Midjourney tarafından oluşturulan görüntü
 

7 yıl önce bu ay, KDnuggets başlıklı bir makale yayınladı. Sahte Veri Bilim Adamlarını Tespit Etmek İçin 20 SoruAndrew Fogg tarafından yazılmıştır. Sonraki ay, KDnuggets editörleri sonraki makaledeki soruları toplu olarak yanıtladı. 21 Bilmeniz Gereken Veri Bilimi Mülakat Soruları ve Cevapları.

ChatGPT'yi yeni ve heyecan verici şekillerde kullanmak için - hem ChatGPT'nin kendisi hakkında daha fazla bilgi edinmek hem de veri bilimi mülakat soru konuları hakkında bilgi edinmek için - aynı soruları orijinalin yetmişinci yıldönümünde yeniden canlandırmaya ve ChatGPT'ye yöneltmeye karar verdik.

Bu makalenin başında, bu makaledeki tüm soruların cevaplarının ChatGPT tarafından sağlandığını açık bir şekilde ifade edeceğim. Bu bilgiyle ne yapacaksan yap.

Okurları bu yanıtları, tarafından sağlanan yanıtlarla karşılaştırmaya teşvik ediyorum. 2016'da KDnuggets editörleri, hangi yanıtların daha kapsamlı, hangilerinin daha doğru ve hangilerinin daha iyi okunduğunu görmek için. Aşağıdaki yorumlarda belirli cevapları veya tüm projeyi eleştirmekten çekinmeyin.

Şimdi, ChatGPT'nin, kuruluşunuzda bir iş için başvuran sahte veri bilimcileri tespit etmek için harika adaylar olacağı konusunda hala hemfikir olduğumuz aşağıdaki 10 soruyu yanıtlamada ne kadar başarılı olduğuna bir göz atalım. İlk yarıda ek 10 soru bulabilirsiniz. bu daha önce yayınlanmış makale.

 
11. Seçim yanlılığı nedir, neden önemlidir ve bundan nasıl kaçınabilirsiniz?

Seçim yanlılığı, bir birey örneği rastgele seçilmediğinde ve bu nedenle temsil etmesi gereken popülasyonu doğru şekilde temsil etmediğinde ortaya çıkan bir yanlılık türüdür. Bu, belirli özelliklere göre kişileri seçmek, yalnızca belirli bir alandan katılımcıları işe almak veya yalnızca belirli kriterleri karşılayan kişileri dahil etmek gibi birçok şekilde olabilir.

Yanlış sonuçlara ve kusurlu araştırma bulgularına yol açabileceği için seçim yanlılığı önemlidir. Bir örneklem popülasyonu temsil etmiyorsa, örneklemden çıkarılan herhangi bir çıkarım veya sonuç popülasyonun tamamı için geçerli olmayabilir.

Seçim yanlılığından kaçınmak için araştırmacılar, bir çalışma için katılımcıları seçerken rastgele örnekleme tekniklerini kullanmalıdır. Bu, katılımcıları seçmek için bir rasgele sayı üreteci kullanılarak veya popülasyonun belirli özelliklerini hesaba katan bir tabakalı rasgele örnekleme yaklaşımı kullanılarak yapılabilir. Ek olarak, araştırmacılar işe alım stratejilerinin önyargılı olmadığından ve katılımcıların belirli özellikler nedeniyle çalışmadan dışlanmadığından emin olmalıdır. Araştırmacılar ayrıca örnekleme yöntemlerini makalede ayrıntılı olarak bildirmelidir.

Verileri analiz ederken, numunedeki herhangi bir olası yanlılığı ayarlamak için uygun istatistiksel yöntemlerin kullanılması da önemlidir.

 
12. Kullanıcı davranışıyla ilgili bir soruyu yanıtlamak için deneysel tasarımı nasıl kullanacağınıza dair bir örnek verin.

Kullanıcı davranışıyla ilgili bir soruyu yanıtlamak için deneysel tasarımın nasıl kullanılabileceğine bir örnek, rastgele kontrollü denemedir (RCT).

Diyelim ki soru "Bir web sitesindeki yeni bir özellik kullanıcı katılımını artırır mı?"

Deneysel bir tasarım, web sitesinin kullanıcılarını rastgele iki gruba ayırmak olacaktır: bir kontrol grubu ve bir deney grubu. Kontrol grubu, web sitesini her zamanki gibi kullanmaya devam ederken, deney grubu yeni özelliğe erişebilir.

