Praktilised kasutusjuhtumid
Sellel lehel
Koodi käivitamine tootmiskeskkonnas
See viimane tund käsitleb koodi käivitamise praktilisi kasutusjuhtumeid, et saaksid selge ülevaate, mida on võimalik luua. Iga näide illustreerib rakendusvaldkonda koos vastava vihje ja loogikaga.
Finantsanalüüs
Portfelli optimeerimine
Koodi käivitamine sobib eriti hästi finantsmodelleerimiseks. Liivakast sisaldab NumPy ja SciPy teeke, mis teostavad vajalikud optimeerimisarvutused:
input_text = """
Portfolio of 5 assets with the following monthly returns (12 months):
Asset A: [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Asset B: [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Asset C: [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Asset D: [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Asset E: [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]
Calculate:
1. The correlation matrix between assets
2. The minimum variance portfolio
3. The optimal portfolio (maximum Sharpe ratio, risk-free rate = 4% annual)
4. The efficient frontier (10 points)
Present allocations as percentages.
"""
Mudel kirjutab koodi, kasutades korrelatsioonimaatriksi jaoks NumPy-d ja piirangutega optimeerimiseks SciPy-d.
Sharpe’i suhe ja riskinäitajad
input_text = """
Daily returns of a fund over 20 days:
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]
Calculate the Sharpe ratio, Sortino ratio, Value at Risk (95%),
and maximum drawdown. Annual risk-free rate = 4%.
"""
Statistiline analüüs
Hüpoteeside testimine
SciPy võimaldab teha rangeid statistilisi teste:
input_text = """
Group A (treatment): [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Group B (control): [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]
Perform a Student's t-test to determine if the difference between
the two groups is statistically significant (alpha = 0.05).
Include hypotheses, test statistic, p-value, and conclusion.
"""
Regressioon ja ennustamine
input_text = """
Monthly sales data (in thousands of euros):
Month (x): [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Sales (y): [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]
1. Perform linear regression
2. Calculate R² and standard error
3. Predict sales for months 13, 14, 15
4. Test if the trend is significant
"""
Teaduslikud arvutused
Diferentsiaalvõrrandite lahendamine
input_text = """
Solve the second-order differential equation:
y'' + 2y' + 5y = 0
Initial conditions: y(0) = 1, y'(0) = 0
Interval: t from 0 to 10
Plot the solution and identify the behavior (damped oscillation,
critical, overdamped).
"""
Monte Carlo simulatsioonid
input_text = """
Monte Carlo simulation to estimate the probability that a project
is profitable.
Parameters (normal distributions):
- Monthly revenue: mean = €50,000, std dev = €10,000
- Monthly fixed costs: €30,000
- Variable costs: 15% to 25% of revenue (uniform)
- Project duration: 12 months
Run 10,000 simulations. Calculate the probability of profitability
and the net profit distribution. Present the 5th, 50th, and 95th percentiles.
"""
Andmetöötlus ja puhastamine
input_text = """
Raw data (CSV with common issues):
name,age,salary,city
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux
1. Identify and handle missing values
2. Correct inconsistencies (negative age, outlier salary)
3. Normalize city names (consistent casing)
4. Calculate descriptive statistics on cleaned data
5. Document each transformation performed
"""
Täielik töövoogu arhitektuur
Tootmiskeskkonna rakenduste jaoks kombineeri tööriistu struktureeritud töövoos:
- Veebiotsing toob ajakohased andmed (hinnad, näitajad, uudised)
- Koodi käivitamine analüüsib hangitud andmeid (arvutused, statistika, diagrammid)
- Sinu rakendus vormindab ja esitab tulemused kasutajale
See muster kehtib paljude valdkondade puhul: rahandus, konkurendianalüüs, turuanalüüs, automatiseeritud aruandlus.
Peamised punktid
- Koodi käivitamine on eriti tugev finantsanalüüsis (Sharpe, portfelli optimeerimine, VaR)
- Statistilised testid ja regressioonid on SciPy loomulik kasutusvaldkond
- Monte Carlo simulatsioonid toimivad hästi liivakasti mälupiirangutes
- Andmete puhastamine Pandasiga on praktiline igapäevane ülesanne
- Kombineeri Veebiotsing + Koodi käivitamine täielike automatiseeritud töövoogude jaoks
- Paremate tulemuste saamiseks esita struktureeritud andmed ja täpsed juhised
Testi oma teadmisi
Web, X, kood: Groki serveritööriistad viies kontrollpunktis.
1. Millised on Groki tööriistade kaks kategooriat?
Vastus: Integreeritud tööriistad, mida käivitab serveripoolselt xAI (veebiotsing, X-i otsing, koodi käivitamine), ja sinu kohandatud funktsioonid, mida käivitab sinu kood – kaks maailma, mis ühinevad.
2. Kuidas toimib integreeritud tööriista käivitamise voog?
Vastus: Viies serveripoolses etapis: mudel otsustab, tööriist käivitub xAI-s, tulemused naasevad mudelile, mis annab vastuse – sina saad lõpliku vastuse koos jälgede ja viidetega.
3. Mida võimaldavad Veebiotsingu ja X-i otsingu filtrid?
Vastus: Allikate raamistamine: lubatud domeenid veebis, kasutajanimed ja kuupäevad X-is – värskust ja usaldusväärsust kontrollitakse ning viited dokumenteerivad iga vastuse.
4. Mida suudab Koodi käivitamine?
Vastus: Käivitada Pythonit liivakastis – levinud teegid on saadaval, ranged turvapiirangud: arvutused, teisendused ja kontrollid delegeeritakse täpsele koodile.
5. Mida peaksid kulude osas jälgima?
Vastus: Iga tööriista kutsumise eest võetakse tasu lisaks tokenitele: sihti otsinguid, piira sügavust ja aktiveeri ainult taotluse jaoks vajalikud tööriistad.
Serveri võimalused on kohe kasutatavad, kontrollitud sinu filtrite ja eelarvega: integreeritud tööriistad muudavad Groki agendiks – sina jääd juhiks.