen survey.txt und kopieren Sie in den folgenden Zeilen:

Schreiben Sie nun ein Python -Skript, das:

1. Liest die Datei
2. Zählt, wie oft „Ja“ erscheint (Fall-unempfindlich). Sie werden lernen, später im Textual content mit Saiten zu arbeiten. Aber probiere es aus!
3. Druckt die Anzahl
4. Schreibt eine saubere Model der Daten (aktiviert, ohne Weißespace) zu cleaned_survey.txt

# Tag 2: Grundlegende Python -Datenstrukturen

Bei der Datenwissenschaft geht es darum, Daten zu organisieren und zu strukturieren, damit sie gereinigt, analysiert oder modelliert werden können. Heute lernen Sie die vier wesentlichen Datenstrukturen in Core Python und wie Sie sie für tatsächliche Datenaufgaben verwenden:

• Liste: Für Reihensequenzen
• Tupel: Für Aufzeichnungen mit festen Positionen
• DICT: Für beschriftete Daten (wie Spalten)
• SET: Für die Verfolgung der einzigartigen Werte

// 1. Liste: Für Sequenzen von Datenzeilen

Pay attention sind die flexibelste und häufigste Struktur, die für die Darstellung geeignet ist:

• Eine Wertespalte
• Eine Sammlung von Aufzeichnungen
• Ein Datensatz mit unbekannter Größe

Beispiel: Lesen Sie Werte aus einer Datei in eine Liste.

with open("scores.txt", "r") as file:
    scores = (float(line.strip()) for line in file)

print(scores)

Dies druckt:

Sie können jetzt:

common = sum(scores) / len(scores)
print(f"Common rating: {common:.2f}")

Ausgabe:

// 2. Tupel: Für Feststrukturdatensätze

Tupel sind wie Pay attention, aber unveränderlich und am besten für Zeilen mit bekannter Struktur, z. B. (Title, Alter) verwendet.

Beispiel: Lesen Sie eine Datei mit Namen und Altersdateien.
Angenommen, wir haben Folgendes individuals.txt:

Alice, 34
Bob, 29
Eve, 41

Lassen Sie uns nun im Inhalt der Datei lesen:

with open("individuals.txt", "r") as file:
    information = ()
    for line in file:
        title, age = line.strip().cut up(",")
        information.append((title.strip(), int(age.strip())))

Jetzt können Sie mit Place auf Felder zugreifen:

for individual in information:
    title, age = individual
    if age > 30:
        print(f"{title} is over 30.")

// 3. Diktat: Für gekennzeichnete Daten (wie Spalten)

Wörterbücher speichern Schlüsselwertpaare, das am nächsten in der Kernpython in einer Tabellenreihe mit benannten Spalten.

Beispiel: Konvertieren Sie jede Particular person -Aufzeichnung in ein Diktat:

individuals = ()

with open("individuals.txt", "r") as file:
    for line in file:
        title, age = line.strip().cut up(",")
        individual = {
            "title": title.strip(),
            "age": int(age.strip())
        }
        individuals.append(individual)

Jetzt sind Ihre Daten viel lesbarer und flexibler:

for individual in individuals:
    if individual("age") < 60:
        print(f"{individual('title')} is probably a working skilled.")

// 4.. Set: Für Einzigartigkeit und schnelle Mitgliedschaftskontrollen

Legt automatisch Duplikate ein. Units sind additionally großartig für:

• Zählen einzigartige Kategorien
• Überprüfen Sie, ob zuvor ein Wert gesehen wurde
• Verfolgung verschiedener Werte ohne Ordnung verfolgen

Beispiel: Suchen Sie aus einer Datei mit E -Mails alle eindeutigen Domänen.

domains = set()

with open("emails.txt", "r") as file:
    for line in file:
        e-mail = line.strip().decrease()
        if "@" in e-mail:
            area = e-mail.cut up("@")(1)
            domains.add(area)

print(domains) 

Ausgabe:

{'gmail.com', 'yahoo.com', 'instance.org'}

// Übung: Codieren Sie einen Mini -Dateninspektor

Erstellen Sie eine Datei aufgerufen dataset.txt mit dem folgenden Inhalt:

Schreiben Sie nun ein Python -Skript, das:

1. Liest jede Zeile und speichert sie als Wörterbuch mit Schlüsseln: Title, Alter, Rolle
2. Zählt, wie viele Menschen in jeder Rolle sind (verwenden Sie ein Wörterbuch) und die Anzahl der eindeutigen Altersgruppen (verwenden Sie einen Satz)

# Tag 3: Mit Saiten arbeiten

Textzeichenfolgen befinden sich überall in den meisten realen Datensätzen-Umfrageantworten, Benutzer-BIOS, Jobtitel, Produktbewertungen, E-Mails und mehr-, aber sie sind auch inkonsistent und unvorhersehbar.