Araştırmacı daha sonra belirli bir süre boyunca her iki grup için kullanıcı katılımını (örneğin, web sitesinde geçirilen süre, ziyaret edilen sayfa sayısı, yeni özellikle etkileşim sayısı) ölçer. Araştırmacı, iki grubun katılım verilerini karşılaştırarak yeni özelliğin kullanıcı katılımı üzerinde önemli bir etkisinin olup olmadığını belirleyebilir.

İki grubu oluşturmak için rastgele atama kullanarak, iki grup arasında gözlemlenen farklılıkların diğer faktörlerden değil yeni özellikten kaynaklandığından emin olabiliriz. Ek olarak, bir kontrol grubu kullanarak, gözlemlenen farklılıkların şansa bağlı olmadığından emin olabiliriz.

Bu deneysel tasarım, nedensel bir çıkarıma izin verir; bu, araştırmacının, yalnızca bir korelasyonu gözlemlemek yerine, yeni özelliğin kullanıcı katılımındaki değişikliğe neden olduğu sonucuna varabileceği anlamına gelir.

 
13. “uzun” ve “geniş” formatlı veriler arasındaki fark nedir?

"Uzun" formatlı verilerde, her satır tek bir gözlemi temsil eder ve konu kimliği, ilgilenilen değişken ve bu değişkenin değeri gibi farklı değişkenleri temsil eden birkaç sütun vardır. Bu biçim aynı zamanda "yığınlanmış" veya "eritilmiş" veri olarak da bilinir.

Örneğin, 10 kişinin boy ve kilosu üzerine uzun formatta bir çalışma, veriler şöyle görünür:

Konu Kimliği Değişken Değeri
1 Yükseklik 180
1 Ağırlık 75
2 Yükseklik 175
2 Ağırlık 80
... ... ...

"Geniş" formatlı verilerde, her satır bir kişiyi temsil eder ve ilgilenilen farklı değişkenleri temsil eden birkaç sütun vardır ve her değişkenin kendi sütunu vardır. Bu biçim aynı zamanda “yığınlanmamış” veri olarak da bilinir.

Örneğin, yukarıdakiyle aynı veriler, geniş formatta şöyle görünür:

Konu Kimliği Boy Kilo
1 180 75
2 175 80
... ... ...

"Uzun" ve "geniş" formatlı veriler arasındaki temel fark, verilerin düzenlenmesidir, "uzun" formatlı veriler, gözlemler ve değişkenler tarafından düzenlenirken, "geniş" formatlı veriler, gözlemler ve ilgilenilen değişkenler tarafından düzenlenir. Bazı veri analizi ve görselleştirme yöntemleri bir format için diğerine göre daha uygun olabilir ve analiz gereksinimlerine bağlı olarak iki format arasında dönüşüm yapmak alışılmadık bir durum değildir.

 
14. Bir makalede (örneğin gazete) yayınlanan istatistiklerin yanlış olup olmadığını veya belirli bir konuda doğru, kapsamlı olgusal bilgiler yerine yazarın bakış açısını desteklemek için sunulup sunulmadığını belirlemek için hangi yöntemi kullanırsınız?

Belirli bir konuda doğru ve kapsamlı olgusal bilgiler yerine, bir makalede yayınlanan istatistiklerin yanlış olup olmadığını veya yazarın bakış açısını desteklemek için sunulup sunulmadığını belirlemek için kullanılabilecek birkaç yöntem vardır. Bu yöntemlerden bazıları şunlardır:

• Kaynakları kontrol edin: Makalede kullanılan istatistiklerin kaynaklarını arayın ve bunların güvenilirliğini doğrulayın. Saygın kuruluşlar mı yoksa bireyler mi? Akran değerlendirmesinden geçtiler mi veya bağımsız olarak doğrulandılar mı?
• Bağlam arayın: Makalenin tamamını okuduğunuzdan ve istatistiklerin sunulduğu bağlamı anladığınızdan emin olun. Belirli bir bakış açısını veya gündemi desteklemek için mi kullanılıyorlar?
• Diğer kaynaklarla karşılaştırın: Aynı konuda rapor veren diğer kaynakları arayın ve makalede sunulan istatistik ve bilgileri bu kaynaklarla karşılaştırın.
• Yanlılığı kontrol edin: İstatistiklerin sunulma biçiminde herhangi bir yanlılık belirtisi olup olmadığına bakın. Örneğin, verilerin seçici olarak raporlanması, istatistiklerin seçici olarak kullanılması veya verilerin yanıltıcı bir şekilde sunulması.

