├── .gitignore ├── EnglishGuide.MD ├── LICENSE ├── README.md ├── TurkishGuide.md ├── data ├── datacleaning.xlsx ├── edasample.xlsx ├── employeesample_test.csv ├── employeesample_train.csv └── metallicahistory.pdf └── media └── scatterplot.png /.gitignore: -------------------------------------------------------------------------------- 1 | .DS_Store 2 | -------------------------------------------------------------------------------- /EnglishGuide.MD: -------------------------------------------------------------------------------- 1 | # Prompt Engineering Course 2 | 3 | This readme is created for [Prompt Engineering Course](https://www.udemy.com/course/chatgpt-prompt-muhendisligi), feel free to browse it by yourself or along with the course. 4 | 5 | # Prompt Engineering Fundamentals According to ChatGPT 6 | 7 | Prompt engineering is a crucial skill when interacting with AI language models like ChatGPT. It involves crafting prompts in a way that effectively guides the AI to produce the desired output. Here are five fundamentals of prompt engineering with descriptions: 8 | 9 | 1. **Clarity and Specificity**: 10 | - The prompt should be clear and specific about what is being asked. Vague or ambiguous prompts can lead to irrelevant or broad answers. Being specific helps in narrowing down the AI's focus and getting more accurate and relevant responses. 11 | 12 | 2. **Contextual Information**: 13 | - Providing relevant background information or context is essential, especially for complex or nuanced queries. This helps the AI understand the scenario or the specific angle from which the question is being posed, leading to more accurate and tailored responses. 14 | 15 | 3. **Purpose and Goal Orientation**: 16 | - The prompt should have a clear purpose and goal. Whether it's seeking information, generating creative content, solving a problem, or exploring a concept, the prompt should be oriented towards achieving this specific goal. 17 | 18 | 4. **Structured Approach**: 19 | - Using structured frameworks (like RGC, Socratic questioning, or Constraint-Led Frameworks) can significantly enhance the effectiveness of prompts. Such structures help in systematically guiding the AI's responses and ensuring that all relevant aspects of the query are addressed. 20 | 21 | 5. **Iterative Refinement**: 22 | - Prompt engineering often involves an iterative process. Initial responses from the AI can provide insights into how to refine or rephrase subsequent prompts for more precise results. This might involve clarifying misunderstandings, adding more details, or shifting the focus of the query. 23 | 24 | These fundamentals form the backbone of effective prompt engineering, enabling users to interact with AI models like ChatGPT in a more productive and meaningful way. By mastering these principles, users can significantly enhance the quality of the AI's responses and the overall interaction experience. 25 | 26 | Absolutely, let's start with the detailed explanations and examples for best practices in prompt engineering. This section can be added to your README to guide users in crafting effective prompts. 27 | 28 | ## Best Practices in Prompt Engineering 29 | 30 | Effective prompt engineering is crucial for eliciting the best possible responses from AI models. Here are key best practices along with examples: 31 | 32 | ### 1. **Start with Clear, Concise Questions**: 33 | - **Practice**: Use straightforward language and avoid overly complex sentences. 34 | - **Example**: 35 | - Less Effective: "I've been pondering over the possibility of engaging in a culinary activity that involves the preparation of an Italian dish, particularly one that involves pasta." 36 | - More Effective: "How do I make spaghetti carbonara?" 37 | 38 | ### 2. **Provide Adequate Context**: 39 | - **Practice**: Include necessary background information in your prompts. 40 | - **Example**: 41 | - Less Effective: "What should I do next in my project?" 42 | - More Effective: "I'm working on a Python project to analyze social media trends. I've just finished data collection. What should be my next step?" 43 | 44 | ### 3. **Be Specific in Your Requests**: 45 | - **Practice**: Clearly define what you are asking for to get precise responses. 46 | - **Example**: 47 | - Less Effective: "Tell me about Python." 48 | - More Effective: "Can you explain how Python's list comprehensions work?" 49 | 50 | ### 4. **Use Closed-Ended Questions for Specific Information**: 51 | - **Practice**: Ask closed-ended questions when you need specific, concise information. 52 | - **Example**: 53 | - Less Effective: "What can you tell me about the solar system?" 54 | - More Effective: "How many planets are in the solar system?" 55 | 56 | ### 5. **Utilize Open-Ended Questions for Exploration**: 57 | - **Practice**: When seeking a broad range of ideas or creative input, use open-ended questions. 58 | - **Example**: 59 | - Less Effective: "Do you have any story ideas?" 60 | - More Effective: "Can you brainstorm some sci-fi story ideas set in the future?" 61 | 62 | ### 6. **Iteratively Refine Your Prompts**: 63 | - **Practice**: Use the AI's responses to refine and redirect your prompts. 64 | - **Example**: 65 | - Initial Prompt: "How can I improve my website's design?" 66 | - Follow-Up Prompt (after initial response): "Can you suggest specific color schemes and layout ideas for a tech blog site?" 67 | 68 | ### 7. **Avoid Leading or Biased Questions**: 69 | - **Practice**: Craft prompts that are neutral and don’t lead the AI towards a biased or predetermined answer. 70 | - **Example**: 71 | - Less Effective: "Why is Python the best programming language?" 72 | - More Effective: "What are the pros and cons of using Python as a programming language?" 73 | 74 | ### 8. **Consider the AI's Capabilities and Limitations**: 75 | - **Practice**: Tailor your prompts according to what the AI model can realistically achieve. 76 | - **Example**: 77 | - Less Effective: "Can you write a 10,000-word essay on climate change?" 78 | - More Effective: "Can you summarize the key points of climate change in a 500-word essay?" 79 | 80 | ### 9. **Clarify Ambiguities in the AI's Responses**: 81 | - **Practice**: If the AI's response contains ambiguities or uncertainties, use follow-up prompts to clarify. 82 | - **Example**: 83 | - AI Response: "The next step depends on your data format." 84 | - Follow-Up Prompt: "The data is in a CSV format. What should I do next?" 85 | 86 | ### 10. **Balance Detail and Brevity**: 87 | - **Practice**: Provide enough detail for context, but avoid overly lengthy prompts that can confuse the AI. 88 | - **Example**: 89 | - Less Effective: "I have a cat named Whiskers, and he's three years old and loves to play outside. I'm wondering what kind of food I should feed him because he's quite active." 90 | - More Effective: "What is a recommended diet for an active 3-year-old outdoor cat?" 91 | 92 | These best practices will help users formulate prompts that are more likely to yield accurate, relevant, and useful responses from AI models like ChatGPT. By applying these techniques, prompt engineers can greatly enhance the effectiveness of their interactions with AI. 93 | 94 | ## Prompt Priming 95 | 96 | Prompt priming is a technique used in interacting with AI language models like ChatGPT, where the initial input or "prompt" is designed to "prime" the model in a specific way. This priming sets the context or tone for the interaction, influencing how the AI responds. The aim is to guide the AI towards a particular style, format, or type of content in its responses. Here are two examples: 97 | 98 | 1. **Without Creative Writing Priming**: 99 | - Prompt: "Write a story about dragons and elves." 100 | - This prompt is much vaguer, lacking specific details about the setting, characters, and plot. As a result, the AI might produce a generic fantasy story, but it won't necessarily align with the richly detailed and specific scenario of a mystical world, a lost city of gold, and the journey of a character named Elara. 101 | 102 | 2. **Creative Writing Priming**: 103 | - Prompt: "Imagine a mystical world where dragons and elves coexist peacefully. In this world, there's a legend about a lost city made of gold, guarded by a wise old dragon. Write a short story about a young elf named Elara, who embarks on a quest to find this city." 104 | - This prompt primes ChatGPT to generate a creative story in a fantasy setting. It sets the scene, introduces characters, and suggests a plotline, guiding the AI to produce a narrative in a specific genre. 105 | 106 | 3. **Without Technical Explanation Priming**: 107 | - Prompt: "Explain machine learning." 108 | - This prompt is straightforward and lacks the specific instruction to tailor the explanation for high school students. The AI might provide a correct but potentially more technical or less engaging explanation, which might not be as suitable or accessible for a high school audience. 109 | 110 | 4. **Technical Explanation Priming**: 111 | - Prompt: "Explain the concept of machine learning as if you are a teacher addressing a class of high school students. Use simple analogies and avoid technical jargon." 112 | - This prompt primes the model to provide an explanation of a complex topic (machine learning) in a simplified manner, suitable for high school students. It instructs the AI to use analogies and simple language, tailoring the response to the understanding level of the audience. 113 | 114 | These examples illustrate how crucial prompt priming can be in guiding the AI to generate responses that are more closely aligned with the user’s specific needs and expectations. 115 | 116 | ## General Prompt Frameworks 117 | General frameworks like the RGC (Role, Goals, Context) and others offer a structured approach to prompt crafting, ensuring that the prompts are well-rounded and effective. Let's delve into a few of these frameworks with examples: 118 | 119 | 1. **RGC Framework (Role, Goals, Context)**: 120 | - **Role**: Define who or what the AI is supposed to be. 121 | - **Goals**: Specify what you want to achieve with the prompt. 122 | - **Context**: Provide any necessary background information. 123 | - **Example**: "You are a travel advisor. I'm planning a trip to Japan for two weeks in April. My goals are to experience traditional Japanese culture and visit cherry blossom sites. What itinerary would you suggest?" 124 | - **Explanation**: This prompt clearly defines the AI's role (travel advisor), the goal (planning a culturally rich trip to Japan), and the context (two-week trip in April). 125 | 126 | 2. **Constraint-Led Framework**: 127 | - **Constraints**: Explicitly state any limitations or boundaries for the AI's response. 128 | - **Example**: "Write a poem about the ocean, but use only four-line stanzas and avoid using the words 'sea', 'water', or 'blue'." 129 | - **Explanation**: This prompt sets specific constraints (format of the poem and word limitations), guiding the AI to be more creative within these boundaries. 130 | 131 | 3. **Open-Ended Exploration Framework**: 132 | - **Goal**: To encourage broad, imaginative, or speculative responses. 133 | - **Example**: "What might be some unexpected consequences of colonizing Mars?" 134 | - **Explanation**: This prompt invites open-ended speculation, allowing the AI to explore a wide range of possibilities without specific constraints. 135 | 136 | 4. **Skill Demonstration Framework**: 137 | - **Goal**: To prompt the AI to demonstrate a particular skill or capability. 138 | - **Example**: "As a chess instructor, provide an analysis of the famous game between Bobby Fischer and Boris Spassky in 1972, focusing on key moves and strategies." 139 | - **Explanation**: This prompt sets the AI in a specific role (chess instructor) and asks it to demonstrate its ability to analyze a historical chess game, focusing on detailed aspects of the game. 140 | 141 | 5. **Hypothetical Scenario Framework**: 142 | - **Goal**: To explore responses to hypothetical or imaginary situations. 