Heute lernen Sie:

• Reinigen und standardisieren Sie Rohtext
• Informationen aus Strings extrahieren
• Erstellen Sie einfache textbasierte Funktionen (die Artwork, die Sie zum Filtern oder Modellieren verwenden können)

// 1. Grundreinigung

Nehmen wir an, Sie erhalten diese rohe Liste von Jobtiteln von einem CSV:

titles = (
    "  Information Scientistn",
    "knowledge scientist",
    "Senior Information Scientist ",
    "DATA scientist",
    "Information engineer",
    "Information Scientist"
)

Dein Job? Normalisieren Sie es.

cleaned = (title.strip().decrease() for title in titles)

Jetzt ist alles Kleinbuchstaben und weißespacefrei.

Ausgabe:

('knowledge scientist', 'knowledge scientist', 'senior knowledge scientist', 'knowledge scientist', 'knowledge engineer', 'knowledge scientist')

// 2. Standardisierungswerte

Nehmen wir an, Sie sind nur daran interessiert, Datenwissenschaftler zu identifizieren.

standardized = ()

for title in cleaned:
    if "knowledge scientist" in title:
        standardized.append("knowledge scientist")
    else:
        standardized.append(title)

// 3. Zählen Sie Wörter, prüfen Sie Muster

Nützliche Textmerkmale:

• Anzahl der Wörter
• Ob eine Zeichenfolge ein Schlüsselwort enthält
• Ob eine Zeichenfolge eine Nummer oder eine E -Mail ist

Beispiel:

textual content = " The value is $5,000!  "

# Clear up
clear = textual content.strip().decrease().exchange("$", "").exchange(",", "").exchange("!", "")
print(clear)  

# Phrase rely
word_count = len(clear.cut up())

# Comprises digit
has_number = any(char.isdigit() for char in clear)

print(word_count)
print(has_number)

Ausgabe:

"the value is 5000"
4
True

// 4. Teile teilen und extrahieren

Nehmen wir das E -Mail -Beispiel:

e-mail = "  Alice.Johnson@Instance.com  "
e-mail = e-mail.strip().decrease()

username, area = e-mail.cut up("@")

print(f"Person: {username}, Area: {area}")

Dies druckt:

Person: alice.johnson, Area: instance.com

Diese Artwork der Extraktion wird in der Benutzerverhaltensanalyse, der Spam -Erkennung und dergleichen verwendet.

// 5. Erkennen bestimmter Textmuster

Sie benötigen keine regelmäßigen Ausdrücke für grundlegende Musterprüfungen.

Beispiel: Überprüfen Sie, ob jemand „Python“ in einer freien Textantwort erwähnt hat:

remark = "I am studying Python and SQL for knowledge jobs."

if "python" in remark.decrease():
    print("Talked about Python")

// Übung: Clear Survey Kommentare

Erstellen Sie eine Datei aufgerufen feedback.txt mit den folgenden Zeilen:

Nice course! Cherished the pacing.
Not sufficient Python examples.
Too primary for knowledgeable customers.
python is precisely what I wanted!
Would really like extra SQL content material.
Wonderful – very beginner-friendly.

Schreiben Sie nun ein Python -Skript, das:

1. Reinigt jeden Kommentar (Streifen, Kleinbuchstaben, Interpunktion entfernen)
2. Druckt die Gesamtzahl der Kommentare, wie viele „Python“ und die durchschnittliche Wortzahl professional Kommentar erwähnen

# Tag 4: Gruppe, Depend & Fassungsgruppe mit Wörterbüchern

Sie haben DICT verwendet, um beschriftete Datensätze zu speichern. Heute werden Sie ein Degree tiefer gehen: Verwenden von Wörterbüchern, um Daten zu gruppieren, zu zählen und zusammenzufassen – genau wie eine Pivot -Tabelle oder Gruppe in SQL.

