Käytännön sovellusesimerkkejä
Tällä sivulla
Koodin suorittaminen tuotantoympäristössä
Tämä viimeinen oppitunti käsittelee koodin suorittamisen käytännön sovellusesimerkkejä, jotta saat selkeän kuvan siitä, mitä voit rakentaa. Jokainen esimerkki havainnollistaa sovellusaluetta siihen liittyvine kehotteineen ja logiikoineen.
Rahoitusanalyysi
Salkun optimointi
Koodin suorittaminen sopii erityisen hyvin rahoitusmallinnukseen. Hiekkalaatikko sisältää NumPy- ja SciPy-kirjastot, jotka hoitavat tarvittavat optimointilaskelmat:
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.
"""
Malli kirjoittaa koodia käyttäen NumPyä korrelaatiomatriisin laskemiseen ja SciPytä rajoitetun optimoinnin suorittamiseen.
Sharpen luku ja riski-indikaattorit
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%.
"""
Tilastollinen analyysi
Hypoteesitestaus
SciPyn avulla voit suorittaa rigorooseja tilastollisia testejä:
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.
"""
Regressio ja ennustaminen
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
"""
Tieteellinen laskenta
Differentiaaliyhtälöiden ratkaiseminen
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 -simulaatiot
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.
"""
Datankäsittely ja siivous
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
"""
Kokonainen työnkulun arkkitehtuuri
Tuotantosovelluksia varten yhdistä työkalut jäsenneltyyn työnkulkuun:
- Web-haku hakee ajantasaiset tiedot (hinnat, indikaattorit, uutiset)
- Koodin suorittaminen analysoi haetut tiedot (laskelmat, tilastot, kaaviot)
- Sovelluksesi muotoilee ja esittää tulokset käyttäjälle
Tätä mallia voidaan soveltaa monilla aloilla: rahoitus, kilpailuanalyysi, markkina-analyysi ja automatisoitu raportointi.
Keskeiset asiat
- Koodin suorittaminen loistaa rahoitusanalyysissä (Sharpe, salkun optimointi, VaR)
- Tilastolliset testit ja regressiot ovat luonteva käyttötarkoitus SciPylle
- Monte Carlo -simulaatiot toimivat hyvin hiekkalaatikon muistirajoitusten puitteissa
- Datan siivous Pandasilla on käytännöllinen päivittäinen käyttötarkoitus
- Yhdistä Web-haku + Koodin suorittaminen luodaksesi kokonaisia automatisoituja työnkulkuja
- Anna jäsenneltyä dataa ja tarkkoja ohjeita parempien tulosten saavuttamiseksi
Testaa tietosi
Web, X, koodi: Grokin palvelintyökalut viidessä tarkistuksessa.
1. Mitkä ovat Grokin työkalujen kaksi kategoriaa?
Vastaus: Integroidut työkalut, jotka xAI suorittaa palvelinpuolella (web-haku, X-haku, koodin suorittaminen), ja omat funktiosi, jotka koodisi suorittaa – kaksi maailmaa, jotka yhdistyvät.
2. Miten integroidun työkalun suoritusvirta toimii?
Vastaus: Viidessä palvelinpuolen vaiheessa: malli päättää, työkalu suorittaa tehtävän xAI:ssa, tulokset palautuvat mallille, joka vastaa – saat lopullisen vastauksen jäljityksineen ja viitteineen.
3. Mitä Web-haun ja X-haun suodattimet mahdollistavat?
Vastaus: Lähteiden rajaamisen: sallitut verkkotunnukset webissä, käyttäjätunnukset ja päivämäärät X:ssä – tuoreus ja luotettavuus ovat hallinnassa, ja viitteet dokumentoivat jokaisen vastauksen.
4. Mitä koodin suorittaminen voi tehdä?
Vastaus: Suorittaa Pythonia hiekkalaatikossa – yleiset kirjastot saatavilla, tiukat turvallisuusrajoitukset: laskelmat, muunnokset ja tarkistukset delegoidaan tarkalle koodille.
5. Mitä sinun tulee seurata kustannusten osalta?
Vastaus: Jokainen työkalukutsu laskutetaan tokenien lisäksi: kohdenna hakuja, rajoita syvyyksiä ja aktivoi vain pyyntöön hyödylliset työkalut.
Palvelinkapasiteetit valmiina heti alusta alkaen, suodattimesi ja budjettisi ohjaamina: integroidut työkalut tekevät Grokista agentin – sinä pysyt johtajana.