Örnek Büyüklüğünü ve Temsil Edilebilirliği Dikkate Alın: Bir örnek boyutu küçükse, popülasyonu temsil etmeyebilir ve istatistikler genellenebilir olmayabilir. Ayrıca örneklem rastgele seçilmezse yanlı olabilir.

Metodolojiyi kontrol edin: Verileri toplamak için kullanılan metodolojiyi arayın, eğer açıklanmadıysa, istatistiklerin doğruluğunu değerlendirmek zordur.

İstatistiklerin doğru bağlamda sunulmamaları veya belirli bir bakış açısını veya gündemi desteklemek için kullanılmaları halinde yanıltıcı olabileceğini akılda tutmak da önemlidir. Bu nedenle, istatistik sunan herhangi bir makaleyi okurken eleştirel olmak ve sunulan istatistiklerin doğruluğunu doğrulamak için her zaman ek bilgi kaynakları aramak çok önemlidir.

 
15. Edward Tufte'nin "harita çöplüğü" kavramını açıklayın.

Edward Tufte, veri görselleştirme üzerine birkaç etkili kitap yazan bir istatistikçi ve bilgi tasarımcısıdır. Temel kavramlarından biri, veri görselleştirmelerinde aktarılmakta olan mesajdan uzaklaşan bilgilendirici olmayan veya gereksiz öğelerin kullanımına atıfta bulunan "grafik önemsiz" dir. Bu öğeler, kılavuz çizgileri, dekoratif kenarlıklar, 3B efektler ve gereksiz metin gibi şeyleri içerebilir. Tufte, tablo önemsizliğinin izleyicilerin sunulan bilgileri anlamasını zorlaştırabileceğini ve verilerin karışıklığına ve yanlış yorumlanmasına yol açabileceğini savunuyor.

Tufte'nin ana argümanı, veri görselleştirmenin ana amacının bilgiyi açık ve doğru bir şekilde sunmak olduğu ve bu gereksiz tablonun dikkati bu hedeften uzaklaştırabileceğidir. İyi veri görselleştirmesinin, verilerin kendisine öncelik vermesi, okumayı ve anlamayı kolaylaştırması gerektiğini ve herhangi bir ek öğenin idareli bir şekilde ve yalnızca net bir amaca hizmet etmeleri halinde kullanılması gerektiğini savunuyor.

Ayrıca veri görselleştirmenin basit, açık olması ve tasarım yerine verilere ve verdiği mesaja odaklanması gerektiğini vurguluyor. Ona göre, etkili veri görselleştirmeleri, ek metin veya ek açıklamalara ihtiyaç duymadan tek başına durabilmelidir.

Tufte'nin fikirleri, veri görselleştirme alanında önemli bir etkiye sahip olmuştur ve işletme, veri bilimi ve gazetecilik gibi alanlarda geniş çapta başvurulmaya ve uygulanmaya devam etmektedir.

 
16. Aykırı değerleri nasıl tararsınız ve bir tane bulursanız ne yapmalısınız?

Aykırı değerlerin taranması için aşağıdakiler dahil çeşitli yöntemler vardır:

1. Görsel inceleme: Kutu grafiği veya dağılım grafiği gibi bir grafik kullanarak verilerin çizilmesi, aykırı değerlerin belirlenmesini kolaylaştırabilir. Aykırı değerler tipik olarak diğer veri noktalarından uzakta bulunur.

2. Z-skoru yöntemi: Bu yöntem, verilerin standart sapmasını ve ortalamasını hesaplar ve ardından her veri noktasına bir puan (z-skoru) atar. Belirli bir eşiğin (genellikle 3 veya -3) üzerinde bir z-skoru olan veri noktaları, aykırı değerler olarak kabul edilir.

3. Çeyrekler arası aralık (IQR) yöntemi: Bu yöntem, çeyrekler arası aralığı (75. ve 25. yüzdelikler arasındaki fark) hesaplar ve verilere bir alt ve üst sınır atar. Bu sınırların dışında kalan tüm veri noktaları, aykırı değerler olarak kabul edilir.