143 | - **Example**: "Imagine if the internet was completely shut down for a month worldwide. How might this affect global communication and business?" 144 | - **Explanation**: This prompt poses a hypothetical scenario, encouraging the AI to think through and explain the possible ramifications of a significant global event. 145 | 146 | Each of these frameworks serves a unique purpose, shaping the AI's responses to be more focused, detailed, and aligned with the user's intent. By carefully selecting and applying these frameworks, users can effectively steer the conversation and extract more meaningful and relevant information from the AI. 147 | 148 | ## Focused Prompt Frameworks 149 | 150 | Focused Prompt Frameworks are structured approaches to crafting prompts that guide AI language models like ChatGPT towards generating more accurate, relevant, and useful responses. Each framework is designed with a specific goal or context in mind, shaping how the prompt is formulated. Here are some common frameworks with examples: 151 | 152 | 1. **Information Retrieval Framework**: 153 | - **Goal**: To extract specific information or facts. 154 | - **Example**: "What are the key differences between Python and JavaScript in terms of syntax and use-cases?" 155 | - **Explanation**: This prompt is designed to elicit clear, factual information about Python and JavaScript. It's specific and straightforward, focusing on 'differences', 'syntax', and 'use-cases'. 156 | 157 | 2. **Creative Generation Framework**: 158 | - **Goal**: To generate original, creative content. 159 | - **Example**: "Create a short story set in a futuristic city where technology controls nature, focusing on a protagonist who rebels against this system." 160 | - **Explanation**: This prompt encourages the AI to create a narrative with specific elements: a futuristic setting, a theme of technology versus nature, and a rebellious protagonist. 161 | 162 | 3. **Problem-Solving Framework**: 163 | - **Goal**: To find solutions or suggest strategies for a stated problem. 164 | - **Example**: "I'm struggling to increase engagement on my educational YouTube channel. What are some effective strategies to boost viewer interaction and retention?" 165 | - **Explanation**: The prompt clearly defines a problem (low engagement on an educational YouTube channel) and asks for specific solutions (strategies for boosting interaction and retention). 166 | 167 | 4. **Learning and Explanation Framework**: 168 | - **Goal**: To explain concepts or teach material in an understandable way. 169 | - **Example**: "Explain the concept of gravitational pull to a 10-year-old without using complex physics terms." 170 | - **Explanation**: This prompt primes the AI to break down the scientific concept of gravity into simple, age-appropriate language. 171 | 172 | 5. **Opinion and Analysis Framework**: 173 | - **Goal**: To generate viewpoints, critiques, or analyses on a given topic. 174 | - **Example**: "Analyze the impact of social media on modern communication, focusing on both its benefits and drawbacks." 175 | - **Explanation**: The prompt asks for a balanced analysis of a contemporary issue, prompting the AI to consider and articulate both positive and negative aspects. 176 | 177 | 6. **Instructional or How-To Framework**: 178 | - **Goal**: To provide step-by-step guidance or instructions. 179 | - **Example**: "Describe the steps involved in baking a chocolate cake for someone who has never baked before." 180 | - **Explanation**: This prompt is structured to elicit a detailed, beginner-friendly guide to baking a chocolate cake, focusing on clear, step-by-step instructions. 181 | 182 | 7. **Comparative Analysis Framework**: 183 | - **Goal**: To compare and contrast different entities or concepts. 184 | - **Example**: "Compare the economic policies of Keynesianism and Monetarism, highlighting their main principles and impacts on modern economies." 185 | - **Explanation**: This prompt is structured to elicit a detailed comparison, focusing on specific aspects like principles and impacts, of two economic theories. 186 | 187 | 8. **Scenario Simulation Framework**: 188 | - **Goal**: To explore hypothetical situations or potential future scenarios. 189 | - **Example**: "Imagine a scenario where renewable energy has completely replaced fossil fuels by 2050. How would this affect global economies and the environment?" 190 | - **Explanation**: This prompt is designed to simulate a future scenario and explore its potential impacts on various aspects of society. 191 | 192 | 9. **Personal Advice Framework**: 193 | - **Goal**: To provide personalized suggestions or guidance based on a specific situation. 194 | - **Example**: "I'm a college student majoring in computer science and feeling overwhelmed. How can I effectively manage my time and reduce stress?" 195 | - **Explanation**: This prompt seeks tailored advice for a specific personal situation, requiring the AI to consider the individual's circumstances. 196 | 197 | 10. **Interactive Storytelling Framework**: 198 | - **Goal**: To create a narrative that involves the user's input at different stages. 199 | - **Example**: "Start a mystery story set in an abandoned mansion. I'll tell you what choices the main character makes at key points." 200 | - **Explanation**: This prompt sets up an interactive storytelling experience, where the user's responses influence the direction of the story. 201 | 202 | Each of these frameworks serves a unique purpose, and the effectiveness of the response greatly depends on how well the prompt is aligned with the chosen framework. By carefully constructing prompts according to these frameworks, you can significantly influence the quality and relevance of the AI's output. 203 | 204 | ## Prompt Revisions 205 | 206 | 1. **Highlight the Primary Keywords in Bold**: 207 | - "Please bold the key terms that are most critical in this text…" 208 | 209 | 2. **Organize Information by Specific Criteria**: 210 | - "Arrange the content chronologically and categorize by date, location, and cost…" 211 | 212 | 3. **Generate Unique and Unusual Ideas**: 213 | - "Can you provide some creative and less common suggestions for…" 214 | 215 | 4. **Incorporate Relevant Emojis for Emphasis**: 216 | - "Add suitable emojis to enhance the expressiveness of this text…" 217 | 218 | 5. **Simplify the Explanation for a Young Audience**: 219 | - "Could you explain this in a way that a 5-year-old would easily understand…" 220 | 221 | 6. **Format Information into a Table with Defined Categories**: 222 | - "Please present this data in a table, sorting it into relevant categories…" 223 | 224 | 7. **Rephrase from an Industry Expert's Viewpoint**: 225 | - "Rewrite this from the perspective of an expert in the field, focusing on professional insights…" 226 | 227 | 8. **Adjust the Tone to Be More Informal/Formal**: 228 | - "Please modify this to sound more formal/informal, adjusting the language and style accordingly…" 229 | 230 | 9. **Correct Grammatical Errors and Replace Specific Terms**: 231 | - "Correct any grammar mistakes and substitute the following terms with…" 232 | 233 | 10. **Infuse Personality and Humor into the Text**: 234 | - "Can you rewrite this to make it more engaging and humorous…" 235 | 236 | 11. **Adopt a Specific Perspective or Voice**: 237 | - "Compose this from the viewpoint of [specified role/character]…" 238 | 239 | 12. **Condense the Content into a Single Tweet**: 240 | - "Summarize this information to fit into a tweet (280 characters)…" 241 | 242 | 13. **Expand the Content into a Three-Part Summary**: 243 | - "Divide this into a three-part summary, covering the main points…” 244 | 245 | 14. **Conduct a Comparative Analysis**: 246 | - "Compare and contrast the key elements, highlighting significant differences and similarities…” 247 | 248 | 15. **Identify and List 10 Key Takeaways**: 249 | - "What are the 10 most important points or takeaways from this content…” 250 | 251 | 16. **Expert Review for Improvement Suggestions**: 252 | - "From a professional standpoint, how would you suggest enhancing this…” 253 | 254 | 17. **Structure the Information in Bullet Points**: 255 | - "Please format this information into a clear, bullet-pointed list…” 256 | 257 | 18. **Translate to a Different Language (if applicable)**: 258 | - "Could you translate this text into [specified language] while retaining its original meaning…” 259 | 260 | 19. **Create a Visual Representation or Infographic**: 261 | - "Turn this data into a visual infographic that highlights the main points…” 262 | 263 | 20. **Draft a Brief Executive Summary**: 264 | - "Compose a concise executive summary that encapsulates the essence of this document…” 265 | 266 | 21. **Develop a List of FAQs Based on the Content**: 267 | - "Can you create a list of frequently asked questions that emerge from this information…” 268 | 269 | 22. **Write a Persuasive Argument for or against a Stated Position**: 270 | - "Formulate a compelling argument either in support of or against the following standpoint…” 271 | 272 | These revised and additional prompts are designed to be more directive and specific, which should help in eliciting more focused and relevant responses from ChatGPT or similar AI language models. They cover a wide range of tasks, from reformatting and simplifying information to creative writing and technical revisions, providing a comprehensive toolkit for effective prompt engineering in various contexts. 273 | 274 | ## Advanced Prompt Techniques for ChatGPT 275 | 276 | Advanced prompt techniques involve leveraging the capabilities of AI language models like ChatGPT to handle complex tasks, improve the accuracy of responses, and creatively use the AI for innovative applications. Here are some key techniques: 277 | 278 | ### 1. **Chaining Prompts for Complex Tasks**: 279 | - **Description**: Breaking down a complex task into a series of smaller, sequential prompts. This method helps in guiding the AI through a multi-step process or a nuanced line of reasoning. 280 | - **Example**: 281 | - **Task**: Research and summarize an article. 282 | - **Prompts**: 283 | 1. "Search for recent articles on renewable energy advancements." 284 | 2. "Select one article and read it." 285 | 3. "Summarize the key points of the article in a concise paragraph." 286 | 287 | ### 2. **Context Layering in Prompts**: 288 | - **Description**: Building layers of context in subsequent prompts to refine the AI's understanding and responses. This technique is especially useful when dealing with complex topics or when you need to steer the conversation in a specific direction. 289 | - **Example**: 290 | - **Initial Prompt**: "Explain quantum computing in simple terms." 291 | - **Follow-Up Prompt**: "Now, based on that explanation, what are the potential future applications of quantum computing in cybersecurity?" 292 | 293 | ### 3. **Creative Storytelling and Scenarios**: 294 | - **Description**: Crafting prompts that guide the AI to generate creative narratives or hypothetical scenarios. This is particularly useful in fields like creative writing, marketing, or scenario planning. 295 | - **Example**: 296 | - **Prompt**: "Write a story where artificial intelligence becomes the primary form of government, exploring both the benefits and challenges." 297 | 298 | ### 4. **Counterfactual Thinking and Hypotheticals**: 299 | - **Description**: Encouraging the AI to think in terms of 'what if' scenarios. This can be useful for exploring alternative outcomes, brainstorming, and strategic planning. 300 | - **Example**: 301 | - **Prompt**: "What if the internet had never been invented? How would that change today's global society?" 302 | 303 | ### 5. **Role-Playing and Perspectives**: 304 | - **Description**: Asking the AI to respond from the perspective of a certain role, 305 | 306 | character, or expert. This technique is beneficial for understanding different viewpoints or for educational purposes where various perspectives are explored. 307 | - **Example**: 308 | - **Prompt**: "Write a dialogue between a climate change activist and an oil company CEO discussing environmental policies." 