// 1. gruppieren nach einem Feld

Nehmen wir an, Sie haben diese Daten.

knowledge = (
    {"title": "Alice", "metropolis": "London"},
    {"title": "Bob", "metropolis": "Paris"},
    {"title": "Eve", "metropolis": "London"},
    {"title": "John", "metropolis": "New York"},
    {"title": "Dana", "metropolis": "Paris"},
)

Ziel: Zählen Sie, wie viele Menschen in jeder Stadt sind.

city_counts = {}

for individual in knowledge:
    metropolis = individual("metropolis")
    if metropolis not in city_counts:
        city_counts(metropolis) = 1
    else:
        city_counts(metropolis) += 1

print(city_counts)

Ausgabe:

{'London': 2, 'Paris': 2, 'New York': 1}

// 2. Summieren eines Feldes nach Kategorie

Nehmen wir jetzt an, wir haben:

salaries = (
    {"position": "Engineer", "wage": 75000},
    {"position": "Analyst", "wage": 62000},
    {"position": "Engineer", "wage": 80000},
    {"position": "Supervisor", "wage": 95000},
    {"position": "Analyst", "wage": 64000},
)

Ziel: Berechnen Sie das Gesamt- und Durchschnittsgehalt professional Rolle.

totals = {}
counts = {}

for individual in salaries:
    position = individual("position")
    wage = individual("wage")
    
    totals(position) = totals.get(position, 0) + wage
    counts(position) = counts.get(position, 0) + 1

averages = {position: totals(position) / counts(position) for position in totals}

print(averages)

Ausgabe:

{'Engineer': 77500.0, 'Analyst': 63000.0, 'Supervisor': 95000.0}

// 3. Frequenztabelle (Moduserkennung)

Finden Sie das häufigste Alter in einem Datensatz:

ages = (29, 34, 29, 41, 34, 29)

freq = {}

for age in ages:
    freq(age) = freq.get(age, 0) + 1

most_common = max(freq.objects(), key=lambda x: x(1))

print(f"Most typical age: {most_common(0)} (seems {most_common(1)} instances)")

Ausgabe:

Most typical age: 29 (seems 3 instances)

// Übung: Analysieren Sie den Mitarbeiterdatensatz

Eine Datei erstellen workers.txt mit dem folgenden Inhalt:

Alice,London,Engineer,75000
Bob,Paris,Analyst,62000
Eve,London,Engineer,80000
John,New York,Supervisor,95000
Dana,Paris,Analyst,64000

Schreiben Sie ein Python -Skript, das:

1. Lädt die Daten in eine Liste von Wörterbüchern
2. Druckt die Anzahl der Mitarbeiter professional Stadt und das durchschnittliche Gehalt professional Rolle

# Tag 5: Schreibfunktionen

Sie haben Code geschrieben, der Daten geladen, reinigt, filtert und zusammenfasst. Jetzt verpacken Sie diese Logik in Funktionen, damit Sie:

• Verwenden Sie Ihren Code wieder
• Verarbeitungspipelines erstellen
• Halten Sie Skripte lesbar und prüfbar

// 1. Reinigen von Texteingängen

Schreiben wir eine Funktion, um die grundlegende Textreinigung auszuführen:

def clean_text(textual content):
    return textual content.strip().decrease().exchange(",", "").exchange("$", "")

Jetzt können Sie dies auf jedes Feld anwenden, das Sie aus einer Datei lesen.

// 2. Erstellen von Zeilenaufzeichnungen

Als nächstes finden Sie hier eine einfache Funktion, um jede Zeile in eine Datei zu analysieren und Datensatz zu erstellen:

def parse_row(line):
    components = line.strip().cut up(",")
    return {
        "title": components(0),
        "metropolis": components(1),
        "position": components(2),
        "wage": int(components(3))
    }

Jetzt wird Ihre Datei geladen:

with open("workers.txt") as file:
    rows = (parse_row(line) for line in file)

// 3.. Aggregationshelfer

Bisher haben Sie Durchschnittswerte und die Anzahl der Ereignisse berechnet. Schreiben wir einige grundlegende Helferfunktionen für dasselbe:

def common(values):
    return sum(values) / len(values) if values else 0

def count_by_key(knowledge, key):
    counts = {}
    for merchandise in knowledge:
        okay = merchandise(key)
        counts(okay) = counts.get(okay, 0) + 1
    return counts

// Übung: Modularisieren Sie frühere Arbeiten

Refactor die gestrige Lösung in wiederverwendbare Funktionen:

• load_data(filename)
• average_salary_by_role(knowledge)
• count_by_city(knowledge)

Verwenden Sie sie dann in einem Skript, das die gleiche Ausgabe wie Tag 4 druckt.