4. Mahalanobis Uzaklık yöntemi: Bu yöntem, verilerin ortalamasından her bir veri noktasının Mahalanobis uzaklığını hesaplar. Mahalanobis mesafesi, standart sapmalar açısından bir veri noktasının ortalamadan ne kadar uzakta olduğunun bir ölçüsüdür. Mahalanobis mesafesi belirli bir eşikten daha büyük olan veri noktaları, aykırı değerler olarak kabul edilir.

Aykırı değerler belirlendikten sonra, bunların veriler ve analiz üzerindeki etkilerini dikkate almak önemlidir. Verilerin bağlamına ve araştırma sorusuna bağlı olarak aykırı değerleri ele almanın birkaç yolu vardır:

1. Aykırı değerleri hariç tut: Bu, özellikle aykırı değerler ölçüm hatasının veya veri girişi hatalarının sonucuysa en yaygın yaklaşımdır.

2. Aykırı değerleri tutun ve raporlayın: Aykırı değerler gerçek veri noktalarıysa ve bilgilendirici olduklarına inanılıyorsa, bunların veri setinde tutulması ve analizde raporlanması önemlidir.

3. Verileri dönüştürün: Bazı durumlarda, aykırı değerlerin veriler üzerindeki etkisini azaltabilen bir günlük veya karekök dönüşümü kullanılarak aykırı değerler dönüştürülebilir.

4. Aykırı değerleri araştırın: Aykırı değerler, veri toplama veya ölçüm süreciyle ilgili bir soruna işaret edebilir ve neden ortaya çıktıklarını araştırmak ve anlamak önemlidir.

Aykırı değerleri hariç tutmaya veya tutmaya karar vermeden önce verilerin doğasını, çalışmanın hedeflerini ve verilerin bağlamını göz önünde bulundurmak ve aykırı değerlerin işleyişini nihai raporda raporlamak önemlidir.

 
17. Çok nadir bir olayın olasılığını doğru bir şekilde tahmin etmek için uç değer teorisini, Monte Carlo simülasyonlarını veya matematiksel istatistikleri (veya başka herhangi bir şeyi) nasıl kullanırsınız?

Ekstrem Değer Teorisi (EVT), bir olasılık dağılımının uç noktalarını modelleyerek nadir olayların olasılığını tahmin etmek için kullanılabilir. Bu, bir veri kümesinin aşırı değerlerine Gumbel veya Genelleştirilmiş Pareto dağılımı gibi bir dağılım uydurarak yapılabilir.

Monte Carlo simülasyonları, bir olasılık dağılımından birçok rasgele örnek üreterek ve ilgilenilen olayın kaç kez meydana geldiğini sayarak, nadir bir olayın olasılığını tahmin etmek için de kullanılabilir. Bu, temel dağıtım karmaşık veya bilinmediğinde yararlı olabilir.

Matematiksel istatistikler, maksimum olasılık tahmini veya Bayes çıkarımı gibi yöntemler kullanılarak nadir bir olayın olasılığını tahmin etmek için kullanılabilir. Bu yöntemler, mevcut verilere dayalı olarak bir olayın olasılığını tahmin etmek için matematiksel modeller ve algoritmalar kullanır.

Diğer bir yaklaşım ise, nadir görülen olayları modellemek ve gerçekleşme ihtimalini tahmin etmek için makine öğrenimi yöntemini kullanmaktır.

Tahminin doğruluğunun, verilerin kalitesine ve miktarına, temel dağılım hakkında yapılan varsayımlara ve tahmin için kullanılan yönteme bağlı olduğuna dikkat etmek önemlidir.

 
18. Öneri motoru nedir? O nasıl çalışır?

Öneri motoru, kullanıcılara geçmiş davranışlarına ve tercihlerine göre öğeler önermek için makine öğrenimi algoritmalarını kullanan bir sistemdir. Kullanıcılara kişiselleştirilmiş öneriler sunmak için genellikle e-ticaret, medya ve eğlence ve sosyal medyada kullanılır.

İki ana öneri motoru türü vardır: içerik tabanlı ve işbirlikçi filtreleme.