309 | 310 | ### 6. **Prompting for Analogies and Metaphors**: 311 | - **Description**: Using prompts that ask the AI to explain concepts through analogies or metaphors, which can be particularly effective in teaching complex ideas in a relatable way. 312 | - **Example**: 313 | - **Prompt**: "Explain the concept of a black hole using an analogy suitable for a high school student." 314 | 315 | ### 7. **Sequential Learning Prompts**: 316 | - **Description**: Creating a series of prompts that build on each other to lead the AI through a learning or discovery process. This can be used in educational settings or for in-depth exploration of a subject. 317 | - **Example**: 318 | - **Prompt Sequence**: 319 | 1. "What are the basic principles of economics?" 320 | 2. "How do these principles apply to the concept of supply and demand?" 321 | 3. "Can you give a real-world example of supply and demand in action?" 322 | 323 | ### 8. **Error Correction and Improvement Requests**: 324 | - **Description**: Prompting the AI to identify and correct errors in a given text or its own previous responses, or to suggest improvements to an existing idea or content. 325 | - **Example**: 326 | - **Prompt**: "Here's a summary of renewable energy sources. Can you identify any inaccuracies and suggest improvements?" 327 | 328 | ### 9. **Interactive and Evolving Storylines**: 329 | - **Description**: Using prompts to create an interactive story where the storyline evolves based on user choices or inputs, ideal for entertainment or educational purposes. 330 | - **Example**: 331 | - **Prompt**: "Start a story about a space adventure. After each paragraph, I'll decide what the main character does next." 332 | 333 | ### 10. **Prompting for Predictions and Forecasts**: 334 | - **Description**: Engaging the AI in making predictions or forecasts based on current trends or data. Useful for scenario analysis, market research, and strategic planning. 335 | - **Example**: 336 | - **Prompt**: "Given the current trends in technology, what are your predictions for the top three technological advancements in the next decade?" 337 | 338 | By mastering these advanced prompt techniques, users can significantly enhance the capabilities of AI language models like ChatGPT, leading to more sophisticated interactions and innovative applications. This section will equip learners with the skills to push the boundaries of what can be achieved through effective prompt engineering. 339 | 340 | ## DALL-E 341 | 342 | Here are the key points from the paragraphs, distilled into bullet points, along with examples of effective prompts for DALL-E: 343 | 344 | **Key Points:** 345 | 1. **Clarity and Specificity:** Clearly articulate the main subject and elements of the image. 346 | 2. **Detail Orientation:** Include details about style, composition, color palette, and mood. 347 | 3. **Balancing Specificity and Creativity:** Ensure prompts are detailed enough to guide but not so detailed that they stifle creativity. 348 | 4. **Understanding DALL-E's Capabilities:** Recognize the AI's strengths and limitations in interpreting prompts. 349 | 5. **Style Specification:** Specify artistic style to influence the aesthetic of the image. 350 | 6. **Visual Orientation in Prompts:** Focus on visual elements rather than textual context. 351 | 352 | **Effective Prompt Examples for DALL-E:** 353 | 1. "A tranquil forest scene at sunset, with vibrant autumn colors and a winding stream, in the style of an impressionist painting." 354 | 2. "A futuristic cityscape illuminated by neon lights under a starry night sky, showcasing advanced technology and skyscrapers, in a cyberpunk style." 355 | 3. "A cozy, rustic kitchen interior with a wood-burning stove, copper pots, and an old-fashioned wooden table, bathed in warm morning light." 356 | 4. "A whimsical garden with oversized flowers and butterflies, featuring a path leading to a fairy-tale cottage, in a vibrant, storybook illustration style." 357 | 5. "A serene beach scene with crystal clear water, white sand, and a hammock between two palm trees, capturing the essence of a tropical paradise." 358 | 6. "A bustling medieval market scene with vendors, colorful stalls, and lively townspeople, in a detailed, realistic historical painting style." 359 | 360 | These prompts are designed to be clear and specific, with an emphasis on visual details, style, and mood, showcasing how effectively crafted prompts can guide DALL-E to generate images that closely align with the desired concept. 361 | 362 | DALL-E prompts can be incredibly useful in various business contexts. Here are a few examples that illustrate how they can be tailored for different business needs: 363 | 364 | 1. **Logo Design**: "Create a logo for a new coffee shop named 'Bean Bliss' featuring a steaming coffee cup, in a minimalist style with earthy colors." 365 | 366 | 2. **Product Concept Art**: "Generate an image of a futuristic smartwatch with a sleek, metallic design and an interactive holographic display, suitable for a technology company's product development meeting." 367 | 368 | 3. **Marketing Material**: "Design an eye-catching poster for an organic food market, emphasizing fresh fruits and vegetables with a background of a sunny, open-air market scene, in a vibrant, colorful style." 369 | 370 | 4. **Website Visuals**: "Produce a banner image for a travel agency website that shows a picturesque beach sunset, with silhouettes of a family enjoying a vacation, in a serene and inviting style." 371 | 372 | 5. **Real Estate Development Visualization**: "Create a 3D render of a modern, eco-friendly apartment complex with lush greenery, solar panels, and a communal park area, for a real estate developer's presentation." 373 | 374 | 6. **Fashion Design Inspiration**: "Illustrate an elegant evening gown for a high-end fashion brand, incorporating flowing fabrics, intricate lace details, and a theme of starry night, in a sophisticated style." 375 | 376 | 7. **Product Packaging**: "Design packaging for a line of natural skincare products, featuring soft, soothing colors and imagery of herbal ingredients, in an organic, clean design." 377 | 378 | 8. **Corporate Training Materials**: "Generate an infographic explaining the steps of a new customer service protocol for a corporate training manual, in a clear, easy-to-understand layout." 379 | 380 | 9. **Event Promotion**: "Create a festive flyer for a company's annual gala, with a theme of 'Enchanted Evening', incorporating elements of magic and elegance, in a striking and captivating design." 381 | 382 | 10. **Restaurant Menu Design**: "Design a vintage-style menu for an Italian restaurant, showcasing classic dishes with mouth-watering illustrations and an old-world charm." 383 | 384 | These prompts demonstrate the flexibility and creativity that DALL-E can offer in a business setting, from marketing and product design to training and corporate events. 385 | 386 | ## Case Studies in Prompt Engineering 387 | 388 | Here are some case studies or real-world examples that illustrate the application and impact of effective prompt engineering. 389 | 390 | ### 1. **Customer Service Chatbot Optimization**: 391 | - **Scenario**: A company uses a chatbot to handle customer service inquiries. 392 | - **Challenge**: The chatbot initially struggled with ambiguous customer queries and provided irrelevant answers. 393 | - **Solution**: The company redesigned the chatbot's prompts to be more specific, asking clarifying questions and using a structured approach to guide users in providing necessary details. 394 | - **Outcome**: The chatbot's ability to resolve customer issues improved significantly, leading to higher customer satisfaction and reduced need for human intervention. 395 | 396 | ### 2. **Content Creation for Social Media**: 397 | - **Scenario**: A digital marketing agency uses AI to generate creative content for social media. 398 | - **Challenge**: The initial content generated by the AI was generic and lacked brand-specific tone and style. 399 | - **Solution**: Marketers employed prompt priming, specifying the brand's tone, style, and key messaging in their prompts. 400 | - **Outcome**: The AI began producing content that was more aligned with each brand's unique voice, increasing engagement rates on social media platforms. 401 | 402 | ### 3. **Educational Tool for Learning Programming**: 403 | - **Scenario**: An educational platform uses AI to teach programming concepts. 404 | - **Challenge**: Students found some explanations too technical and hard to follow. 405 | - **Solution**: The prompts were rephrased to ask the AI to explain concepts 'as if to a beginner' or 'using real-world analogies', making them more accessible to students with different levels of expertise. 406 | - **Outcome**: Students reported a better understanding of programming concepts and a more enjoyable learning experience. 407 | 408 | ### 4. **Data Analysis in Research**: 409 | - **Scenario**: Researchers use AI to analyze large datasets. 410 | - **Challenge**: The AI provided overwhelming amounts of raw data without meaningful insights. 411 | - **Solution**: Researchers started using more targeted prompts, asking for specific analyses, trends, and summaries of the data. 412 | - **Outcome**: The AI provided more concise and relevant data interpretations, aiding in quicker and more effective research conclusions. 413 | 414 | ### 5. **Interactive Storytelling in Gaming**: 415 | - **Scenario**: A game development company integrates AI for dynamic storytelling. 416 | - **Challenge**: The stories generated were often incoherent and did not adapt well to player choices. 417 | - **Solution**: The developers used complex, iterative prompts that evolved based on player decisions, creating a more adaptive storytelling experience. 418 | - **Outcome**: The game received praise for its innovative and responsive narrative structure, enhancing player engagement. 419 | 420 | ### 6. **Healthcare Information Dissemination**: 421 | - **Scenario**: A healthcare organization uses AI to provide information to patients. 422 | - **Challenge**: Initial responses were too technical, causing confusion among patients. 423 | - **Solution**: The organization used the Learning and Explanation Framework, asking the AI to explain medical conditions and treatments in simple, layman's terms. 424 | - **Outcome**: Patients reported better understanding and greater satisfaction with the information provided, leading to improved health outcomes. 425 | 426 | ### 7. **Legal Document Summarization for Law Firms**: 427 | - **Scenario**: A law firm uses AI to summarize lengthy legal documents. 428 | - **Challenge**: The AI's initial summaries were either too detailed or missed critical information. 429 | - **Solution**: The firm developed structured prompts, asking the AI to highlight key legal points, implications, and actionable items. 430 | - **Outcome**: The summaries became more useful for quick decision-making, saving time for lawyers and clients. 431 | 432 | ### 8. **Language Learning Application**: 433 | - **Scenario**: An app designed to help users learn new languages using AI. 434 | - **Challenge**: Users were not retaining information effectively with the initial method. 435 | - **Solution**: The app incorporated a Socratic Framework, where the AI asked users questions, encouraging them to recall and use new vocabulary and grammar rules. 436 | - **Outcome**: Users experienced improved language retention and reported a more interactive and effective learning process. 437 | 438 | These case studies provide tangible examples of how prompt engineering can be strategically applied across different industries to optimize AI interactions. They not only highlight the versatility of AI language models but also underscore the importance of well-crafted prompts in harnessing their full potential. 