原文towardsdatascience.com/the-easiest-way-to-learn-and-use-python-today-8a230424ece4?sourcecollection_archive---------3-----------------------#2024-10-09Google Colab 和其集成的生成式 AI一个强大的组合https://medium.com/quentin.gallea?sourcepost_page---byline--8a230424ece4--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--8a230424ece4-------------------------------- Quentin Gallea, PhD·发表于 Towards Data Science ·阅读时长 7 分钟·2024 年 10 月 9 日–https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e57afc35d694a26225058907d940e7ca.png作者提供的图片由 DALL-E 创作。你在这篇文章中会找到的内容关于如何使用集成在 Google Colab一个无需安装、基于云的 Python 编程平台中的生成式 AI 工具的指南使其成为学习和使用 Python 的最简单方法。学习编程比以往任何时候都更加有用和可访问。在这篇文章中你将看到如何在一分钟内开始编程且不需要任何先决条件充分利用最新生成式 AI 工具的强大功能。我从 25 年前开始编程那时我大约 10 岁。一切都非常艰难从安装开发工具到学习命令当然还包括调试。今天我们已经远离那个时代。Google Colab 最近集成了一套生成式 AI 工具这些工具彻底改变了我们编程的方式。开始编程从未如此简单。所有障碍现在都已经消除。这是个好消息因为编程几乎无处不在并且在越来越多的工作中变得有用甚至是必需的。此外如果你懂一点代码借助这些生成式 AI 工具你现在可以以最小的努力走得非常远。在这篇文章中我将向你展示今天学习和使用 Python 的最高效方法借助一个无需安装的工具。如果你对 Python 不陌生知道什么是 Google Colab 和 Notebooks你可以跳过第一部分。文章组织结构如下第一部分预备知识为什么选择 Python 和 Google Colab从哪里开始学习 Python第二部分Google Colab 中集成的生成式 AI 工具代码补全调试建议图表建议获取帮助讨论第一部分预备知识为什么选择 Python 和 Google Colab为什么选择 PythonPython 是当今最流行、最具多样性的编程语言。Python 可以用于机器学习和人工智能例如自然语言处理、深度学习等统计与分析创建和使用聊天机器人例如 LLMs、代理等Web 开发例如后端开发以及更多内容金融、机器人技术、数据库访问、游戏开发等。此外由于其广泛的应用Python 已成为许多职位的要求且因为拥有大量的资源学习起来尤其容易。为什么选择 Google Colab在 Python 编程中有很多方法可以开始。最流行的两种方式是集成开发环境IDE或 Notebook。Notebook 是一种基于网页的交互式编程环境允许你在一个文档中混合代码、文本和可视化内容。你可以选择在计算机上安装本地 Notebook 工具例如 Jupyter Notebook或者使用像 Google Colab 这样的基于云的在线解决方案。由于本指南聚焦于可访问性我选择了一个无需安装的基于云的工具。唯一的要求是拥有一个 Google 账户。所有文档都将保存在你的 Google Drive 中因此你可以在任何计算机上工作并轻松与他人协作。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e726494f066570cb8cf4f1c7654db650.png这是一个 NotebookGoogle Colab的片段。你可以看到在同一个文档中既有文本、代码也有代码的输出。图像由作者提供。从哪里开始学习 Python有无数的途径可以开始学习 Python。以下是两个完整初学者 Python 指南的资源提供不同格式的学习方式初学者免费的完整课程www.youtube.com/watch?vrfscVS0vtbw带集成代码单元的免费完整课程www.w3schools.com/python/python_intro.asp互动平台DataCamp学习如何编程类似于学习许多其他技能如游泳或骑自行车——你需要不断练习。所以当你开始使用这些教程或其他教程时打开 Google Colab开始实验代码并进行调整。使用第二部分中介绍的工具来支持你的学习之旅。第二部分集成在 Google Colab 中的生成式 AI 工具自 2022 年 11 月 ChatGPT 3.5 的公开发布以来支持编程的生成式 AI 工具迅速增长。像 ChatGPT 这样的大型语言模型LLMs在帮助我们进行编码方面极其强大。编程依赖于具有清晰语法的“语言”这使得它成为 LLM 的理想领域。Google Colab 最近集成了一套生成式 AI 工具可以支持你工作的各个方面从代码建议到调试和解释。现在让我们介绍所有这些工具代码补全调试建议自动图表建议帮助代码补全当你在 Google Colab 中开始输入代码时你会很快注意到代码建议会以灰色和斜体显示参见下方视频并且超出你所输入的部分。建议会很快出现并随着你继续输入而自适应。你只需按下 Tab 键接受建议。