Programowanie wspomagane AI. Automatyzacja pracy programisty dzięki ChatGPT i GitHub Copilot Częstochowa

Obecnie miliony użytkowników korzystają z dużych modeli językowych do generowania treści, analizy danych, pisania kodu i automatyzacji pracy. Narzędzia takie jak ChatGPT i GitHub Copilot pozwalają na zwiększenie efektywności i radzenie sobie ze skomplikowanymi wyzwaniami. Ułatwiają również tworzenie aplikacji na profesjonalnym poziomie. Ta książka jest przeznaczona dla programistów, którzy chcą używać AI do optymalizacji procesu tworzenia oprogramowania. Znalazły się tu praktyczne informacje dotyczące budowy interfejsu użytkownika, backendu, tworzenia i optymalizacji kodu. Opisano, jak pisać interfejsy Web API, refaktoryzować kod i zwiększać jego wydajność za pomocą Copilota. Omówiono ponadto sposoby formułowania podpowiedzi dla przetwarzania danych, inżynierii cech, doboru modeli, ich trenowania, strojenia hiperparametrów i oceny jakości uczenia maszynowego. Nie zabrakło również zaawansowanych technik pracy z Copilotem i agentami programowymi, a także omówienia zasad wywoływania narzędzi AI. W książce: budowa modeli uczenia maszynowego za pomocą GitHub Copilot i ChatGPT korzystanie z asystentów AI w całym cyklu tworzenia oprogramowania techniki inżynierii podpowiedzi w projektach data science tworzenie frontendu i backendu aplikacji internetowej za pomocą sztucznej inteligencji refaktoryzacja kodu i poprawa jego efektywności i czytelności optymalizacja przepływów pracy AI w programowaniu ... twórz szybciej i skuteczniej! Spis treści: O autorach O recenzentach Przedmowa Rozdział 1. Witamy w nowym świecie asystentów AI Wprowadzenie Skąd wziął się ChatGPT - od NLP do modeli LLM Rozwój modeli LLM Modele GPT Dlaczego LLM-y działają lepiej? Nowy paradygmat - programowanie w języku naturalnym Wyzwania i ograniczenia O tej książce Dla kogo jest ta książka? Ewolucja języków programowania Spojrzenie w przyszłość Jak korzystać z tej książki? Rozdział 2. Strategia podpowiedzi Wprowadzenie Na jakim jesteś etapie? Wskazówki dotyczące efektywnego podpowiadania Techniki podpowiedzi Strategia podpowiedzi w tworzeniu aplikacji internetowych Analiza problemu "system internetowy do zarządzania zapasami" Dalszy podział frontendu na funkcje Generowanie podpowiedzi dla każdej funkcji Podstawowe zasady - "strategia podpowiedzi" w tworzeniu aplikacji internetowych Strategia podpowiedzi w data science Analiza problemu "przewidywanie sprzedaży" Dalszy podział na funkcje i etapy Generowanie podpowiedzi dla każdego etapu Podstawowe zasady - "strategia podpowiedzi" w tworzeniu aplikacji internetowych Walidacja rozwiązania Weryfikacja z użyciem podpowiedzi Klasyczna weryfikacja Podsumowanie Rozdział 3. Narzędzia pracy - poznaj nasze asystenty AI Wprowadzenie Copilot Skąd Copilot wie, co wygenerować? Możliwości i ograniczenia Copilota Instalacja i konfiguracja Pierwsze kroki z Copilotem Zadanie: ulepsz kod Rozwiązanie Wyzwanie Więcej informacji ChatGPT Jak działa ChatGPT? Możliwości i ograniczenia usługi ChatGPT Instalacja i konfiguracja Pierwsze kroki z ChatGPT Podsumowanie Rozdział 4. Projektowanie wyglądu aplikacji z użyciem HTML-a i Copilota Wprowadzenie Problem biznesowy - e-commerce Dziedzina problemu Analiza problemu - identyfikowanie funkcji Strategia podpowiedzi Struktura strony Tworzenie struktury strony z użyciem asystenta AI Twoja pierwsza podpowiedź - proste podpowiadanie i wspomaganie asystenta AI Twoja druga podpowiedź - dodawanie kontekstu Twoja trzecia podpowiedź - akceptowanie sugerowanych podpowiedzi Wyzwanie - modyfikacja podpowiedzi Scenariusz: budowanie witryny aplikacji e-commerce Strona logowania Strona z listą produktów Pozostałe strony Zadanie Wyzwanie Quiz Podsumowanie Rozdział 5. Nadawanie stylów z użyciem CSS-a i Copilota Wprowadzenie Problem biznesowy - e-commerce Dziedzina problemu i