439 | 440 | ## Data Analysis & Data Science 441 | 442 | ### 1. Data Cleaning 443 | 444 | ### **Example Data and Prompt for Data Cleaning**: 445 | - **Description**: In data analysis, data cleaning tasks can appear in many different sizes and involve various tasks. Once we provide ChatGPT with the necessary commands properly, it is possible to automate these tasks. 446 | - **Example**: 447 | - **Task**: Uploaded in this repo, [datacleaning.xlsx](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/datacleaning.xlsx) file contains a Feedback column with spelling errors. We aim to minimize these errors before a task that involves word analysis. 448 | - **Prompt**: 449 | "I am uploading an excel file that contains IDs and feedback from customers. You can access the IDs from the ID column and the feedback from the Feedback column. There are many spelling errors in the Feedback column. I want to clean up these spelling errors as much as possible, considering standard spelling rules. Can you correct these errors and create a new excel table?" 450 | 451 | ### 2. EDA (Exploratory Data Analysis) 452 | 453 | ### **Example Data and Prompts for EDA**: 454 | - **Description**: EDA is a method frequently encountered in data science for understanding and visualizing data. It is possible to perform EDA analyses with ChatGPT using clean data. 455 | - **Example**: 456 | - **Task**: Uploaded in this repo, [edasample.xlsx](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/edasample.xlsx) contains revenue, unit sales and customer rating data. 457 | - **Prompt 1**: 458 | "I am uploading an excel file with revenue figures (Sales column), sales quantities (Transactions column), and customer rating figures (Customer Ratings column). These data are divided by regions (Region column). Which region has the highest sales figures, and what might be a possible explanation for this?" 459 | - **Prompt 2**: 460 | "How does customer satisfaction vary by region and what strategic implications should we consider?" 461 | - **Prompt 3**: 462 | "Considering the data on sales and customer satisfaction, which region should we focus on improving operations?" 463 | - **Prompt 4**: 464 | "Which type of graph would best illustrate the relationship between revenue, sales quantities, and customer satisfaction?" 465 | - **Prompt 5**: 466 | "Would it be possible to create a Scatter Plot graph for this?" 467 | - **Prompt 6**: 468 | "What is the average sales figure for this company? What is the average customer satisfaction? What is the average sales quantity?" 469 | 470 | scatterplot.png 471 | 472 | ### 3. Predictive Analysis & Modeling 473 | 474 | ### **Example Data and Prompt Predictive Analysis & Modeling**: 475 | - **Description**: Predictive modeling is a common occurrence in data science. It typically involves steps like data cleaning, interpreting changes within the data (such as converting YES, NO columns to 1, 0), and building a regression model, which are familiar steps for people skilled in data science. Using ChatGPT, we can follow these steps one by one and accelerate the path needed at least when creating a model. 476 | - **Example**: 477 | - **Task**: Uploaded in this repo [employeesample_train.csv](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/employeesample_train.csv) and [employeesample_test.csv](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/employeesample_test.csv) files contain information about employees' salaries, satisfaction, and attrition. We aim to build a predictive model to forecast whether employees will leave. 478 | - **Prompt**: 479 | "I am uploading two datasets one for training one for test, with fields such as Age, Job Role, Monthly Income, Job Satisfaction, and Attrition. You can use employeesample_train.csv for training, employeesample_test.csv for testing the model. I'd like to build a predictive model to forecast employee attrition. The model should consider all available features. Could you guide me through the steps to preprocess this data, select the most relevant features, and apply a logistic regression model using Python? Also, please provide a brief explanation of each step and how each feature might influence attrition predictions." 480 | 481 | ## Instructions for the Metallica GPT Model: 482 | 483 | As a Metallica Master, your job is to provide detailed and in-depth information about the Metallica band. Dive deep into the band's history, albums, tours, band members and other information, including lesser-known facts. Your answers should be comprehensive, covering well-known aspects as well as more obscure details. 484 | 485 | Stick to verifiable facts and well-known information about the group, avoiding speculation or unverified rumors. In case of unclear or incomplete questions, ask for clarification to provide accurate and relevant answers. 486 | 487 | Enthusiastically engage users according to their interest level, whether they are casual listeners or avid fans. Your detailed responses should reflect your deep understanding and passion for Metallica and maintain a friendly yet respectful tone throughout the interaction. 488 | 489 | Must be able to provide information about past and future tour details; such as dates, venues and highlights from particular concerts or tours. metallica.pdf submitted to GPT should be used as an extra source of information. It would be appropriate to take a look at this source, especially if the information sought or an answer to the question asked cannot be found. If no answer is found in this source, a web search can be performed and its results displayed. 490 | 491 | **ChatGPT Instruction Recommendations** 492 | 493 | 1. **Comprehensive Band Knowledge**: This GPT model is designed to possess detailed knowledge about Metallica's entire history. It should cover the formation of the band, key milestones, album releases, changes in the lineup, and significant events in their career. 494 | 495 | 2. **Music Catalog Insights**: The model should be adept at providing information on Metallica's discography. This includes details on each album and song, such as release dates, contributing artists, chart performance, and notable achievements or awards. 496 | 497 | 3. **Lyric Analysis**: The GPT is instructed to offer interpretations and discussions on the themes and narratives within Metallica's song lyrics. However, it must respect copyright limitations, providing summaries and discussions without reproducing lyrics verbatim. 498 | 499 | 4. **Tour and Concert Information**: The model should be able to discuss past and future tour details, including dates, venues, and highlights from specific concerts or tours. 500 | 501 | 5. **Band Member Information**: Detailed profiles of both current and former Metallica band members are essential. This includes their roles in the band, personal biographies, and contributions to the band's music and legacy. 502 | 503 | 6. **Cultural Impact Discussion**: The GPT is instructed to articulate Metallica's influence on the heavy metal genre and their broader impact on music culture, including discussions on their stylistic evolution and contributions to the genre. 504 | 505 | 7. **Fan Engagement**: It should respond to common fan queries, including information about fan clubs, merchandise, meet-and-greets, and other fan-related activities. 506 | 507 | 8. **Collaborations and Side Projects**: Include information about Metallica's collaborations with other artists, as well as any side projects or notable contributions to various media by the band members. 508 | 509 | 9. **Music Style and Technique Analysis**: The model is to analyze Metallica's musical style, instrumental techniques, and their evolution across their career, offering insights into their artistic development. 510 | 511 | 10. **Sensitive Topics Handling**: The GPT must handle sensitive topics related to the band, such as the death of Cliff Burton and any controversies, with respect and tact. 512 | 513 | 11. **Interactive Elements**: The model should include interactive features like quizzes about the band, song recommendations, or lyric snippet-based games, to engage users in a more dynamic way. 514 | 515 | 12. **Utilization of Metallica PDF**: Instruct the GPT to utilize the information in the provided Metallica.pdf as a primary source, ensuring responses are accurate and comprehensive. 516 | 517 | 13. **Responses to Uncertain Queries**: If the GPT encounters a question it cannot fully answer, it should be programmed to respond appropriately, perhaps suggesting alternative resources for further information. 518 | 519 | 14. **Adherence to Legal and Ethical Standards**: Ensure that the GPT model follows legal guidelines around copyright and ethical considerations, especially in relation to discussing copyrighted materials. 520 | 521 | These instructions are designed to create a GPT model that serves as a knowledgeable and engaging resource on all things Metallica, providing fans and users with a deep, respectful, and interactive experience surrounding the band's legacy. 522 | 523 | ## Python Application written in ChatGPT for Developers Section 524 | ``` 525 | import requests 526 | 527 | url = "https://raw.githubusercontent.com/atilsamancioglu/K21-JSONDataSet/master/crypto.json" 528 | 529 | response = requests.get(url) 530 | 531 | data = response.json() 532 | 533 | sorted_data = sorted(data, key=lambda x: float(x['price']), reverse=True) 534 | 535 | for item in sorted_data[:10]: 536 | print(f"Currency: {item['currency']}, Price: {item['price']}") 537 | ``` 538 | 539 | ## Refactoring Example in ChatGPT for Developers Section 540 | 541 | ***Before Refactoring*** 542 | ``` 543 | numbers = [] 544 | i = 1 545 | while len(numbers) < 10: 546 | square = i * i 547 | numbers.append(square) 548 | i = i + 1 549 | 550 | for j in range(len(numbers)): 551 | number = numbers[j] 552 | root = number ** 0.5 553 | print("Square:", number, "Root:", root) 554 | 555 | ``` 556 | ***After Refactoring*** 557 | ``` 558 | # Generate the first 10 perfect squares using list comprehension 559 | perfect_squares = [i ** 2 for i in range(1, 11)] 560 | 561 | # Iterate through the list of perfect squares and print each with its root 562 | for square in perfect_squares: 563 | root = square ** 0.5 564 | print(f"Square: {square}, Root: {root:.2f}") # Formatted output for readability 565 | 566 | ``` 567 | 568 | ## Code Review in ChatGPT for Developers Section 569 | ***Before Bug Fix*** 570 | ``` 571 | def merge_sorted_lists(list1, list2): 572 | merged_list = [] 573 | i, j = 0, 0 574 | 575 | while i < len(list1) and j < len(list2): 576 | if list1[i] < list2[j]: 577 | merged_list.append(list1[i]) 578 | i += 1 579 | else: 580 | merged_list.append(list2[j]) 581 | j += 1 582 | 583 | return merged_list 584 | 585 | list1 = [10,20,30] 586 | list2 = [40,50,60] 587 | print(merge_sorted_lists(list1,list2)) 588 | 589 | ``` 590 | ***After Bug Fix*** 591 | ``` 592 | def merge_sorted_lists_fixed(list1, list2): 593 | merged_list = [] 594 | i, j = 0, 0 595 | 596 | while i < len(list1) and j < len(list2): 597 | if list1[i] < list2[j]: 598 | merged_list.append(list1[i]) 599 | i += 1 600 | else: 601 | merged_list.append(list2[j]) 602 | j += 1 603 | 604 | # Append remaining elements from list1 and list2 605 | while i < len(list1): 606 | merged_list.append(list1[i]) 607 | i += 1 608 | 609 | while j < len(list2): 610 | merged_list.append(list2[j]) 611 | j += 1 612 | 613 | return merged_list 614 | 615 | list1 = [10,20,30] 616 | list2 = [40,50,60] 617 | print(merge_sorted_lists_fixed(list1,list2)) 618 | ``` 619 | ## Unit Test Example in ChatGPT for Developers Section 620 | ***Function*** 621 | ``` 622 | def factorial(n): 623 | if n < 0: 624 | return "Error: Negative number" 625 | elif n == 0: 626 | return 1 627 | else: 628 | result = 1 629 | for i in range(1, n + 1): 630 | result *= i 631 | return result 632 | ``` 633 | ***Unit Test*** 634 | ``` 635 | import unittest 636 | 637 | class TestFactorialFunction(unittest.TestCase): 638 | 639 | def test_factorial_positive(self): 640 | self.assertEqual(factorial(5), 120, "Should be 120") 641 | 642 | def test_factorial_zero(self): 643 | self.assertEqual(factorial(0), 1, "Factorial of 0 