# Tag 6: Lesen, Schreiben und grundlegende Fehlerbehandlung

Datendateien sind häufig unvollständig, beschädigt und fehlformiert. Wie gehst du mit ihnen um?

Heute werden Sie lernen:

• So lesen und schreiben Sie strukturierte Dateien
• Wie man anmutig Fehler umgeht
• So überspringen oder protokollieren Sie schlechte Zeilen, ohne zu stürzen

// 1. Safer Datei lesen

Was passiert, wenn Sie versuchen, eine Datei zu lesen, die es nicht gibt? So „versuchen“ Sie „versuchen“, die Datei zu öffnen und „FilenotFoundError“ zu fangen, wenn die Datei nicht vorhanden ist.

strive:
    with open("workers.txt") as file:
        traces = file.readlines()
besides FileNotFoundError:
    print("Error: File not discovered.")
    traces = ()

// 2.. Mit schlechten Reihen anmutig umgehen

Versuchen wir nun, schlechte Zeilen zu überspringen und nur die vollständigen Zeilen zu verarbeiten.

information = ()

for line in traces:
    strive:
        components = line.strip().cut up(",")
        if len(components) != 4:
            increase ValueError("Incorrect variety of fields")
        report = {
            "title": components(0),
            "metropolis": components(1),
            "position": components(2),
            "wage": int(components(3))
        }
        information.append(report)
    besides Exception as e:
        print(f"Skipping dangerous line: {line.strip()} ({e})")

// 3.. Schreiben Sie gereinigte Daten in eine Datei

Lassen Sie uns schließlich die gereinigten Daten in eine Datei schreiben.

with open("cleaned_employees.txt", "w") as out:
    for r in information:
        out.write(f"{r('title')},{r('metropolis')},{r('position')},{r('wage')}n")

// Übung: Machen Sie einen fehlertoleranten Lader

Erstellen Sie eine Datei RAW_EMPOTEES.txt mit ein paar unvollständigen oder unordentlichen Zeilen wie:

Alice,London,Engineer,75000
Bob,Paris,Analyst
Eve,London,Engineer,eighty thousand
John,New York,Supervisor,95000

Schreiben Sie ein Skript, das:

1. Lädt nur gültige Datensätze
2. Druckt die Anzahl der gültigen Zeilen aus
3. Schreibt sie an validated_employees.txt

# Tag 7: Erstellen Sie einen Mini -Datenprofiler (Projekttag)

Tolle Arbeit, um es so weit zu schaffen. Heute erstellen Sie ein eigenständiges Python -Skript, das:

• Lädt eine CSV -Datei
• Erkennt Spaltennamen und -Typen
• Berechnet nützliche Statistiken
• Schreibt einen Zusammenfassungsbericht

// Schritt-für-Schritt-Umriss

1. Laden Sie die Datei:

def load_csv(filename):
    with open(filename) as f:
        traces = (line.strip() for line in f if line.strip())
    header = traces(0).cut up(",")
    rows = (line.cut up(",") for line in traces(1:))
    return header, rows

2. Säulenstypen erkennen:

def detect_type(worth):
    strive:
        float(worth)
        return "numeric"
    besides:
        return "textual content"

3. Profil jede Spalte:

def profile_columns(header, rows):
    abstract = {}
    for i, col in enumerate(header):
        values = (row(i).strip() for row in rows if len(row) == len(header))
        col_type = detect_type(values(0))
        distinctive = set(values)
        abstract(col) = {
            "kind": col_type,
            "unique_count": len(distinctive),
            "most_common": max(set(values), key=values.rely)
 }
 if col_type == "numeric":
 nums = (float(v) for v in values if v.exchange('.', '', 1).isdigit())
 abstract(col)("common") = sum(nums) / len(nums) if nums else 0
 return abstract

4. Erstellen Sie eine Zusammenfassung:

def write_summary(abstract, out_file):
    with open(out_file, "w") as f:
        for col, stats in abstract.objects():
            f.write(f"Column: {col}n")
            for okay, v in stats.objects():
                f.write(f"  {okay}: {v}n")
            f.write("n")

Sie können die Funktionen wie SO verwenden:

header, rows = load_csv("workers.csv")
abstract = profile_columns(header, rows)
write_summary(abstract, "profile_report.txt")

// endgültige Übung

Verwenden Sie Ihre eigene CSV -Datei (oder verwenden Sie frühere). Führen Sie den Profiler aus und überprüfen Sie die Ausgabe.