danych Analiza funkcji Strategia podpowiedzi CSS, czyli kaskadowe arkusze stylów Pierwsza podpowiedź CSS CSS według nazwy Zadanie Rozwiązanie Scenariusz - style w aplikacji e-commerce Strona koszyka Wyzwanie Quiz Podsumowanie Rozdział 6. Dodawanie działań z użyciem JavaScriptu Wprowadzenie Problem biznesowy - e-commerce Dziedzina problemu i danych Analiza funkcji Strategia podpowiedzi Dodawanie JavaScriptu Rola języka JavaScript Dodawanie JavaScriptu do strony Drugi przykład - dodawanie biblioteki lub platformy JavaScript Wyzwanie Scenariusz - dodawanie działania Poprawianie danych wyjściowych Dodawanie Bootstrapa Dodawanie Vue.js Zadanie Rozwiązanie Podsumowanie Rozdział 7. Obsługa wielu obszarów widoku z użyciem układów responsywnych Wprowadzenie Problem biznesowy - e-commerce Dziedzina problemu i danych Dzielenie problemu na funkcje Strategia podpowiedzi Obszary widoku Kwerendy medialne Kiedy dostosowywać układ do różnych obszarów widoku? Scenariusz: responsywna galeria produktów Zadanie Rozwiązanie Wyzwanie Podsumowanie Rozdział 8. Budowanie backendu z użyciem interfejsów Web API Wprowadzenie Problem biznesowy - e-commerce Dziedzina problemu i danych Analiza funkcji Strategia podpowiedzi Interfejsy Web API Jaki język i jaką platformę wybrać? Planowanie interfejsu Web API Tworzenie Web API z użyciem Pythona i Flaska Etap 1. Tworzenie nowego projektu Etap 2. Instalowanie Flaska Etap 3. Tworzenie punktu wejścia Etap 4. Tworzenie aplikacji Flaska Scenariusz: Web API dla witryny e-commerce Etap 1. Tworzenie Web API dla witryny e-commerce Etap 2. Zwracanie danych w formacie JSON zamiast zwykłego tekstu Etap 3. Dodawanie kodu odczytującego i zapisującego bazę danych Etap 4. Ulepszanie kodu Etap 5. Dokumentowanie interfejsu API Zadanie Rozwiązanie Wyzwanie Podsumowanie Rozdział 9. Wzbogacanie aplikacji internetowych o usługi AI Wprowadzenie Problemy biznesowy - e-commerce Dziedzina problemu i danych Analiza funkcji Strategia podpowiedzi Tworzenie modelu Plan działania Importowanie bibliotek Wczytywanie pliku CSV Tworzenie testowego i treningowego zbioru danych Tworzenie modelu Jak dobry jest model? Przewidywanie Zapisywanie modelu w pliku .pkl Tworzenie interfejsu REST API w Pythonie Przekształcanie modelu w format ONNX Tworzenie modelu w formacie ONNX Wczytywanie modelu ONNX w JavaScripcie Instalowanie biblioteki onnxruntime w JavaScripcie Wczytywanie modelu ONNX w JavaScripcie Zadanie - zbuduj w JavaScripcie interfejs REST API, który udostępnia model Rozwiązanie Quiz Podsumowanie Rozdział 10. Konserwacja istniejących baz kodu Wprowadzenie Strategia podpowiedzi Różne typy konserwacji kodu Proces konserwacji Usuwanie usterki 1. Identyfikowanie problemu 2. Implementowanie zmiany Dodawanie nowej funkcji 1. Identyfikowanie problemu i znajdowanie funkcji, które należy zmienić 2. Implementowanie zmiany oraz dodawanie nowej funkcji i testów Zwiększanie wydajności Obliczanie złożoności obliczeniowej w notacji dużego O Mierzenie wydajności Zwiększanie łatwości konserwacji kodu 1. Identyfikowanie problemów. Jakie problemy dostrzegasz? 2. Dodawanie testów i minimalizowanie ryzyka zmian 3. Implementowanie zmiany i zwiększanie łatwości konserwacji Wyzwanie Aktualizowanie istniejącej witryny e-commerce Zadanie Sprawdzian wiedzy Podsumowanie Rozdział 11. Eksploracja danych z użyciem ChatGPT Wprowadzenie Problem biznesowy Dziedzina problemu i danych Przegląd zbioru danych Analiza funkcji Strategia podpowiedzi Strategia 1. Strategia podpowiedzi zadanie - działania - wskazówka (TAG) Strategia 2. Strategia podpowiedzi persona - instrukcje - kontekst (PIC) Strategia 3. Strategia podpowiedzi nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE) Eksploracja danych w zbiorze recenzji produktów Amazona z użyciem bezpłatnej wersji ChatGPT Funkcja 1. Wczytywanie zbioru danych Funkcja 2. Inspekcja danych Funkcja 3. Podsumowania