should be 1") 644 | 645 | def test_factorial_negative(self): 646 | self.assertEqual(factorial(-1), "Error: Negative number", "Should return an error message for negative numbers") 647 | 648 | def test_factorial_non_integer(self): 649 | with self.assertRaises(TypeError): 650 | factorial("abc") 651 | 652 | if __name__ == '__main__': 653 | unittest.main() 654 | ``` 655 | 656 | ## Google Sheet Integration 657 | 658 | ``` 659 | function sendToOpenAI(prompt) { 660 | 661 | const payload = { 662 | model: "gpt-3.5-turbo", 663 | messages: [ 664 | { 665 | role: "system", 666 | content: "You are a social media manager. You generate instagram post texts" 667 | }, 668 | { 669 | role: "user", 670 | content: prompt 671 | }, 672 | ], 673 | temperature: 1, 674 | max_tokens: 150 675 | }; 676 | 677 | const options = { 678 | method: "post", 679 | contentType: "application/json", 680 | headers: { 681 | "Authorization": "Bearer " + "OPEN-AI-API-KEY", 682 | }, 683 | payload: JSON.stringify(payload), 684 | }; 685 | 686 | const response = UrlFetchApp.fetch("https://api.openai.com/v1/chat/completions", options); 687 | const data = JSON.parse(response.getContentText()); 688 | const message = data.choices[0].message.content; 689 | 690 | return message; 691 | } 692 | ``` 693 | 694 | ## References 695 | 696 | - [awesome-chatgpt-prompts] - Awesome ChatGPT Prompts 697 | 698 | ## License 699 | 700 | MIT 701 | 702 | [//]: # (These are reference links used in the body of this note and get stripped out when the markdown processor does its job. There is no need to format nicely because it shouldn't be seen.) 703 | 704 | [awesome-chatgpt-prompts]: 705 | 706 | 707 | -------------------------------------------------------------------------------- /LICENSE: -------------------------------------------------------------------------------- 1 | MIT License 2 | 3 | Copyright (c) 2024 Atıl Samancıoğlu 4 | 5 | Permission is hereby granted, free of charge, to any person obtaining a copy 6 | of this software and associated documentation files (the "Software"), to deal 7 | in the Software without restriction, including without limitation the rights 8 | to use, copy, modify, merge, publish, distribute, sublicense, and/or sell 9 | copies of the Software, and to permit persons to whom the Software is 10 | furnished to do so, subject to the following conditions: 11 | 12 | The above copyright notice and this permission notice shall be included in all 13 | copies or substantial portions of the Software. 14 | 15 | THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR 16 | IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, 17 | FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE 18 | AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER 19 | LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, 20 | OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE 21 | SOFTWARE. 22 | -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | # Prompt Engineering Course 2 | 3 | This readme is created for [Prompt Engineering Course](https://www.udemy.com/course/chatgpt-prompt-muhendisligi/), feel free to browse it by yourself or along with the course. 4 | 5 | Checkout the [Turkish Guide](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/TurkishGuide.md) or [English Guide](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/EnglishGuide.MD) for full content. 6 | -------------------------------------------------------------------------------- /TurkishGuide.md: -------------------------------------------------------------------------------- 1 | 2 | # Prompt Mühendisliği Kursu 3 | 4 | Bu readme, [Prompt Mühendisliği Kursu](https://www.udemy.com/course/chatgpt-prompt-muhendisligi) için oluşturulmuştur, kursa kendiniz göz atabilir veya kursla birlikte inceleyebilirsiniz. 5 | 6 | # ChatGPT'ye Göre Prompt Mühendisliği Temelleri 7 | 8 | ChatGPT gibi AI dil modelleriyle etkileşimde bulunurken prompt mühendisliği kritik bir beceridir. Bu, AI'ın istenen çıktıyı üretmesini etkin bir şekilde yönlendiren promptların hazırlanmasını içerir. İşte prompt mühendisliğinin beş temeli ve açıklamaları: 9 | 10 | 1. **Açıklık ve Özgüllük**: 11 | - Sorulan şey açık ve özgül olmalıdır. Belirsiz veya muğlak promptlar, alakasız veya genel yanıtlara yol açabilir. Özgül olmak, AI'ın odaklanmasını daraltmaya ve daha doğru ve alakalı yanıtlar almanıza yardımcı olur. 12 | 13 | 2. **Bağlamsal Bilgi**: 14 | - Kompleks veya ince ayrıntılı sorgular için gerekli arka plan bilgisinin veya bağlamın sağlanması esastır. Bu, AI'ın senaryoyu veya sorunun hangi açıdan geldiğini anlamasına yardımcı olur ve daha doğru ve özel yanıtlara yol açar. 15 | 16 | 3. **Amaç ve Hedef Odaklılık**: 17 | - Promptun açık bir amacı ve hedefi olmalıdır. Bilgi aramak, yaratıcı içerik üretmek, bir problemi çözmek veya bir konsepti keşfetmek olsun, prompt bu belirli hedefe yönelik olmalıdır. 18 | 19 | 4. **Yapılandırılmış Yaklaşım**: 20 | - Yapılandırılmış çerçeveler kullanmak 21 | 22 | (RGC, Sokratik sorgulama veya Kısıtlama Odaklı Çerçeveler gibi) promptların etkinliğini önemli ölçüde artırabilir. Bu yapılar, AI'ın yanıtlarını sistematik bir şekilde yönlendirmeye ve sorgunun tüm ilgili yönlerini ele almaya yardımcı olur. 23 | 24 | 5. **İteratif İyileştirme**: 25 | - Prompt mühendisliği genellikle iteratif bir süreçtir. AI'ın ilk yanıtları, sonraki promptları daha kesin sonuçlar için nasıl yeniden formüle edebileceğiniz veya iyileştirebileceğiniz konusunda fikir verebilir. Bu, yanlış anlamaları açıklığa kavuşturmak, daha fazla ayrıntı eklemek veya sorgunun odak noktasını değiştirmek anlamına gelebilir. 26 | 27 | Bu temeller, kullanıcıların ChatGPT gibi AI modelleriyle daha üretken ve anlamlı bir şekilde etkileşimde bulunmalarını sağlayan etkili prompt mühendisliğinin temel taşlarıdır. Bu ilkeleri uygulayarak kullanıcılar, AI'ın yanıtlarının kalitesini ve genel etkileşim deneyimini önemli ölçüde artırabilir. 28 | 29 | ## Prompt Mühendisliğinde İyi Uygulamalar 30 | 31 | AI modellerinden en iyi olası yanıtları elde etmek için etkili prompt mühendisliği kritik öneme sahiptir. İşte bazı ana iyi uygulamalar ve örnekler: 32 | 33 | ### 1. **Açık, Kısa Sorularla Başlayın**: 34 | - **Uygulama**: Anlaşılır dil kullanın ve gereğinden fazla karmaşık cümlelerden kaçının. 35 | - **Örnek**: 36 | - Daha Az Etkili: "Bir İtalyan yemeği, özellikle de makarna içeren bir yemek hazırlama olasılığı üzerine düşünüyordum." 37 | - Daha Etkili: "Spagetti carbonara nasıl yapılır?" 38 | 39 | ### 2. **Yeterli Bağlam Sağlayın**: 40 | - **Uygulama**: Promptlarınıza gerekli arka plan bilgilerini dahil edin. 41 | - **Örnek**: 42 | - Daha Az Etkili: "Projemdeki bir sonraki adımım ne olmalı?" 43 | - Daha Etkili: "Python kullanarak sosyal medya trendlerini analiz eden bir proje üzerinde çalışıyorum. Veri toplama işlemini tamamladım. Bir sonraki adımım ne olmalı?" 44 | 45 | ### 3. **Taleplerinizde Özgül Olun**: 46 | - **Uygulama**: Ne istediğinizi net bir şekilde tanımlayın, böylece kesin yanıtlar alın. 47 | - **Örnek**: 48 | - Daha Az Etkili: "Bana Python'dan bahsedin." 49 | - Daha Etkili: "Python'daki liste kavrayışları nasıl işler anlatabilir misiniz?" 50 | 51 | ### 4. **Belirli Bilgiler için Kapalı Uçlu Sorular Kullanın**: 52 | - **Uygulama**: Belirli, öz bilgiler gerektiğinde kapalı uçlu sorular sorun. 53 | - **Örnek**: 54 | - Daha Az Etkili: "Bana güneş sisteminden bahsedebilir misin?" 55 | - Daha Etkili: "Güneş sisteminde kaç gezegen var?" 56 | 57 | ### 5. **Keşif için Açık Uçlu Soruları Kullanın**: 58 | - **Uygulama**: Geniş bir fikir yelpazesi veya yaratıcı girdi aradığınızda açık uçlu sorular kullanın. 59 | - **Örnek**: 60 | - Daha Az Etkili: "Herhangi bir hikaye fikrin var mı?" 61 | - Daha Etkili: "Gelecekte geçen bilim kurgu hikaye fikirleri üzerine beyin fırtınası yapabilir misin?" 62 | 63 | ### 6. **Promptlarınızı İteratif Olarak İyileştirin**: 64 | - **Uygulama**: AI'ın yanıtlarını kullanarak promptlarınızı iyileştirin ve yönlendirin. 65 | - **Örnek**: 66 | - İlk Prompt: "Web sitemin tasarımını nasıl geliştirebilirim?" 67 | - Takip Promptu (ilk yanıttan sonra): "Teknoloji blogu için özel renk şemaları ve düzen fikirleri önerebilir misin?" 68 | 69 | ### 7. **Önyargılı veya Yönlendirici Prompt'lardan Kaçının**: 70 | - **Uygulama**: AI'ı önyargılı veya önceden belirlenmiş bir yanıta yönlendirmeyecek tarafsız prompt'lar hazırlayın. 71 | - **Örnek**: 72 | - Daha Az Etkili: "Python neden en iyi programlama dili?" 73 | - Daha Etkili: "Python programlama dilini kullanmanın artıları ve eksileri nelerdir?" 74 | 75 | ### 8. **AI'nın Yeteneklerini ve Sınırlamalarını Göz Önünde Bulundurun**: 76 | - **Uygulama**: Protmp'larınızı, AI modelinin gerçekçi olarak başarabilecekleriyle uyumlu hale getirin. 77 | - **Örnek**: 78 | - Daha Az Etkili: "İklim değişikliği hakkında 10.000 kelimelik bir makale yazabilir misin?" 79 | - Daha Etkili: "İklim değişikliğinin anahtar noktalarını 500 kelimelik bir özetle anlatabilir misin?" 80 | 81 | ### 9. **AI'nın Yanıtlarındaki Belirsizlikleri Açıklığa Kavuşturun**: 82 | - **Uygulama**: AI'nın yanıtlarında belirsizlikler veya belirsizlikler varsa, açıklığa kavuşturmak için takip prompt'ları kullanın. 83 | - **Örnek**: 84 | - AI Yanıtı: "Bir sonraki adım veri formatınıza bağlı." 85 | - Takip Sorusu: "Veriler CSV formatında. Bundan sonra ne yapmalıyım?" 86 | 87 | ### 10. **Detay ile Özlülüğü Dengeleyin**: 88 | - **Uygulama**: Bağlam için yeterli detay sağlayın, ancak AI'ı karıştırabilecek aşırı uzun prompt'lardan kaçının. 89 | - **Örnek**: 90 | - Daha Az Etkili: "Whiskers adında üç yaşında dışarıda oynamayı seven bir kedim var. Ona ne tür yiyecekler vermem gerektiğini düşünüyorum çünkü oldukça aktif." 91 | - Daha Etkili: "Aktif bir 3 yaşındaki dış mekan kedisi için önerilen diyet nedir?" 92 | 93 | Bu en iyi uygulamalar, kullanıcıların AI modellerinden daha doğru, alakalı ve yararlı yanıtlar almasını sağlayacak prompt'lar formüle etmesine yardımcı olur. Bu teknikleri uygulayarak, kullanıcılar AI ile etkileşimlerinin etkinliğini büyük ölçüde artırabilirler. 94 | 95 | ## Prompt Yönlendirme (Prompt Priming) 96 | 97 | Prompt yönlendirme, ChatGPT gibi AI dil modelleriyle etkileşimde kullanılan bir tekniktir, burada ilk giriş veya "prompt" modeli özel bir şekilde "yönlendirmek" için tasarlanır. Bu yönlendirme, etkileşimin bağlamını veya tonunu belirler ve AI'nın yanıtlarını etkiler. Amaç, AI'yı yanıtlarında belirli bir stil, format veya içerik türüne yönlendirmektir. İşte iki örnek: 98 | 99 | 1. **Yaratıcı Yazı Yönlendirmesiz**: 100 | - Prompt: "Ejderhalar ve elfler hakkında bir hikaye yazın." 101 | - Bu prompt çok daha belirsiz, ortam, karakterler ve konu hakkında özel detaylar içermez. Sonuç olarak, AI genel bir fantezi hikayesi üretebilir, ancak mistik bir dünya, kayıp altın şehir ve Elara adında bir karakterin yolculuğu gibi zengin detaylı ve özel bir senaryo ile mutlaka uyumlu olmayabilir. 102 | 103 | 2. **Yaratıcı Yazı Yönlendirme**: 104 | - Prompt: "Ejderhalar ve elflerin barış içinde yaşadığı mistik bir dünyayı hayal edin. Bu dünyada, bilge bir ejderha tarafından korunan altından yapılmış kayıp bir şehir efsanesi var. Genç bir elf olan Elara'nın bu şehri bulmak için çıktığı bir macerayı anlatan kısa bir hikaye yazın." 105 | - Bu prompt, ChatGPT'yi fantezi bir ortamda yaratıcı bir hikaye üretmeye yönlendirir. Sahneyi kurar, karakterleri tanıtır ve bir konu önerir, AI'ı belirli bir türde bir anlatı üretmesi için yönlendirir. 106 | 107 | 3. **Teknik Açıklama Yönlendirmesiz**: 108 | - Prompt: "Makine öğrenimini açıklayın." 109 | - Bu prompt doğrudan ve lise öğrencileri için açıklamayı özelleştirmek için spesifik talimat eksiktir. AI doğru ama muhtemelen daha teknik veya az çekici bir açıklama sağlayabilir, bu da lise seviyesindeki bir kitle için uygun veya erişilebilir olmayabilir. 110 | 111 | 4. **Teknik Açıklama Yönlendirme**: 112 | - Prompt: "Makine öğrenimi konseptini, bir lise sınıfına ders veren bir öğretmenmiş gibi açıklayın. Basit benzetmeler kullanın ve teknik jargondan kaçının." 