请注意建议不仅基于你正在输入的内容还基于文件中的其余部分使得这个功能非常强大远远超越了传统的简单代码补全工具。例如在下方视频中导入文件的建议并非通用的——它是我当前 Google Colab 文档中需要的确切代码并且具有正确的格式。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/f4fa31cc74ee5533eedf2fabc2a3cfe8.png这个视频展示了 Google Colab 中的代码补全工具。你可以看到我输入某行代码的开头代码以白色显示然后建议会非常快速且自动地以灰色和斜体显示。我只需点击 Tab 键即可接受建议。视频由作者提供。调试如果你曾尝试过编程你就知道调试通常是我们花费最多时间的部分。过去如果你不理解错误你会参考手册复制并粘贴错误消息然后在线搜索例如 Stack Overflow解决方案。最近你甚至可能会向 ChatGPT 或其他大型语言模型寻求帮助。但现在有一个非常快速的集成解决方案。正如你在下方视频中看到的我运行了一些代码并生成了错误。在每个错误消息后你会看到一个标有“解释错误”的按钮。点击后右侧会打开一个面板Gemini一个大型语言模型会解释错误并提出调整后的代码。你可以手动调整代码复制粘贴建议或者一键创建一个新的单元格插入笔记本中修正后的代码。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1f4356bae5b0ee84d02f006a01c797ab.png这是一个简单的调试情况示例展示了 Google Colab 中集成的生成性 AI 系统。图片由作者提供。建议除了代码补全Google Colab 还提供了两种基于描述建议代码的简单方法。第一种方法是通过写注释参见下方视频。我只需写一个注释解释下一行代码然后 Colab 会直接解释它并自动建议相应的代码。这个功能主要适用于简单的、通常是单行的代码。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/f19c47f349ea5c83ad313d6436282baf.png这个视频展示了 Google Colab 如何使用生成性 AI 自动生成你刚写的注释对应的代码。视频由作者提供。当您需要针对更复杂的请求通常需要几行代码提供代码建议时您可以在开始新的代码块时点击“生成”按钮见下方视频。然后您可以用自然语言解释您想做的事情代码将自动生成。请注意提示会作为评论添加在顶部所以请尽量清楚地表述需求以节省时间。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9861e90b722d792fc85917232247681b.png该视频展示了如何在 Google Colab 中使用自然语言生成代码。视频由作者提供。自动图表建议当您使用数据框时也会有专门的图表创建建议见下方视频。当您描述或显示数据框的部分内容时右上角会出现一个带有图表图标的按钮。点击它您将看到一个潜在图表的图库。点击其中一个图表后会生成一个新的代码单元其中包含创建所选图表所需的代码。到目前为止我对这个功能并没有留下深刻印象。它崩溃过几次返回错误或者建议了许多选项但我感兴趣的选项并没有出现。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9faa6b4cc9748100b4643e8a0039600d.png该视频展示了 Google Copilot 中的自动图表建议功能。视频由作者提供。帮助最后您可以直接与 Gemini一个聊天机器人/大语言模型进行对话询问与代码相关的问题。这些问题可以是您不理解的某段代码如何用代码执行特定任务或者几乎任何其他问题。您基本上可以随时获得一个 AI 导师只需轻轻一按。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7fa684eb21f50cab9c1eb9c375cd7d02.png在 Google Colab 中您可以点击右上角的“Gemini”按钮直接开始与代码相关的讨论。您可以询问当前代码的问题或询问如何做某些事情等。图片由作者提供。讨论虽然生成式 AI 对编程非常有用且强大但在学习过程中应该适度使用。过度依赖这种效率可能会妨碍我们真正掌握知识并可能对我们的长期表现产生负面影响。这些生成式 AI 集成功能让我印象深刻。我发现自己越来越少写代码——现在更多的是能够阅读和测试代码。但阅读总是比写作容易就像学习任何语言不仅仅是编程一样。然而这引发了一个问题对于那些还没有完全学会如何编程的人长期使用这些工具会有什么影响。我记得曾经广泛使用这些工具来选择 Pandas 数据框的部分内容因为我经常把括号、.loc或.iloc函数以及语法弄混。ChatGPT 曾经帮我提高效率几次但从长远来看我变得更加低效。如果每次都得询问它往往比我记住解决方案更耗时。那如果工具无法使用怎么办此外记住负责任地使用 AI 建议非常重要。始终致力于理解你所融合的代码以避免可能的剽窃或无意的错误。请注意当在 Google Colab 中使用建议时你可能会看到代码灵感的来源见下图。这些信息有助于你避免潜在的版权侵犯问题。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/b08f4256f0c95c1fdb207c7c1a1caf9d.png在 Google Colab 中使用生成式 AI 代码推荐时添加的注释示例。看起来代码的潜在来源已被引用并且提供了可点击的链接以检查是否存在潜在的版权问题。图片来源作者。
