Praktični primeri uporabe
Na tej strani
Izvajanje kode v proizvodnem okolju
Ta zaključna lekcija obravnava praktične primere uporabe izvajanja kode, da si boš ustvaril jasno sliko o tem, kaj lahko zgradiš. Vsak primer ponazarja aplikacijsko področje s pripadajočim pozivom in logiko.
Finančna analiza
Optimizacija portfelja
Izvajanje kode je še posebej primerno za finančno modeliranje. Peskovnik vključuje knjižnici NumPy in SciPy, ki opravita potrebne optimizacijske izračune:
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.
"""
Model bo napisal kodo z uporabo knjižnice NumPy za matriko korelacij in SciPy za optimizacijo z omejitvami.
Sharpeovo razmerje in kazalniki tveganja
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%.
"""
Statistična analiza
Preizkušanje hipotez
SciPy ti omogoča izvajanje strogih statističnih testov:
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.
"""
Regresija in napovedovanje
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
"""
Znanstveno računanje
Reševanje diferencialnih enačb
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 simulacije
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.
"""
Obdelava in čiščenje podatkov
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
"""
Arhitektura celotnega delovnega toka
Za aplikacije v proizvodnem okolju združi orodja v strukturiran delovni tok:
- Spletno iskanje pridobi najnovejše podatke (cene, kazalnike, novice).
- Izvajanje kode analizira pridobljene podatke (izračuni, statistika, grafi).
- Tvoja aplikacija oblikuje in predstavi rezultate uporabniku.
Ta vzorec se uporablja na številnih področjih: finance, konkurenčna obveščevalna dejavnost, tržna analiza, avtomatizirano poročanje.
Ključne ugotovitve
- Izvajanje kode odlično opravlja finančne analize (Sharpeovo razmerje, optimizacija portfelja, VaR).
- Statistični testi in regresije so naravna uporaba s knjižnico SciPy.
- Monte Carlo simulacije dobro delujejo znotraj omejitev pomnilnika peskovnika.
- Čiščenje podatkov s knjižnico Pandas je praktičen vsakdanji primer uporabe.
- Združi spletno iskanje + izvajanje kode za popolne avtomatizirane delovne toke.
- Za boljše rezultate zagotovi strukturirane podatke in natančna navodila.
Preveri svoje znanje
Splet, X, koda: strežniška orodja Grok v petih preverjanjih.
1. Kateri sta dve kategoriji orodij Grok?
Odgovor: Integrirana orodja, ki jih strežniško izvaja xAI (spletno iskanje, iskanje po X, izvajanje kode), in tvoje funkcije po meri, ki jih izvaja tvoja koda – dva svetova, ki se združujeta.
2. Kako poteka tok izvajanja integriranega orodja?
Odgovor: V petih korakih na strani strežnika: model se odloči, orodje se izvrši pri xAI, rezultati se vrnejo modelu, ki odgovori – ti prejmeš končni odgovor s sledmi in citati.
3. Kaj omogočajo filtri za spletno iskanje in iskanje po X?
Odgovor: Okvirjanje virov: dovoljene domene na spletu, uporabniška imena in datumi na X – svežina in zanesljivost sta nadzorovani, citati pa dokumentirajo vsak odgovor.
4. Kaj lahko stori izvajanje kode?
Odgovor: Izvaja Python v peskovniku – na voljo so običajne knjižnice, stroge varnostne omejitve: izračuni, transformacije in preverjanja so prepuščeni točni kodi.
5. Na kaj moraš biti pozoren glede stroškov?
Odgovor: Vsak priklic orodja se zaračuna poleg žetonov: ciljno išči, omeji globino in aktiviraj le orodja, koristna za zahtevo.
Strežniške zmogljivosti, pripravljene takoj za uporabo, nadzorovane s tvojimi filtri in proračunom: integrirana orodja naredijo Grok za agenta – ti ostajaš režiser.