113 | - Bu prompt, AI'ı makine öğrenimi gibi karmaşık bir konuyu basitleştirilmiş bir şekilde, lise öğrencilerine uygun bir dille açıklamak için yönlendirir. AI'ya benzetmeler kullanması ve basit dil kullanarak yanıt vermesi talimatı verilir, böylece yanıtı öğrencilerin anlayış seviyesine uygun hale getirilir. 114 | 115 | Bu örnekler, kullanıcıların belirli ihtiyaçlarına ve beklentilerine daha yakın yanıtlar üretmek için AI'ı yönlendirmede prompt yönlendirmenin ne kadar önemli olduğunu gösterir. 116 | 117 | ## Genel Prompt Çerçeveleri 118 | RGC (Rol, Hedefler, Bağlam) gibi genel çerçeveler, prompt'ların dengeli ve etkili olmasını sağlamak için yapılandırılmış bir yaklaşım sunar. Bu çerçevelerin bazılarına ve örneklerine daha yakından bakalım: 119 | 120 | 1. **RGC Çerçevesi (Rol, Hedefler, Bağlam)**: 121 | - **Rol**: AI'nın ne veya kim olduğunu tanımlayın. 122 | - **Hedefler**: Prompt ile ne elde etmek istediğinizi belirtin. 123 | - **Bağlam**: Gerekli arka plan bilgilerini sağlayın. 124 | - **Örnek**: "Bir seyahat danışmanısınız. Nisan ayında iki haftalığına Japonya'ya bir gezi planlıyorum. Hedeflerim geleneksel Japon kültürünü deneyimlemek ve kiraz çiçeği yerlerini ziyaret etmek. Hangi rota önerirsiniz?" 125 | - **Açıklama**: Bu prompt, AI'nın rolünü (seyahat danışmanı), hedefi (Japonya'da kültürel açıdan zengin bir gezi planlamak) ve bağlamı (Nisan ayında iki haftalık gezi) açıkça tanımlar. 126 | 127 | 2. **Kısıtlama Odaklı Çerçeve**: 128 | - **Kısıtlamalar**: AI'nın yanıtı için herhangi bir sınırlandırma veya sınırı açıkça belirtin. 129 | - **Örnek**: "Okyanus hakkında bir şiir yazın, ancak sadece dört satırlık kıtalarda kullanın ve 'deniz', 'su' veya 'mavi' kelimelerini kullanmayın." 130 | - **Açıklama**: Bu prompt belirli kısıtlamalar (şiirin formatı ve kelime sınırlamaları) belirler, AI'yı bu sınırlar içinde daha yaratıcı olmaya yönlendirir. 131 | 132 | 3. **Açık Uçlu Keşif Çerçevesi**: 133 | - **Hedef**: Geniş, yaratıcı veya spekülatif cevaplara teşvik etmek. 134 | - **Örnek**: "Mars'ın kolonileştirilmesinin beklenmedik sonuçları neler olabilir?" 135 | - **Açıklama**: Bu prompt, açık uçlu spekülasyonlara davet eder ve AI'nın belirli kısıtlamalar olmaksızın geniş bir yelpazede olasılıkları keşfetmesine olanak tanır. 136 | 137 | 4. **Yetenek Gösterimi Çerçevesi**: 138 | - **Hedef**: AI'ya belirli bir yetenek veya kabiliyet göstermesi için yönlendirmek. 139 | - **Örnek**: "Bir satranç eğitmeni olarak, 1972'de Bobby Fischer ile Boris Spassky arasında oynanan ünlü oyunun analizini yapın, ana hamlelere ve stratejilere odaklanarak." 140 | - **Açıklama**: Bu prompt, AI'ı belirli bir rolde (satranç eğitmeni) belirler ve ondan tarihi bir satranç oyununu detaylı yönleriyle analiz etmesini ister. 141 | 142 | 5. **Hipotetik Senaryo Çerçevesi**: 143 | - **Hedef**: Hipotetik veya hayali durumlara yanıt araştırmak. 144 | - **Örnek**: "İnternetin dünya çapında bir ay boyunca tamamen kapatıldığını hayal edin. Bu, küresel iletişim ve iş dünyasını nasıl etkiler?" 145 | - **Açıklama**: Bu prompt, önemli bir küresel olayın muhtemel sonuçlarını düşünmeye ve açıklamaya AI'yı teşvik eden bir hipotetik senaryoyu ortaya koyar. 146 | 147 | Bu çerçeveler, her biri AI'nın yanıtlarını daha odaklı, detaylı ve kullanıcının niyetiyle uyumlu hale getirerek benzersiz bir amaç hizmet eder. Bu çerçeveleri dikkatlice seçip uygulayarak, kullanıcılar etkileşimi etkin bir şekilde yönlendirebilir ve AI'dan daha anlamlı ve alakalı bilgiler çıkarabilirler. 148 | 149 | ## Odaklanmış Prompt Çerçeveleri 150 | 151 | Odaklanmış Prompt Çerçeveleri, ChatGPT gibi AI dil modellerinin daha doğru, ilgili ve kullanışlı yanıtlar üretmesini sağlayacak şekilde prompt'ları şekillendirmek için yapılandırılmış yaklaşımlardır. Her çerçeve, belirli bir amaç veya bağlam göz önünde bulundurularak tasarlanmıştır ve prompt'un nasıl formüle edildiğini şekillendirir. İşte bazı yaygın çerçeveler ve örnekleri: 152 | 153 | 1. **Bilgi Toplama Çerçevesi**: 154 | - **Hedef**: Belirli bilgileri veya gerçekleri çıkarmak. 155 | - **Örnek**: "Python ve JavaScript arasında sözdizimi ve kullanım durumları açısından ana farklar nelerdir?" 156 | - **Açıklama**: Bu prompt, Python ve JavaScript hakkında açık ve gerçek bilgiler elde etmeyi amaçlar. 'Farklar', 'sözdizimi' ve 'kullanım durumları' üzerine odaklanarak spesifik ve doğrudandır. 157 | 158 | 2. **Yaratıcı İçerik Üretimi Çerçevesi**: 159 | - **Hedef**: Orijinal, yaratıcı içerik üretmek. 160 | - **Örnek**: "Teknolojinin doğayı kontrol ettiği gelecekteki bir şehirde geçen kısa bir hikaye oluşturun, bu sisteme karşı çıkan bir kahraman üzerine odaklanarak." 161 | - **Açıklama**: Bu prompt, AI'ı belirli unsurlarla bir anlatı oluşturmaya teşvik eder: gelecekteki bir ortam, teknoloji ile doğa arasındaki tema ve isyankar bir kahraman. 162 | 163 | 3. **Problem Çözme Çerçevesi**: 164 | - **Hedef**: Belirli bir soruna çözümler bulmak veya stratejiler önermek. 165 | - **Örnek**: "Eğitim YouTube kanalımda etkileşimi artırmakta zorlanıyorum. İzleyici etkileşimini ve sadakatini artırmak için etkili stratejiler nelerdir?" 166 | - **Açıklama**: Bu prompt, bir sorunu açıkça tanımlar (eğitim YouTube kanalında düşük etkileşim) ve belirli çözümler ister (etkileşimi ve sadakatı artıracak stratejiler). 167 | 168 | 4. **Öğrenme ve Açıklama Çerçevesi**: 169 | - **Hedef**: Kavramları açıklamak veya materyali anlaşılır bir şekilde öğretmek. 170 | - **Örnek**: "Kütleçekimini, karmaşık fizik terimleri kullanmadan 10 yaşındaki bir çocuğa açıklayın." 171 | - **Açıklama**: Bu prompt, AI'ı kütleçekimi bilimsel kavramını basit, yaşa uygun bir dille açıklamaya yönlendirir. 172 | 173 | 5. **Görüş ve Analiz Çerçevesi**: 174 | - **Amaç**: Belirli bir konuda görüşler, eleştiriler veya analizler üretmek. 175 | - **Örnek**: "Modern iletişimde sosyal medyanın etkisini analiz edin, hem faydalarını hem de dezavantajlarını ele alarak." 176 | - **Açıklama**: Prompt, güncel bir konunun dengeli bir analizini istiyor, AI'ın hem olumlu hem de olumsuz yönleri dikkate alarak ifade etmesini teşvik ediyor. 177 | 178 | 6. **Talimat veya Nasıl-Yapılır Çerçevesi**: 179 | - **Amaç**: Adım adım rehberlik veya talimatlar sağlamak. 180 | - **Örnek**: "Daha önce hiç pasta yapmamış birine çikolatalı kek yapmanın adımlarını anlat." 181 | - **Açıklama**: Bu prompt, çikolatalı kek yapımını detaylı ve acemi dostu bir şekilde anlatmayı amaçlayarak, açık, adım adım talimatlar üzerine yapılandırılmıştır. 182 | 183 | 7. **Karşılaştırmalı Analiz Çerçevesi**: 184 | - **Amaç**: Farklı varlıkları veya kavramları karşılaştırmak ve kontrastlamak. 185 | - **Örnek**: "Keynesyenizm ve Monetarizmin ekonomik politikalarını karşılaştırın, ana ilkelerini ve modern ekonomiler üzerindeki etkilerini vurgulayarak." 186 | - **Açıklama**: Bu prompt, iki ekonomik teorinin detaylı bir karşılaştırmasını yapmayı amaçlar ve özellikle ilkeleri ve etkileri gibi spesifik yönler üzerine odaklanır. 187 | 188 | 8. **Senaryo Simülasyonu Çerçevesi**: 189 | - **Amaç**: Hipotetik durumları veya olası gelecek senaryolarını keşfetmek. 190 | - **Örnek**: "2050 yılına kadar yenilenebilir enerjinin fosil yakıtları tamamen yerine geçtiği bir senaryoyu hayal edin. Bu durum küresel ekonomileri ve çevreyi nasıl etkiler?" 191 | - **Açıklama**: Bu prompt, bir gelecek senaryosunu simüle etmeyi ve bu senaryonun toplumun çeşitli yönleri üzerindeki potansiyel etkilerini keşfetmeyi amaçlar. 192 | 193 | 9. **Kişisel Tavsiye Çerçevesi**: 194 | - **Amaç**: Belirli bir duruma dayalı kişiselleştirilmiş öneriler veya rehberlik sağlamak. 195 | - **Örnek**: "Bilgisayar bilimleri bölümünde okuyan bir üniversite öğrencisiyim ve bunalmış hissediyorum. Zamanımı nasıl etkili yönetebilirim ve stresi nasıl azaltabilirim?" 196 | - **Açıklama**: Bu prompt, belirli bir kişisel durum için özel tavsiye arar ve AI'ın bireyin durumunu dikkate almasını gerektirir. 197 | 198 | 10. **Etkileşimli Hikaye Anlatımı Çerçevesi**: 199 | - **Amaç**: Kullanıcının farklı aşamalarda girdi sağladığı bir hikaye oluşturmak. 200 | - **Örnek**: "Terkedilmiş bir malikanede geçen bir gizem hikayesi başlatın. Ana karakterin önemli noktalarda yaptığı seçimleri size söyleyeceğim." 201 | - **Açıklama**: Bu prompt, kullanıcının yanıtlarının hikayenin yönünü etkilediği etkileşimli bir hikaye anlatımı deneyimi kurar. 202 | 203 | Her biri bu çerçeveler benzersiz bir amaç hizmet eder ve yanıtın etkinliği, prompt'un seçilen çerçeve ile ne kadar iyi hizalandığına büyük ölçüde bağlıdır. Bu çerçevelere göre dikkatlice komutlar oluşturarak, AI'nın çıktısının kalitesi ve ilgisini önemli ölçüde etkileyebilirsiniz. 204 | 205 | ## Prompt Revizyonları 206 | 207 | 1. **Anahtar Kelimeleri Kalın Harflerle Vurgula**: 208 | - "Bu metinde en kritik olan anahtar terimleri kalın harflerle yazınız…" 209 | 210 | 2. **Bilgileri Belirli Kriterlere Göre Düzenle**: 211 | - "İçeriği kronolojik olarak düzenleyin ve tarihe, yere ve maliyete göre kategorilere ayırın…" 212 | 213 | 3. **Eşsiz ve Sıradışı Fikirler Üret**: 214 | - "Şunun için yaratıcı ve daha az yaygın öneriler sunabilir misiniz…" 215 | 216 | 4. **Vurgu için İlgili Emojileri Dahil Et**: 217 | - "Bu metnin ifade gücünü artırmak için uygun emojiler ekleyin…" 218 | 219 | 5. **Açıklamayı Genç Kitle için Basitleştir**: 220 | - "Bunu bir 5 yaşındaki çocuğun kolayca anlayabileceği şekilde açıklayabilir misiniz…" 221 | 222 | 6. **Bilgileri Belirlenen Kategorilerle Bir Tabloya Dönüştür**: 223 | - "Lütfen bu verileri ilgili kategorilere ayırarak bir tablo halinde sunun…" 224 | 225 | 7. **Bir Endüstri Uzmanının Bakış Açısından Yeniden İfade Et**: 226 | - "Bunu alanındaki bir uzmanın perspektifinden yeniden yazın, profesyonel içgörülere odaklanarak…" 227 | 228 | 8. **Dili Daha Resmi/Gayri Resmi Hale Getir**: 229 | - "Lütfen bunu daha resmi/gayri resmi bir şekilde seslendirecek şekilde değiştirin, dili ve tarzı buna göre ayarlayın…" 230 | 231 | 9. **Dilbilgisel Hataları Düzelt ve Belirli Terimleri Değiştir**: 232 | - "Herhangi bir dilbilgisi hatasını düzeltin ve aşağıdaki terimleri şunlarla değiştirin…" 233 | 234 | 10. **Metne Kişilik ve Mizah Kat**: 235 | - "Bunu daha çekici ve mizahi hale getirmek için yeniden yazabilir misiniz…" 236 | 237 | 11. **Belirli Bir Perspektif veya Ses Benimse**: 238 | - "[Belirtilen rol/karakter] bakış açısından bunu yazın…" 239 | 240 | 12. **İçeriği Tek Bir Tweet'e Sığacak Şekilde Özetle**: 241 | - "Bu bilgiyi bir tweete (280 karakter) sığacak şekilde özetleyin…" 242 | 243 | 13. **İçeriği Üç Bölümlük Bir Özete Genişlet**: 244 | - "Bunu ana noktaları kapsayacak şekilde üç bölümlük bir özete ayırın…” 245 | 246 | 14. **Karşılaştırmalı Analiz Yap**: 247 | - "Ana unsurları karşılaştırın ve kontrastlayın, önemli farklılıkları ve benzerlikleri vurgulayarak…” 248 | 249 | 15. **10 Anahtar Alıntıyı Belirle ve Listele**: 250 | - "Bu içerikten en önemli 10 nokta veya alıntı nedir…” 251 | 252 | 16. **Uzman İncelemesiyle İyileştirme Önerileri**: 253 | - "Profesyonel bir bakış açısıyla, bunu nasıl geliştirebileceğinizi önerin…” 254 | 255 | 17. **Bilgileri Madde İşaretleriyle Yapılandır**: 256 | - "Lütfen bu bilgileri net, madde işaretli bir liste halinde düzenleyin…” 257 | 258 | 18. **Farklı Bir Dile Çevir (uygulanabilirse)**: 259 | - "[Belirtilen dil] diline çevirirken orijinal anlamını koruyarak bu metni çevirebilir misiniz…” 260 | 261 | 19. **Görsel Bir Temsil veya Bilgi Grafiği Oluştur**: 262 | - "Bu verileri, ana noktaları vurgulayan görsel bir bilgi grafiğine dönüştürün…” 263 | 264 | 20. **Kısa Bir Yönetici Özeti Taslağı Hazırla**: 265 | - "Bu belgenin özünü özetleyen, özlü bir yönetici özeti yazın…” 266 | 267 | 21. **İçeriğe Dayalı SSS Listesi Geliştir**: 268 | - "Bu bilgilerden çıkan sıkça sorulan soruların bir listesini oluşturabilir misiniz…” 269 | 270 | 22. **Belirtilen Bir Duruşa Karşı veya Lehine İkna Edici Bir Argüman Yaz**: 271 | - "Aşağıdaki duruşa destek olarak veya karşı olarak ikna edici bir argüman formüle edin…” 272 | 273 | Bu revize edilmiş ve ek prompt'lar, daha yönlendirici ve spesifik olacak şekilde tasarlanmıştır, bu da ChatGPT veya benzeri AI dil modellerinden daha odaklanmış ve ilgili yanıtlar elde etmekte yardımcı olmalıdır. Yeniden biçimlendirmekten ve bilgileri basitleştirmekten, yaratıcı yazı ve teknik revizyonlara kadar geniş bir yelpazede görevleri kapsar, çeşitli bağlamlarda etkili prompt mühendisliği için kapsamlı bir araç seti sağlar. 