statystyczne Funkcja 4. Badanie zmiennych kategorycznych Funkcja 5. Rozkład ocen Funkcja 6. Trendy czasowe Funkcja 7. Analiza długości recenzji Funkcja 8. Badanie korelacji Eksploracja danych w zbiorze recenzji produktów Amazona z użyciem ChatGPT-4o Zadanie Wyzwanie Podsumowanie Rozdział 12. Budowanie modelu klasyfikacji z użyciem ChatGPT Wprowadzenie Problem biznesowy Dziedzina problemu i danych Przegląd zbioru danych Dzielenie problemu na funkcje Strategia podpowiedzi Strategia 1. Zadanie - działanie - wskazówka (TAG) Strategia 2. Persona - instrukcje - kontekst (PIC) Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE) Budowanie modelu analizy odczuć do dokładnego klasyfikowaniarecenzji produktów Amazona z użyciem bezpłatnej wersji ChatGPT Funkcja 1. Wstępne przetwarzanie danych i inżynieria cech Funkcja 2. Wybór i trening modelu podstawowego Funkcja 3. Ewaluacja i interpretacja modelu Funkcja 4. Obsługa niezrównoważonych danych Funkcja 5. Dostrajanie hiperparametrów Funkcja 6. Eksperymentowanie z reprezentacją cech Budowanie modelu analizy odczuć do dokładnego klasyfikowaniarecenzji produktów Amazona z użyciem ChatGPT-4 lub ChatGPT Plus Funkcja 1. Wstępne przetwarzanie danych i inżynieria cech Funkcja 2. Wybór i trening modelu podstawowego Funkcja 3. Ewaluacja i interpretacja modelu Funkcja 4. Obsługa niezrównoważonych danych Funkcja 5. Dostrajanie hiperparametrów Funkcja 6. Eksperymentowanie z reprezentacją cech Zadanie Wyzwanie Podsumowanie Rozdział 13. Budowanie modelu regresji do prognozowania wydatków klientów z użyciem ChatGPT Wprowadzenie Problem biznesowy Dziedzina problemu i danych Przegląd zbioru danych Dzielenie problemu na funkcje Strategia podpowiedzi Strategia 1. Zadanie - działanie - wskazówka (TAG) Strategia 2. Persona - instrukcje - kontekst (PIC) Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE) Budowanie prostego modelu regresji liniowej do przewidywania rocznej kwoty wydatków z użyciem bezpłatnej wersji ChatGPT Funkcja 1. Budowanie modelu krok po kroku Funkcja 2. Stosowanie technik regularyzacji Funkcja 3. Generowanie syntetycznego zbioru danych w celu zwiększenia złożoności Funkcja 4. Generowanie kodu do tworzenia modelu w jednym kroku dla syntetycznego zbioru danych Nauka prostej regresji liniowej z użyciem ChatGPT Plus Funkcja 1. Budowanie prostego modelu regresji liniowej krok po kroku Funkcja 2. Stosowanie technik regularyzacji Funkcja 3. Generowanie syntetycznego zbioru danych w celu zwiększenia złożoności Funkcja 4. Generowanie kodu do tworzenia modelu w jednym kroku dla syntetycznego zbioru danych Zadanie Wyzwanie Podsumowanie Rozdział 14. Budowanie modelu MLP dla zbioru danych Fashion-MNIST z użyciem ChatGPT Wprowadzenie Problem biznesowy Dziedzina problemu i danych Przegląd zbioru danych Dzielenie problemu na funkcje Strategia podpowiedzi Strategia 1. Zadanie - działania - wskazówki (TAG) Strategia 2. Persona - instrukcje - kontekst (PIC) Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE) Budowanie modelu MLP do dokładnego klasyfikowania obrazów Fashion-MNIST z użyciem bezpłatnej wersji ChatGPT Funkcja 1. Budowanie podstawowego modelu Funkcja 2. Dodawanie warstw do modelu Funkcja 3. Eksperymentowanie z rozmiarami wsadu Funkcja 4. Eksperymentowanie z liczbą neuronów Funkcja 5. Wypróbowywanie różnych optymalizatorów Zadanie Wyzwanie Podsumowanie Rozdział 15. Budowanie modelu CNN dla zbioru danych CIFAR-10 z użyciem ChatGPT Wprowadzenie Problem biznesowy Dziedzina problemu i danych Przegląd zbioru danych Dzielenie problemu na funkcje Strategia podpowiedzi Strategia 1. Zadanie - działania - wskazówki (TAG) Strategia 2. Persona - instrukcje - kontekst (PIC) Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE) Budowanie modelu CNN do dokładnego klasyfikowania obrazów CIFAR-10 z użyciem bezpłatnej wersji ChatGPT Funkcja 1. Budowanie podstawowego