今天学习和使用 Python 的最简单方法
原文towardsdatascience.com/the-easiest-way-to-learn-and-use-python-today-8a230424ece4?sourcecollection_archive---------3-----------------------#2024-10-09Google Colab 和其集成的生成式 AI一个强大的组合https://medium.com/quentin.gallea?sourcepost_page---byline--8a230424ece4--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--8a230424ece4-------------------------------- Quentin Gallea, PhD·发表于 Towards Data Science ·阅读时长 7 分钟·2024 年 10 月 9 日–https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e57afc35d694a26225058907d940e7ca.png作者提供的图片由 DALL-E 创作。你在这篇文章中会找到的内容关于如何使用集成在 Google Colab一个无需安装、基于云的 Python 编程平台中的生成式 AI 工具的指南使其成为学习和使用 Python 的最简单方法。学习编程比以往任何时候都更加有用和可访问。在这篇文章中你将看到如何在一分钟内开始编程且不需要任何先决条件充分利用最新生成式 AI 工具的强大功能。我从 25 年前开始编程那时我大约 10 岁。一切都非常艰难从安装开发工具到学习命令当然还包括调试。今天我们已经远离那个时代。Google Colab 最近集成了一套生成式 AI 工具这些工具彻底改变了我们编程的方式。开始编程从未如此简单。所有障碍现在都已经消除。这是个好消息因为编程几乎无处不在并且在越来越多的工作中变得有用甚至是必需的。此外如果你懂一点代码借助这些生成式 AI 工具你现在可以以最小的努力走得非常远。在这篇文章中我将向你展示今天学习和使用 Python 的最高效方法借助一个无需安装的工具。如果你对 Python 不陌生知道什么是 Google Colab 和 Notebooks你可以跳过第一部分。文章组织结构如下第一部分预备知识为什么选择 Python 和 Google Colab从哪里开始学习 Python第二部分Google Colab 中集成的生成式 AI 工具代码补全调试建议图表建议获取帮助讨论第一部分预备知识为什么选择 Python 和 Google Colab为什么选择 PythonPython 是当今最流行、最具多样性的编程语言。Python 可以用于机器学习和人工智能例如自然语言处理、深度学习等统计与分析创建和使用聊天机器人例如 LLMs、代理等Web 开发例如后端开发以及更多内容金融、机器人技术、数据库访问、游戏开发等。此外由于其广泛的应用Python 已成为许多职位的要求且因为拥有大量的资源学习起来尤其容易。为什么选择 Google Colab在 Python 编程中有很多方法可以开始。最流行的两种方式是集成开发环境IDE或 Notebook。Notebook 是一种基于网页的交互式编程环境允许你在一个文档中混合代码、文本和可视化内容。你可以选择在计算机上安装本地 Notebook 工具例如 Jupyter Notebook或者使用像 Google Colab 这样的基于云的在线解决方案。由于本指南聚焦于可访问性我选择了一个无需安装的基于云的工具。唯一的要求是拥有一个 Google 账户。所有文档都将保存在你的 Google Drive 中因此你可以在任何计算机上工作并轻松与他人协作。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e726494f066570cb8cf4f1c7654db650.png这是一个 NotebookGoogle Colab的片段。你可以看到在同一个文档中既有文本、代码也有代码的输出。图像由作者提供。从哪里开始学习 Python有无数的途径可以开始学习 Python。以下是两个完整初学者 Python 指南的资源提供不同格式的学习方式初学者免费的完整课程www.youtube.com/watch?vrfscVS0vtbw带集成代码单元的免费完整课程www.w3schools.com/python/python_intro.asp互动平台DataCamp学习如何编程类似于学习许多其他技能如游泳或骑自行车——你需要不断练习。所以当你开始使用这些教程或其他教程时打开 Google Colab开始实验代码并进行调整。使用第二部分中介绍的工具来支持你的学习之旅。第二部分集成在 Google Colab 中的生成式 AI 工具自 2022 年 11 月 ChatGPT 3.5 的公开发布以来支持编程的生成式 AI 工具迅速增长。像 ChatGPT 这样的大型语言模型LLMs在帮助我们进行编码方面极其强大。编程依赖于具有清晰语法的“语言”这使得它成为 LLM 的理想领域。Google Colab 最近集成了一套生成式 AI 工具可以支持你工作的各个方面从代码建议到调试和解释。现在让我们介绍所有这些工具代码补全调试建议自动图表建议帮助代码补全当你在 Google Colab 中开始输入代码时你会很快注意到代码建议会以灰色和斜体显示参见下方视频并且超出你所输入的部分。建议会很快出现并随着你继续输入而自适应。你只需按下 Tab 键接受建议。