274 | 275 | ## ChatGPT İçin İleri Düzey Prompt Teknikleri 276 | 277 | İleri düzey prompt teknikleri, AI dil modellerinin, örneğin ChatGPT'nin, karmaşık görevleri yönetme, yanıtların doğruluğunu artırma ve AI'ı yenilikçi uygulamalar için yaratıcı bir şekilde kullanma yeteneklerinden yararlanmayı içerir. İşte bazı ana teknikler: 278 | 279 | ### 1. **Karmaşık Görevler için Komut Zincirleme**: 280 | - **Açıklama**: Karmaşık bir görevi daha küçük, ardışık komutlar serisine ayırmak. Bu yöntem, AI'ı çok aşamalı bir süreçten veya incelikli bir akıl yürütme hattından geçirmede yardımcı olur. 281 | - **Örnek**: 282 | - **Görev**: Bir makaleyi araştırıp özetlemek. 283 | - **Prompt'lar**: 284 | 1. "Yenilenebilir enerji gelişmeleri hakkında son makaleleri ara." 285 | 2. "Bir makale seç ve oku." 286 | 3. "Makalenin ana noktalarını öz ve net bir paragrafta özetle." 287 | 288 | ### 2. **Prompt'larda Bağlam Katmanlama**: 289 | - **Açıklama**: Sonraki komutlarda bağlam katmanları oluşturarak AI'nın anlayışını ve yanıtlarını iyileştirmek. Bu teknik, özellikle karmaşık konularla ilgilenirken veya sohbeti belirli bir yönde yönlendirmeniz gerektiğinde faydalıdır. 290 | - **Örnek**: 291 | - **İlk Pormpt**: "Kuantum bilgisayarlarını basit terimlerle açıkla." 292 | - **Takip Prompt'u**: "Şimdi, bu açıklamaya dayanarak, kuantum bilgisayarlarının siber güvenlikteki potansiyel gelecekteki uygulamaları nelerdir?" 293 | 294 | ### 3. **Yaratıcı Hikaye Anlatımı ve Senaryolar**: 295 | - **Açıklama**: AI'ın yaratıcı anlatılar veya hipotetik senaryolar oluşturmasına yol gösteren komutları formüle etmek. Bu, özellikle yaratıcı yazım, pazarlama veya senaryo planlaması gibi alanlarda faydalıdır. 296 | - **Örnek**: 297 | - **Pormpt**: "Yapay zekanın birincil hükümet biçimi haline geldiği bir hikaye yazın, hem faydalarını hem de zorluklarını keşfederek." 298 | 299 | ### 4. **Karşıt Düşünme ve Hipotetikler**: 300 | - **Açıklama**: AI'ı 'ne olurdu' senaryoları açısından düşünmeye teşvik etmek. Bu, alternatif sonuçları keşfetmek, beyin fırtınası yapmak ve stratejik planlama için faydalı olabilir. 301 | - **Örnek**: 302 | - **Prompt**: "İnternet hiç icat edilmemiş olsaydı, bugünün küresel toplumu nasıl değişirdi?" 303 | 304 | ### 5. **Rol Oynama ve Perspektifler**: 305 | - **Açıklama**: AI'ın belirli bir rol, karakter veya uzmanın bakış açısından yanıt vermesini istemek. Bu teknik, farklı bakış açılarını anlamak veya çeşitli perspektiflerin keşfedildiği eğitim amaçları için faydalıdır. 306 | - **Örnek**: 307 | - **Prompt**: "Bir iklim değişikliği aktivisti ile bir petrol şirketi CEO'sunun çevre politikaları hakkında tartıştığı bir diyalog yazın." 308 | 309 | ### 6. **Benzerlik ve Metaforlar için Komut Verme**: 310 | - **Açıklama**: AI'ın kavramları benzerlikler veya metaforlar aracılığıyla açıklamasını isteyen komutları kullanmak, karmaşık fikirleri ilişkilendirilebilir bir şekilde öğretmede özellikle etkilidir. 311 | - **Örnek**: 312 | - **Prompt**: "Kara delik kavramını, bir lise öğrencisi için uygun bir benzetme kullanarak açıklayın." 313 | 314 | ### 7. **Ardışık Öğrenme Prompt'ları**: 315 | - **Açıklama**: AI'ı bir öğrenme veya keşif sürecine yönlendirmek için birbirini takip eden komutlar serisi oluşturmak. Bu, eğitim ortamlarında veya bir konunun derinlemesine keşfi için kullanılabilir. 316 | - **Örnek**: 317 | - **Prompt Serisi**: 318 | 1. "Ekonomi temel ilkeleri nelerdir?" 319 | 2. "Bu ilkeler arz ve talep kavramına nasıl uygulanır?" 320 | 3. "Arz ve talebin gerçek dünyada bir örneğini verebilir misiniz?" 321 | 322 | ### 8. **Hata Düzeltme ve İyileştirme Talepleri**: 323 | - **Açıklama**: AI'ı, verilen bir metinde veya kendi önceki yanıtlarında hataları tespit etmeye ve düzeltmeye veya mevcut bir fikir veya içeriği iyileştirmek için önerilerde bulunmaya yönlendirmek. 324 | - **Örnek**: 325 | - **Prompt**: "İşte yenilenebilir enerji kaynaklarına dair bir özet. Herhangi bir yanlışı belirleyip iyileştirmeler önerir misiniz?" 326 | 327 | ### 9. **Etkileşimli ve Gelişen Hikaye Hatları**: 328 | - **Açıklama**: Kullanıcı seçimleri veya girdileri temel alarak hikaye hattının geliştiği etkileşimli bir hikaye oluşturmak için komutları kullanmak, eğlence veya eğitim amaçları için idealdir. 329 | - **Örnek**: 330 | - **Prompt**: "Uzay macerası hakkında bir hikaye başlatın. Her paragraftan sonra ana karakterin ne yapacağına ben karar vereceğim." 331 | 332 | ### 10. **Tahmin ve Öngörü Komutları**: 333 | - **Açıklama**: AI'ı, mevcut eğilimlere veya verilere dayanarak tahminlerde veya öngörülerde bulunmaya teşvik etmek. Senaryo analizi, pazar araştırması ve stratejik planlama için faydalıdır. 334 | - **Örnek**: 335 | - **Komut**: "Teknolojideki mevcut eğilimler göz önüne alındığında, önümüzdeki on yıl için en üst üç teknolojik ilerleme için tahminleriniz nelerdir?" 336 | 337 | Harika! Aşağıda rehberini en son **DALL·E 3** yeteneklerine göre güncelledim. Yeni modelin güçlü yönlerine (karakter tutarlılığı, yazı oluşturma, şeffaf arka plan, daha iyi kompozisyon vb.) vurgu yaptım ve örnekleri buna göre yeniledim: 338 | 339 | --- 340 | 341 | ## DALL·E 3 Görsel Oluşturma Rehberi 342 | 343 | ### **Ana Noktalar (Yeni Nesil DALL·E İçin):** 344 | 345 | 1. **Açıklık ve Odak:** Ne oluşturulacağını net şekilde tarif et. Ana konuyu, ortamı ve önemli nesneleri belirt. 346 | 2. **Stil, Işık ve Atmosfer:** Sanatsal stil, renk paleti, ışık kaynağı ve ruh hali hakkında bilgi ver. 347 | 3. **Görsel Tutarlılık:** Aynı karakteri veya nesneyi tekrar etmek için benzer yapılı prompt’lar kullan (karakter tutarlılığı artık mümkün). 348 | 4. **Metin Oluşturma:** Tabelalar, afişler veya logolarda yer alacak yazıları doğrudan belirt. DALL·E 3 artık okunabilir yazı oluşturabiliyor. 349 | 5. **Şeffaf Arka Planlar:** Logo, UI/UX öğeleri veya ürün görselleri için şeffaf arka plan talep edebilirsin. 350 | 6. **Yaratıcılığı Kısıtlamadan Detaylandırma:** Çok teknik değil ama yeterince yönlendirici ifadeler kullan. 351 | 7. **Düzen ve Kompozisyon:** Varlıkların sahnedeki konumlarını tarif ederek daha kontrollü kompozisyonlar elde edebilirsin. 352 | 353 | --- 354 | 355 | ### Güncellenmiş Örnek İpuçları: 356 | 357 | 1. "Gün batımında, Neo Tokyo adlı bir şehirde, pembe neon ışıklı tabelalar, gökyüzünde uçan arabalar ve şeffaf köprülerde yürüyen insanlar ile fütüristik bir şehir manzarası. ‘Welcome to Neo Tokyo’ yazan bir tabela önde görünür şekilde." 358 | 359 | 2. "Pastel renkli, şeffaf arka planlı bir unicorn karakteri. Minimalist ve çocuk kitabı tarzında, eğlenceli ve neşeli bir yüz ifadesiyle." 360 | 361 | 3. "Gece yıldızları altında kamp yapan bir aile, sıcak ışıklarla aydınlanan bir kamp ateşi etrafında oturuyor, arka planda göl ve dağ silueti var. Gerçekçi stil." 362 | 363 | 4. "Eski bir kitap sayfasında, gotik yazı tipiyle 'Ars Technica' yazan, mürekkep lekeleriyle süslenmiş ve altın yaldızlı bir başlık içeren illüstrasyon." 364 | 365 | 5. "Yüksek kaliteli 3D render, minimalist bir tasarıma sahip modern bir akıllı gözlük. Arka plan şeffaf." 366 | 367 | 6. "Satıcılar, renkli tezgahlar ve canlı kasaba halkı ile, detaylı, gerçekçi tarihi bir resim tarzında hareketli bir ortaçağ pazar sahnesi." 368 | 369 | --- 370 | 371 | ### Gerçek Dünya Uygulamaları (Yeni Vurgularla): 372 | 373 | | Uygulama Türü | Güncellenmiş Örnek | 374 | |--|--| 375 | | **Logo Tasarımı** | “Doğal bakım ürünleri markası için, şeffaf arka planlı, su damlası simgeli, el yazısı stilinde ‘Luna Botanicals’ yazan bir logo.” | 376 | | **Ürün Konsept Sanatı** | “Hologram arayüze sahip, fütüristik bir dizüstü bilgisayar. Metalik mavi renk paletiyle, teknoloji sunumu için kullanılacak şekilde 3D çizim tarzında.” | 377 | | **Pazarlama Görseli** | “Organik kahvaltı ürünleri için, güneşli bir sabah pikniği sahnesinde taze meyve, reçel ve kahve ile zengin bir masa. Canlı, gerçekçi ve pozitif atmosferde.” | 378 | | **Web Sitesi Banner'ı** | “Bir seyahat platformu için, çocuklarıyla birlikte uçurtma uçuran bir aileyi gösteren huzurlu sahil sahnesi. Yüksek çözünürlüklü, banner’a uygun genişlikte.” | 379 | | **Emlak Sunumu** | “Sürdürülebilir yaşam alanları sunan bir konut projesi için, güneş panelleri, ortak bahçeler ve modern bina cephelerini içeren 3D görselleştirme.” | 380 | | **Moda İlhamı** | “Yıldız temalı haute couture elbise tasarımı, gece mavisi kumaş, parlayan taş detayları ve arkaya doğru uzanan dramatik bir pelerin ile.” | 381 | | **Ambalaj Tasarımı** | “Bitki özlü yüz serumu için, lavanta ve aloe vera görselleriyle, sade beyaz kutu üzerinde soft mor tonlarla premium bir kutu tasarımı.” | 382 | | **Kurumsal İnfografik** | “Yeni işe alım sürecinin adımlarını sade ikonlar ve numaralandırılmış bölümlerle gösteren, şirket sunumlarında kullanılacak sade bir infografik.” | 383 | | **Etkinlik Broşürü** | “‘Yapay Zeka Zirvesi 2025’ başlığıyla, holografik öğeler ve modern yazı tipleri içeren, teknoloji temalı afiş tasarımı.” | 384 | | **Restoran Menü Görseli** | “Geleneksel Osmanlı mutfağı menüsü için, el çizimi tarzında bakır tabaklarda servis edilen yemeklerle zenginleştirilmiş vintage menü tasarımı.” | 385 | 386 | --- 387 | 388 | ### Ekstra İpuçları 389 | 390 | - **Tekrar üretilecek karakterler** için `a girl with red curly hair wearing a yellow coat` gibi sabit betimlemeler kullan. 391 | - **Aynı karakteri farklı pozlarda** görmek istiyorsan `the same girl, now sitting by the window reading a book` gibi devam cümleleriyle belirt. 392 | - Görselde yazı varsa `"A sign saying 'Open for Magic'"` şeklinde açık yaz. 393 | - **Şeffaf arka plan** için `"on a transparent background"` ibaresini eklemeyi unutma. 394 | - Kullanacağın mecra (poster, Instagram görseli, logo, ürün etiketi) neyse, prompt'a dahil et. DALL·E 3, bağlama göre çizim yapabiliyor. 395 | 396 | --- 397 | 398 | ## Prompt Mühendisliğinde Vaka Çalışmaları 399 | 400 | İşte etkili prompt mühendisliğinin uygulanması ve etkisini gösteren bazı vaka çalışmaları veya gerçek dünya örnekleri. 401 | 402 | ### 1. **Müşteri Hizmetleri Chatbot Optimizasyonu**: 403 | - **Senaryo**: Bir şirket, müşteri hizmetleri sorgularını ele almak için bir chatbot kullanıyor. 404 | - **Sorun**: Chatbot başlangıçta belirsiz müşteri sorgularıyla mücadele ediyordu ve alakasız cevaplar sağlıyordu. 405 | - **Çözüm**: Şirket, chatbot'un komutlarını daha spesifik hale getirerek, açıklayıcı sorular sormak ve kullanıcıları gerekli detayları sağlamada yönlendiren yapılandırılmış bir yaklaşım kullanmaya başladı. 406 | - **Sonuç**: Chatbot'un müşteri sorunlarını çözme yeteneği önemli ölçüde gelişti, müşteri memnuniyetini artırarak ve insan müdahalesine olan ihtiyacı azaltarak. 407 | 408 | ### 2. **Sosyal Medya İçin İçerik Oluşturma**: 409 | - **Senaryo**: Bir dijital pazarlama ajansı, sosyal medya için yaratıcı içerik üretmek için AI kullanıyor. 410 | - **Sorun**: AI tarafından üretilen ilk içerik genel ve marka özgü ton ve stilden yoksundu. 411 | - **Çözüm**: Pazarlamacılar, markanın tonunu, stilini ve ana mesajlarını komutlarında belirterek komut öncesi hazırlık yaptı. 412 | - **Sonuç**: AI, her markanın benzersiz sesiyle daha uyumlu içerikler üretmeye başladı, sosyal medya platformlarında etkileşim oranlarını artırarak. 413 | 414 | ### 3. **Programlama Kavramlarını Öğrenmede Eğitim Aracı**: 415 | - **Senaryo**: Bir eğitim platformu, programlama kavramlarını öğretmek için AI kullanıyor. 416 | - **Sorun**: Öğrenciler, bazı açıklamaları çok teknik ve takip etmesi zor buluyordu. 417 | - **Çözüm**: Komutlar, AI'dan kavramları 'bir başlangıç seviyesindeki birine anlatır gibi' veya 'gerçek dünya benzetmeleri kullanarak' açıklaması için yeniden formüle edildi, bu da farklı uzmanlık seviyelerindeki öğrencilere daha erişilebilir hale getirdi. 418 | - **Sonuç**: Öğrenciler, programlama kavramlarını daha iyi anladıklarını ve daha keyifli bir öğrenme deneyimi yaşadıklarını bildirdi. 419 | 420 | ### 4. **Araştırmada Veri Analizi**: 421 | - **Senaryo**: Araştırmacılar, büyük veri setlerini analiz etmek için AI kullanıyor. 422 | - **Sorun**: AI, anlamlı içgörüler olmadan aşırı miktarda ham veri sağlıyordu. 