modelu CNN z jedną warstwą konwolucyjną Funkcja 2. Eksperymentowanie z dodawaniem warstw konwolucyjnych Funkcja 3. Zastosowanie regularyzacji metodą porzucania Funkcja 4. Implementacja normalizacji wsadowej Funkcja 5. Optymalizacja z użyciem różnych optymalizatorów Funkcja 6. Stosowanie architektury DavidNet Zadanie Wyzwanie Podsumowanie Rozdział 16. Uczenie nienadzorowane - klasteryzacja i PCA Wprowadzenie Dzielenie problemu na funkcje Strategia podpowiedzi Segmentacja klientów Zbiór danych Tworzenie modelu uczenia nienadzorowanego za pomocą asystenta AI Klasteryzacja produktów w projekcie e-commerce Wstępna podpowiedź: określenie kontekstu Wczytywanie i wstępne przetwarzanie danych Inżynieria cech i wstępne przetwarzanie danych tekstowych Wybór algorytmu klasteryzacji Skalowanie cech Stosowanie algorytmu klasteryzacji Interpretacja klastrów i wizualizacja wyników Przypisywanie kategorii do produktów, ewaluacja i dopracowywanie Uwagi dotyczące podpowiedzi użytych w tym przykładzie Zadanie Rozwiązanie Podsumowanie Rozdział 17. Uczenie maszynowe z użyciem Copilota Wprowadzenie Czat GitHub Copilot w Twoim środowisku IDE Jak to działa? Przegląd zbioru danych Etapy eksploracji danych Strategia podpowiedzi Początkowa podpowiedź dotycząca eksploracji danych - określanie ogólnego kontekstu Etap 1. Wczytywanie zbioru danych Wykonywanie kodu do wczytywania danych Etap 2. Inspekcja danych Etap 3. Statystyki zbiorcze Etap 4. Eksploracja zmiennych kategorycznych Etap 5. Rozkład ocen Etap 6. Analiza czasowa Etap 7. Analiza długości recenzji Etap 8. Analiza korelacji Etap 9. Dodatkowa analiza eksploracyjna Etap 10. Wstępne przetwarzanie tekstu Etap 11. Analiza częstości występowania słów Etap 12. Obliczanie wskaźnika wydźwięku Wstępne przetwarzanie tekstu Analiza częstości występowania słów Obliczanie wskaźnika wydźwięku Etap 13. Wizualizacja rozkładu wskaźników wydźwięku Etap 14. Analiza zależności między wskaźnikiem wydźwięku a innymi zmiennymi Wizualizacja rozkładu wskaźników wydźwięku Analiza zależności między wskaźnikiem wydźwięku a innymi zmiennymi Zadanie Rozwiązanie Podsumowanie Rozdział 18. Regresja z użyciem czatu Copilota Wprowadzenie Regresja Przegląd zbioru danych Eksploracja zbioru danych Strategia podpowiedzi Początkowa podpowiedź Eksploracyjna analiza danych Podział danych Budowanie modelu regresji Ewaluacja modelu Miary ewaluacji Zadanie Podsumowanie Rozdział 19. Regresja z użyciem sugestii Copilota Wprowadzenie Przegląd zbioru danych Strategia podpowiedzi Rozpoczynanie kodowania za pomocą Copilota Etap 1. Importowanie bibliotek za pomocą Copilota Etap 2. Wczytywanie i eksploracja zbioru danych Etap 3. Dzielenie danych na zbiory treningowy i testowy Etap 4. Budowanie modelu regresji Etap 5. Trenowanie modelu Etap 6. Ewaluacja modelu Zadanie Podsumowanie Rozdział 20. Efektywniejsza praca z Copilotem Wprowadzenie Generowanie kodu i automatyzacja Aktywny edytor Copilota Czat Copilota Polecenia Copilota Tworzenie notatnika Tworzenie projektu Debugowanie i rozwiązywanie problemów Techniki recenzowania i optymalizowania kodu Przestrzeń robocza Wyszukiwanie funkcji Visual Studio Code Terminal Zadanie Wyzwanie Quiz Podsumowanie Rozdział 21. Agenty w tworzeniu oprogramowania Wprowadzenie Czym są agenty? Jak działają agenty? Prostsze agenty a agenty używające sztucznej inteligencji Prostsze agenty Prosty agent nie jest dobrym rozmówcą Lepsza konwersacja z wywoływaniem narzędzi i użyciem dużych modeli językowych (LLM) Anatomia agenta konwersacyjnego Więcej o wywoływaniu narzędzi w modelach LLM Dodawanie możliwości do GPT z użyciem narzędzi Zaawansowane konwersacje Modelowanie zaawansowanej konwersacji Pseudokod do zaawansowanych konwersacji Agenty autonomiczne Zadanie Wyzwanie Quiz Podsumowanie Materiały dodatkowe Rozdział 22. Wnioski Podsumowanie książki Najważniejsze wnioski Co dalej? I wreszcie.