İçerik tabanlı öneri motorları, bir kullanıcıya benzer öğeler önermek için öğelerin özelliklerini veya niteliklerini kullanır. Örneğin, bir kullanıcı belirli bir oyuncuyla oynadığı filmleri severse, motor o oyuncuyla başka filmler önerebilir.

Öte yandan işbirlikçi filtreleme, öğeleri önermek için kullanıcıların davranışlarını kullanır. Kullanıcıların derecelendirme veya satın alma geçmişi gibi öğelerle etkileşimlerine bakar ve beğendikleri öğeleri önerecek benzer kullanıcıları bulur. İki tür işbirlikçi filtreleme vardır: kullanıcı tabanlı ve öğe tabanlı. Kullanıcı tabanlı CF, bir kullanıcıya diğer kullanıcılara benzerliklerine göre öğeler önerir, öğe tabanlı CF, bir kullanıcının daha önce etkileşimde bulunduğu öğelere benzerliklerine göre öğeler önerir.

Her iki öneri motoru türü de verileri analiz etmek ve önerilerde bulunmak için k-NN, SVD ve matris çarpanlarına ayırma gibi makine öğrenimi algoritmalarını kullanır. Ayrıca, modellerin aşırı uyumunu önlemek için düzenlileştirme ve çapraz doğrulama gibi teknikler kullanırlar.

Genel olarak, öneri motorları, her kullanıcı için kişiselleştirilmiş önerilerde bulunmak üzere kullanıcı davranışı ve öğe özelliklerine ilişkin verileri kullanır. Farklı sektörlerde yaygın olarak kullanılırlar ve kullanıcı katılımını ve satışları artırmaya yardımcı olurlar.

 
19. Yanlış pozitif ve yanlış negatifin ne olduğunu açıklayın. Bunları birbirinden ayırmak neden önemlidir?

Yanlış pozitif, bir test sonucunun belirli bir koşulun gerçekte var olmadığı halde var olduğunu gösterdiği bir durumdur. Örneğin, tıbbi testlerde, bir hastaya gerçekte olmadığı halde belirli bir hastalığı olduğu söylendiğinde yanlış bir pozitif ortaya çıkar.

Öte yandan yanlış negatif, bir test sonucunun belirli bir koşulun gerçekte varken olmadığını gösterdiği bir durumdur. Örneğin, bir hastaya gerçekte belirli bir hastalığı olmadığı söylendiğinde, tıbbi testlerde yanlış negatiflik ortaya çıkar.

Yanlış pozitifler ve yanlış negatifler arasında ayrım yapmak önemlidir, çünkü bunların farklı etkileri vardır. Yanlış bir pozitif, gereksiz tedavilere, prosedürlere veya daha ileri testlere yol açabilirken, yanlış bir negatif, tanı ve tedavide gecikme veya başarısızlıkla sonuçlanabilir.

Makine öğrenimi alanında, yanlış pozitif ile yanlış negatif arasındaki fark da önemlidir. Yanlış pozitif oranı ve yanlış negatif oranı, bir sınıflandırıcının performansını değerlendirmek için yaygın olarak kullanılan iki ölçümdür ve bu, doğruluk ve hatırlama arasındaki değiş tokuşu anlamaya yardımcı olabilir. Örneğin tıbbi bir teşhis probleminde yanlış negatiflik oranı çok yüksekse bu, hastalığa yakalanan birçok hastaya yanlış teşhis konulacağı anlamına gelir ki bu da ciddi sonuçlara yol açabilir.

Problemin önemine, her bir hata türünün maliyetine ve sonuçlarda istenen güven düzeyine bağlı olarak, farklı uygulamaların yanlış pozitifler ve yanlış negatifler arasındaki denge için farklı gereksinimleri vardır.

 
20. Görselleştirme için hangi araçları kullanıyorsunuz? Tablo hakkında ne düşünüyorsunuz? R? SAS mı? (grafikler için). Bir grafikte (veya bir videoda) 5 boyutu verimli bir şekilde nasıl temsil edebilirim?