# Abschluss

Glückwunsch! Sie haben den Python für den Mini-Course für Information Science abgeschlossen.

In dieser Woche haben Sie sich von grundlegenden Python -Datenstrukturen zum Schreiben modularer Funktionen und Skripte übergezogen, die reale Datenprobleme behandeln. Dies sind die Grundlagen, und damit meine ich wirklich grundlegende Sachen. Ich schlage vor, Sie verwenden dies als Ausgangspunkt und erfahren Sie mehr über die Standardbibliothek von Python (natürlich).

Danke, dass du mit mir gelernt hast. Pleased Coding und Daten knirschen voraus!

Bala Priya c ist ein Entwickler und technischer Schriftsteller aus Indien. Sie arbeitet gern an der Schnittstelle zwischen Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Ihre Interessensgebiete und Fachgebiete umfassen DevOps, Information Science und natürliche Sprachverarbeitung. Sie liest gerne, schreibt, codieren und Kaffee! Derzeit arbeitet sie daran, ihr Wissen mit der Entwicklergemeinschaft zu lernen und zu teilen, indem sie Tutorials, Anleitungen, Meinungsstücke und vieles mehr autorisiert. Bala erstellt auch ansprechende Ressourcenübersichten und Codierungs -Tutorials.

Überraschung und Likelihood haben immer Hand in Hand gegangen, wenn Elon Moschus ist involviert und seine jüngste Überraschung ist keine Ausnahme. GROK Think about, Xais KI-betriebenes Bild- und Videogenerierungs-Instrument, ist jetzt in einem überraschenden Schritt kostenlos kostenlos zur Verfügung. Grundsätzlich ist die Grok -Videogenerierung für alle zugänglich geworden, keine Saiten beigefügt.

Mit Free Grok Think about können Benutzer auf Android- und iOS -Plattformen in weniger als einer Minute Textual content oder Fotos in dynamische Grafik mit nativem Audio umwandeln. Es ist ein kreativer Sport-Changer-schnell, flexibel und, wie in unseren früheren Exams nachgewiesen, überraschend mächtig. Lassen Sie uns auspacken, wie Sie dieses Instrument entsperren, seine herausragenden Funktionen erkunden und feststellen, warum die KI -Videogenerierung in eine ganz neue Ära der Barrierefreiheit eintritt.

Was ist neu?

Bis Anfang dieses Monats wurde die Grok Video Technology hinter SuperGrok und Premium+ Paywalls versteckt. Jetzt ist es weit offen. Wie Elon Musk in seinem X-Publish bestätigte, haben alle Benutzer weltweit für eine begrenzte Zeit freien Zugriff auf die multimodale Magie von Grok-Bild- und Videogenerierung, einschließlich kurzer 15-Sekunden-Clips mit Stimme.

Diese Verschiebung bedeutet, ob Sie ein hobbyistischer Filmemacher sind oder nur mit GIFs herumspielen möchten. Free Grok Think about ist wahrscheinlich das nächste High -KI -Instrument, das Sie ausprobieren müssen.

Wie? Lesen Sie weiter.

Wie man grok vorstellen zugreift

Auf Mobiltelefon (iOS & Android):

• Laden Sie die GROK -App herunter oder aktualisieren Sie.
• Tippen Sie oben auf die Registerkarte „Think about“.
• Verwenden Sie eine Textaufforderung oder laden Sie ein Bild hoch.
• Tippen Sie auf „Video machen“, und wählen Sie dann normale, lustige, benutzerdefinierte oder würzige Modus.
• Ihr 6- bis 15-Sekunden-KI-Video mit nativem Audio kommt in Sekunden. Herunterladen, teilen, wiederholen.