请注意建议不仅基于你正在输入的内容还基于文件中的其余部分使得这个功能非常强大远远超越了传统的简单代码补全工具。例如在下方视频中导入文件的建议并非通用的——它是我当前 Google Colab 文档中需要的确切代码并且具有正确的格式。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/f4fa31cc74ee5533eedf2fabc2a3cfe8.png这个视频展示了 Google Colab 中的代码补全工具。你可以看到我输入某行代码的开头代码以白色显示然后建议会非常快速且自动地以灰色和斜体显示。我只需点击 Tab 键即可接受建议。视频由作者提供。调试如果你曾尝试过编程你就知道调试通常是我们花费最多时间的部分。过去如果你不理解错误你会参考手册复制并粘贴错误消息然后在线搜索例如 Stack Overflow解决方案。最近你甚至可能会向 ChatGPT 或其他大型语言模型寻求帮助。但现在有一个非常快速的集成解决方案。正如你在下方视频中看到的我运行了一些代码并生成了错误。在每个错误消息后你会看到一个标有“解释错误”的按钮。点击后右侧会打开一个面板Gemini一个大型语言模型会解释错误并提出调整后的代码。你可以手动调整代码复制粘贴建议或者一键创建一个新的单元格插入笔记本中修正后的代码。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1f4356bae5b0ee84d02f006a01c797ab.png这是一个简单的调试情况示例展示了 Google Colab 中集成的生成性 AI 系统。图片由作者提供。建议除了代码补全Google Colab 还提供了两种基于描述建议代码的简单方法。第一种方法是通过写注释参见下方视频。我只需写一个注释解释下一行代码然后 Colab 会直接解释它并自动建议相应的代码。这个功能主要适用于简单的、通常是单行的代码。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/f19c47f349ea5c83ad313d6436282baf.png这个视频展示了 Google Colab 如何使用生成性 AI 自动生成你刚写的注释对应的代码。视频由作者提供。当您需要针对更复杂的请求通常需要几行代码提供代码建议时您可以在开始新的代码块时点击“生成”按钮见下方视频。然后您可以用自然语言解释您想做的事情代码将自动生成。请注意提示会作为评论添加在顶部所以请尽量清楚地表述需求以节省时间。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9861e90b722d792fc85917232247681b.png该视频展示了如何在 Google Colab 中使用自然语言生成代码。视频由作者提供。自动图表建议当您使用数据框时也会有专门的图表创建建议见下方视频。当您描述或显示数据框的部分内容时右上角会出现一个带有图表图标的按钮。点击它您将看到一个潜在图表的图库。点击其中一个图表后会生成一个新的代码单元其中包含创建所选图表所需的代码。到目前为止我对这个功能并没有留下深刻印象。它崩溃过几次返回错误或者建议了许多选项但我感兴趣的选项并没有出现。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9faa6b4cc9748100b4643e8a0039600d.png该视频展示了 Google Copilot 中的自动图表建议功能。视频由作者提供。帮助最后您可以直接与 Gemini一个聊天机器人/大语言模型进行对话询问与代码相关的问题。这些问题可以是您不理解的某段代码如何用代码执行特定任务或者几乎任何其他问题。您基本上可以随时获得一个 AI 导师只需轻轻一按。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7fa684eb21f50cab9c1eb9c375cd7d02.png在 Google Colab 中您可以点击右上角的“Gemini”按钮直接开始与代码相关的讨论。您可以询问当前代码的问题或询问如何做某些事情等。图片由作者提供。讨论虽然生成式 AI 对编程非常有用且强大但在学习过程中应该适度使用。过度依赖这种效率可能会妨碍我们真正掌握知识并可能对我们的长期表现产生负面影响。这些生成式 AI 集成功能让我印象深刻。我发现自己越来越少写代码——现在更多的是能够阅读和测试代码。但阅读总是比写作容易就像学习任何语言不仅仅是编程一样。然而这引发了一个问题对于那些还没有完全学会如何编程的人长期使用这些工具会有什么影响。我记得曾经广泛使用这些工具来选择 Pandas 数据框的部分内容因为我经常把括号、.loc或.iloc函数以及语法弄混。ChatGPT 曾经帮我提高效率几次但从长远来看我变得更加低效。如果每次都得询问它往往比我记住解决方案更耗时。那如果工具无法使用怎么办此外记住负责任地使用 AI 建议非常重要。始终致力于理解你所融合的代码以避免可能的剽窃或无意的错误。请注意当在 Google Colab 中使用建议时你可能会看到代码灵感的来源见下图。这些信息有助于你避免潜在的版权侵犯问题。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/b08f4256f0c95c1fdb207c7c1a1caf9d.png在 Google Colab 中使用生成式 AI 代码推荐时添加的注释示例。看起来代码的潜在来源已被引用并且提供了可点击的链接以检查是否存在潜在的版权问题。图片来源作者。