Veri görselleştirme için kullanılabilecek birçok araç vardır ve araç seçimi, projenin özel gereksinimlerine ve kullanıcının deneyimine bağlı olacaktır. Veri görselleştirme için bazı popüler araçlar şunları içerir:

• Matplotlib ve Seaborn: Bunlar, statik, 2B grafikler ve görselleştirmeler oluşturmak için yaygın olarak kullanılan Python kitaplıklarıdır. Kullanımları kolaydır, geniş bir topluluğa sahiptirler ve Pandalar gibi diğer Python kitaplıklarıyla entegre edilebilirler.
• D3.js: D3.js, etkileşimli, web tabanlı görselleştirmeler oluşturmak için bir JavaScript kitaplığıdır. Haritalar, dağılım grafikleri ve çizgi grafikler gibi karmaşık, etkileşimli görselleştirmeler oluşturmak için yaygın olarak kullanılır.
• Tableau: Tableau, kullanıcıların kolayca etkileşimli, görsel olarak çekici görselleştirmeler oluşturmasını sağlayan güçlü bir veri görselleştirme aracıdır. Veri analistleri ve iş zekası uzmanları tarafından yaygın olarak kullanılır. Tableau çok güçlü ama aynı zamanda oldukça pahalı.
• R: R, veri analizi ve görselleştirme için yaygın olarak kullanılan bir programlama dilidir. Statik, 2B grafikler ve görselleştirmeler oluşturmak için yaygın olarak kullanılan ggplot2 ve lattice gibi veri görselleştirme için çok sayıda pakete sahiptir.
• SAS: SAS, veri analizi ve görselleştirme için yaygın olarak kullanılan bir yazılım paketidir. Dağılım grafikleri, çizgi grafikleri ve ısı haritaları dahil olmak üzere çok çeşitli veri görselleştirme seçeneklerinin yanı sıra 3B grafikler ve animasyonlar gibi gelişmiş görselleştirme seçeneklerine sahiptir.

Bir grafikte 5 boyutu temsil etmek için seçeneklerden biri, her değişkeni bir paralel eksen olarak çizerek çok değişkenli verileri görüntülemeye ve her bir gözlemi her eksendeki değerleri birleştiren bir çoklu çizgi olarak temsil etmeye izin veren paralel koordinat çizimlerini kullanmaktır. Diğer bir seçenek de, değişkenler arasındaki tüm ikili ilişkilerin bir matris formatında gösterilmesine izin veren bir dağılım grafiği matrisi (çift çizim olarak da bilinir) kullanmaktır; bu durumda, farklı boyutları temsil etmek için farklı renkler, şekiller veya boyutlar kullanılabilir.

Diğer bir seçenek de, gözlemleri vurgulayarak ve diğer görünümlere bağlayarak verileri etkileşimli olarak keşfetmeye olanak tanıyan fırçalama ve bağlama ile paralel bir koordinat grafiği kullanmaktır.

Bir videoda 5 boyutu temsil etmek de mümkündür, bir yol, verilerin zaman içinde nasıl değiştiğini göstermek için animasyon kullanmaktır ve başka bir yol, kullanıcıların görsel öğelerle etkileşime girerek verileri keşfetmelerine olanak tanıyan etkileşimli görselleştirmeler kullanmaktır.

Bilgileri etkili bir şekilde iletmek ve kullanıcıyı çok fazla veriyle boğmaktan kaçınmak için dikkatli tasarım seçimleri gerektirdiğinden, bir grafikte veya videoda 5 boyutu temsil etmenin zor olabileceğini unutmamak önemlidir.

 
 
20 sorunun tamamı bu kadar orijinal yayın. Umarız hepimiz cevapların içeriğinden veya ChatGPT'den bunları sağlamasını isteme sürecinden ilginç bir şeyler öğrenmişizdir.

 
 
Matthew Mayo (@mattmayo13) bir Veri Bilimcisi ve çığır açıcı çevrimiçi Veri Bilimi ve Makine Öğrenimi kaynağı olan KDnuggets'ın Genel Yayın Yönetmenidir. İlgi alanları doğal dil işleme, algoritma tasarımı ve optimizasyonu, denetimsiz öğrenme, sinir ağları ve makine öğrenimine yönelik otomatik yaklaşımlardır. Matthew, bilgisayar bilimi alanında yüksek lisans derecesine ve veri madenciliği alanında yüksek lisans diplomasına sahiptir. Editör1'e kdnuggets[dot]com adresinden ulaşılabilir.
 

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://www.kdnuggets.com/2023/02/20-questions-detect-fake-data-scientists-chatgpt-2.html?utm_source=rss&utm_medium=rss&utm_campaign=20-questions-with-answers-to-detect-fake-data-scientists-chatgpt-edition-part-2