GROK STEOPLE VS DER WETTSCHAFT

Wenn das Musk und das XAI -Workforce für alle Benutzer kostenlos vorstellen, würden Sie denken, dass es eines der besten Instruments für KI -Videogenerierung auf dem Markt ist. Immerhin ist der Identify von Musk miteinander verbunden, und es ist quick unmöglich, ein halb Qualitätsprodukt aus dem Büro des Mannes zu finden.

In unseren internen Exams bei Grok Think about fand mein Teamkollege Anu jedoch nicht zu hoch, um die Leiter der AI -Videotools zu hoch zu sein. Nachdem sie mehrere Exams durch eine Vielzahl von Szenarien durchgeführt hat, schreibt sie, und ich zitiere hier –

„Die beiden besten Dinge an Think about sind seine Geschwindigkeit und die Qualität der Bilder, die es erzeugt. Wenn es um die Videogeneration geht, werden wir bald sehen, dass es besser wird. Im Second steht das Modell hinter Sora und Veo 3 und chinesischen Modellen wie Hulileo und Wan, die alle ein Leuchtfeuer der Videogeneration sind.“

Du kannst Gehen Sie hier alle ihre Exams und Erkenntnisse durch. Im Second finde ich Anu’s Meinung zu Grok Think about Ganz gültig und auf Punkt. Für den Zweck dieses Blogs werde ich additionally die Wiederholung vorstellen.

Obwohl man sich fragen muss, ob es nicht so intestine ist, warum will das Grok -Workforce das Instrument sofort bewerben?

Die Antwort liegt in einer grundlegenden, aber äußerst wichtigen Geschäftsstrategie.

Free Grok Think about – der nächste (und der erste) logische Zug

Additionally, warum hat Xai Grok sich kostenlos vorstellen lassen? Es ist nicht nur Großzügigkeit; Es ist Strategie. In der sich schnell entwickelnden Welt der AI -Videogeneration gehen alle aus Openai mit Chatgpt zu Google’s Veo 3 Wettfahrt um ein globales Publikum – und der Preis (oder freien Zugang) ist jetzt ein wichtiges Schlachtfeld.

In geschäftlichen Begriffen kehren alles auf ein grundlegendes Prinzip zurück – der Vorteil von First Mover.

Modelle mögen Chatgpt gehen Habe bereits begonnen, kostenlose oder ultra-bar-generative Funktionen anzubieten, um Benutzer zu gewinnen.

Grok Think about’s Free Rollout landete im perfekten Second. Hungrige Kreative, Pädagogen und Gelegenheitsbenutzer sind bereit, zu experimentieren, ohne eine Rechnung zu unterzeichnen.

Lightning-Spast zu sein (Movies in weniger als 30 Sekunden zu produzieren) bedeutet, dass die Grok-Videogenerierung mehr als nur zugänglich ist. Es macht süchtig.

Grok sich kostenlos vorstellen zu lassen, struggle keine Überraschungswendung. Es struggle ein notwendiger, taktischer nächster Schritt in einer Welt, in der KI -Instruments um Reichweite, Benutzerfreundlichkeit und Kosten konkurrieren. Es geht darum, Ihren Anspruch auf jeden Bildschirm zu stecken – auch wenn andere folgen.

Schlussfolgerung: Groks Eröffnungs -Gambit

Die freie Freisetzung von GROK Think about signalisiert die Artwork aggressiver Positionierung, die jede größere Verschiebung des AI -Ökosystems definiert hat. Durch das Entfernen der Eintrittsbarrieren möchte XAI normalerweise wiederholen, was Openai zum Zeitpunkt des Debüts von Chatgpt: Shock the World getan hat. Es geht mehr als seine gegenwärtigen Fähigkeiten darum, ob es zur Gewohnheit von Millionen werden kann, bevor Rivalen die Einsätze weiter erhöhen.

Bisher hat sich die Einführung von KI immer von zwei Hebeln angehängt – Benutzerfreundlichkeit und Verfügbarkeit. GROK IMAGE, jetzt offen und reibungslos, tickt beide Kästchen. Aus der Sicht von XAI ist jede eingestufte Eingabe, die jedes kurze Video mitgeliefert wird, ein weiterer Schritt in Richtung Schulung der Benutzerloyalität und gleichzeitig seine Modelle in freier Wildbahn.

Wie es von hier aus schwenkt, bleibt abzuwarten. Wir werden alle diese Updates aktiv behandeln. Bleiben Sie additionally auf diesem Raum für mehr auf Think about, Grok und XAI dran.