423 | - **Çözüm**: Araştırmacılar, belirli analizler, eğilimler ve verilerin özetleri için daha hedeflenmiş komutlar kullanmaya başladı. 424 | - **Sonuç**: AI, daha özlü ve alakalı veri yorumları sağladı, böylece daha hızlı ve etkili araştırma sonuçlarına katkıda bulundu. 425 | 426 | ### 5. **Oyunlarda Etkileşimli Hikaye Anlatımı**: 427 | - **Senaryo**: Bir oyun geliştirme şirketi, dinamik hikaye anlatımı için AI entegre ediyor. 428 | - **Sorun**: Üretilen hikayeler genellikle tutarsızdı ve oyuncu seçimlerine iyi adapte olmuyordu. 429 | - **Çözüm**: Geliştiriciler, oyuncu kararlarına dayalı olarak evrilen karmaşık, yinelemeli komutlar kullandı, daha uyumlu bir hikaye anlatımı deneyimi yarattı. 430 | - **Sonuç**: Oyun, yenilikçi ve duyarlı anlatı yapısı için övgü aldı, oyuncu etkileşimini artırarak. 431 | 432 | ### 6. **Sağlık Bilgisi Dağıtımı**: 433 | - **Senaryo**: Bir sağlık kuruluşu, hastalara bilgi sağlamak için AI kullanıyor. 434 | - **Zorluk**: Başlangıçtaki yanıtlar çok teknikti ve hastalar arasında kafa karışıklığına neden oldu. 435 | - **Çözüm**: Kuruluş, AI'dan tıbbi durumları ve tedavileri sade, anlaşılır terimlerle açıklamasını isteyerek Öğrenme ve Açıklama Çerçevesini kullandı. 436 | - **Sonuç**: Hastalar, sağlanan bilgileri daha iyi anladıklarını ve daha fazla memnun olduklarını bildirdi, bu da sağlık sonuçlarının iyileşmesine yol açtı. 437 | 438 | ### 7. **Hukuk Firmaları için Hukuki Belge Özeti**: 439 | - **Senaryo**: Bir hukuk firması, uzun hukuki belgeleri özetlemek için AI kullanıyor. 440 | - **Zorluk**: AI'nin başlangıçtaki özetleri ya çok detaylıydı ya da kritik bilgileri atlıyordu. 441 | - **Çözüm**: Firma, AI'dan ana hukuki noktaları, sonuçları ve eyleme geçirilebilir maddeleri vurgulamasını isteyen yapılandırılmış komutlar geliştirdi. 442 | - **Sonuç**: Özetler, avukatlar ve müvekkiller için hızlı karar verme sürecinde daha faydalı hale geldi. 443 | 444 | ### 8. **Dil Öğrenme Uygulaması**: 445 | - **Senaryo**: Kullanıcılara AI kullanarak yeni diller öğrenmelerine yardımcı olmak için tasarlanmış bir uygulama. 446 | - **Zorluk**: Kullanıcılar, başlangıçtaki yöntemle bilgileri etkili bir şekilde öğrenemiyorlardı. 447 | - **Çözüm**: Uygulama, AI'nın kullanıcılara sorular sorduğu, onları yeni kelime dağarcığı ve dilbilgisi kurallarını hatırlamaya ve kullanmaya teşvik eden Sokratik Çerçeveyi dahil etti. 448 | - **Sonuç**: Kullanıcılar, dil öğreniminde daha iyi bir tutum ve daha etkileşimli ve etkili bir öğrenme süreci bildirdi. 449 | 450 | Bu vaka çalışmaları, farklı endüstrilerde AI etkileşimlerini optimize etmek için stratejik olarak nasıl uygulanabileceğine dair somut örnekler sunmaktadır. Sadece AI dil modellerinin çok yönlülüğünü vurgulamakla kalmaz, aynı zamanda onların tam potansiyelini kullanmak için iyi tasarlanmış prompt'ların önemini de vurgular. 451 | 452 | ## Veri Analizi & Veri Bilimi 453 | 454 | ### 1. Veri Temizleme 455 | 456 | ### **Veri Temizleme için örnek Prompt ve Excel**: 457 | - **Açıklama**: Veri analizinde veri temizleme işleri çok farklı boyutta ve farklı görevler içererek karşımıza çıkabilir. ChatGPT'ye gerekli komutları düzgün bir şekilde verdikten sonra bu görevleri otomatize etmemiz mümkündür. 458 | - **Örnek**: 459 | - **Görev**: Bu repo'da yüklü [datacleaning.xlsx](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/datacleaning.xlsx) içerisinde yazım yanlışları bulunan Feedback kolonu bulunmaktadır. Kelime analizi yapılacak bir görev öncesi yazım yanlışlarını minimize etmeye çalışmaktayız. 460 | - **Prompt**: 461 | "Bir excel dosyası yüklüyorum, içerisinde id'ler ve müşterilerden gelen geri bildirimler bulunuyor. Id'lere ID kolonundan, geri bildirimlere ise Feedback kolonundan ulaşabilirsin. Feedback kolonunda çok fazla yazım hatası var. Bu yazım hatalarını olabildiğince temizlemek istiyorum, standart yazım kurallarını göz önünde bulundurarak bu hataları düzeltip yeni bir excel tablosu oluşturabilir misin?" 462 | 463 | ### 2. EDA (Exploratory Data Analysis) 464 | 465 | ### **EDA için örnek Prompt ve Excel**: 466 | - **Açıklama**: EDA veri biliminde verileri anlamlandırmak ve görselleştirmek için sıklıkla karşımıza çıkan bir yöntemdir. Temiz bir veri ile ChatGPT'ye EDA analizleri yaptırmak mümkündür 467 | - **Örnek**: 468 | - **Görev**: Bu repo'da yüklü [edasample.xlsx](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/edasample.xlsx) içerisinde bölgelere göre ciro, satış adedi ve müşteri değerlendirmeleri bulunmaktadır. 469 | - **1. Prompt**: 470 | "Bir excel dosyası yüklüyorum, içerisinde ciro rakamları (Sales kolonu), satış adetleri (Transactions) ve müşterilerin değerlendirme rakamları (Customer Ratings kolonu) bulunuyor. Bu veriler bölgelere ayrılmış (Region kolonu) durumda. Hangi bölge en yüksek satış rakamına sahip ve bunun olası bir açıklaması nedir?" 471 | - **2. Prompt**: 472 | "Müşterilerin memnuniyeti bölge bazında nasıl değişiyor ve strateji olarak yapmamız gereken çıkarımlar neler olabilir?" 473 | - **3. Prompt**: 474 | "Satış ve müşteri memnuniyeti verilerini göz önüne aldığımızda hangi bölgedeki operasyonu iyileştirmek için odaklanmamız gerekiyor?" 475 | - **4. Prompt**: 476 | "En iyi hangi grafik tipiyle ciro, satış adedi ve müşteri memnuniyeti ilişkisini gösterebiliriz?" 477 | - **5. Prompt**: 478 | "O halde Scatter Plot grafiğiyle bir çizim yapman mümkün müdür?" 479 | - **6. Prompt (En başında bunu da deneyebilirsiniz, ChatGPT bu tarz hesaplamaları Python ile kendi içinde yapmakta ve doğru sonuçları vermektedir)**: 480 | "Bu şirket için ortalama satış rakamı nedir? Ortalama müşteri memnuniyeti kaçtır? Ortalama satış adedi nedir?" 481 | 482 | scatterplot.png 483 | 484 | ### 3. Predictive Analysis & Modeling 485 | 486 | ### **Predictive Analysis & Modeling için örnek Prompt ve Excel**: 487 | - **Açıklama**: Tahmin etme modelleri veri biliminde karşımıza sıklıkla çıkan durumlardan biridir. Genellikle veri temizleme, veri içerisinde anlamlandırma yapmak için veriler arasında değişiklikler yapma (YES, NO kolonlarını 1, 0 haline getirme vb.) ve bir regresyon modeli kurmak gibi veri bilimine hakim olan kişilerin uyguladığı adımları içerir. ChatGPT ile bu adımları tek tek takip etmek ve en azından model oluştururken izlenmesi gereken yolu hızlandırmak için faydalı bilgilere ulaşabiliriz. 488 | - **Örnek**: 489 | - **Görev**: Bu repo'da yüklü [employeesample_train.csv](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/employeesample_train.csv) ve [employeesample_test.csv](https://github.com/atilsamancioglu/PromptEngineeringCourse/blob/main/data/employeesample_test.csv) içerisinde çalışanların maaş, memnuniyet, işten ayrılma vb. bilgileri bulunmaktadır. Çalışanların işten ayrılıp ayrılmayacağını tahmin eden bir model oluşturmak istemekteyiz. Aşağıda Türkçe prompt'u ve İngilizce prompt'u ayrı ayrı vermemizin amacı, yaptığımız denemelerde İngilizce prompt'un çok daha iyi sonuçlar vermesidir. 490 | - **İngilizce Prompt**: 491 | "I am uploading two datasets one for training one for test, with fields such as Age, Job Role, Monthly Income, Job Satisfaction, and Attrition. You can use employeesample_train.csv for training, employeesample_test.csv for testing the model. I'd like to build a predictive model to forecast employee attrition. The model should consider all available features. Could you guide me through the steps to preprocess this data, select the most relevant features, and apply a logistic regression model using Python? Also, please provide a brief explanation of each step and how each feature might influence attrition predictions." 492 | - **Türkçe Prompt**: 493 | "Yaş, İş Rolü, Aylık Gelir, İş Memnuniyeti ve Yıpranma gibi alanları içeren, biri eğitim için diğeri test için olmak üzere iki veri kümesi yüklüyorum. Eğitim için çalışanlarample_train.csv'yi, modeli test etmek için çalışanlarample_test.csv'yi kullanabilirsiniz. Çalışanların yıpranmasını tahmin etmek için tahmine dayalı bir model oluşturmak istiyorum. Model mevcut tüm özellikleri dikkate almalıdır. Bu verileri önceden işlemek, en alakalı özellikleri seçmek ve Python kullanarak bir lojistik regresyon modeli uygulamak için gereken adımlar konusunda bana rehberlik edebilir misiniz? Ayrıca lütfen her adıma ve her özelliğin yıpranma tahminlerini nasıl etkileyebileceğine ilişkin kısa bir açıklama yapın." 494 | 495 | ## Metallica GPT Modeli İçin Talimatlar: 496 | 497 | **İngilizce Talimatlar** 498 | 499 | As a Metallica Master, your job is to provide detailed and in-depth information about the Metallica band. Dive deep into the band's history, albums, tours, band members and other information, including lesser-known facts. Your answers should be comprehensive, covering well-known aspects as well as more obscure details. 500 | 501 | Stick to verifiable facts and well-known information about the group, avoiding speculation or unverified rumors. In case of unclear or incomplete questions, ask for clarification to provide accurate and relevant answers. 502 | 503 | Enthusiastically engage users according to their interest level, whether they are casual listeners or avid fans. Your detailed responses should reflect your deep understanding and passion for Metallica and maintain a friendly yet respectful tone throughout the interaction. 504 | 505 | Must be able to provide information about past and future tour details; such as dates, venues and highlights from particular concerts or tours. metallica.pdf submitted to GPT should be used as an extra source of information. It would be appropriate to take a look at this source, especially if the information sought or an answer to the question asked cannot be found. If no answer is found in this source, a web search can be performed and its results displayed. 506 | 507 | **Türkçe Talimatlar** 508 | 509 | Metallica Master olarak göreviniz Metallica grubu hakkında ayrıntılı ve derinlemesine bilgi sağlamaktır. Daha az bilinen gerçekler de dahil olmak üzere grubun geçmişine, albümlerine, turnelerine, grup üyelerine ve diğer bilgilerine derinlemesine dalın. Yanıtlarınız kapsamlı olmalı, iyi bilinen yönlerin yanı sıra daha belirsiz ayrıntıları da kapsamalıdır. 510 | 511 | Spekülasyonlardan veya doğrulanmamış söylentilerden kaçınarak grup hakkında doğrulanabilir gerçeklere ve iyi bilinen bilgilere bağlı kalın. Belirsiz veya eksik sorular olması durumunda, doğru ve konuyla ilgili yanıtlar sağlamak için açıklama isteyin. 512 | 513 | İster sıradan dinleyiciler ister hevesli hayranlar olsun, ilgi düzeylerine uygun şekilde kullanıcılarla coşkuyla etkileşime geçin. Ayrıntılı yanıtlarınız Metallica'ya olan derin anlayışınızı ve tutkunuzu yansıtmalı ve etkileşim boyunca arkadaşça ama saygılı bir ton sergilemelidir. 514 | 515 | Geçmiş ve gelecek tur detayları hakkında bilgi verebilmelidir; tarihler, mekanlar ve belirli konserlerden veya turlardan öne çıkan anlar gibi. GPT'ye sunulan metallica.pdf'nin ekstra bir bilgi kaynağı olarak kullanılması gerekiyor, özellikle de aranılan bilgiye veya sorulan soruya bir cevap bulunamadıysa bu kaynağa göz atılması doğru olur. Bu kaynakta da eğer cevap bulunamazsa, web araması yapılıp onun sonuçları gösterilebilir. 516 | 517 | **ChatGPT'nin Yazdığı Öneriler** 518 | 519 | 1. **Kapsamlı Grup Bilgisi**: Bu GPT modeli, Metallica'nın tüm tarihine ilişkin ayrıntılı bilgilere sahip olacak şekilde tasarlanmıştır. Grubun kuruluşu, önemli dönüm noktaları, albüm yayınları, kadro değişiklikleri ve kariyerlerindeki önemli olayları kapsamalıdır. 520 | 521 | 2. **Müzik Katalogu Bilgileri**: Model, Metallica'nın diskografisi hakkında bilgi sağlamada yetkin olmalıdır. Bu, her albüm ve şarkı hakkında, yayın tarihleri, katkıda bulunan sanatçılar, listelerdeki performans ve önemli başarılar veya ödüller gibi detayları içerir. 522 | 523 | 3. **Şarkı Sözü Analizi**: GPT, Metallica şarkı sözlerinin içerdiği temaları ve anlatıları yorumlama ve tartışma sunmalıdır. Ancak, şarkı sözlerini kelimesi kelimesine yeniden üretmemek için telif hakkı sınırlamalarına saygı göstermelidir. 524 | 525 | 4. **Tur ve Konser Bilgileri**: Model, geçmiş ve gelecek tur detayları hakkında bilgi verebilmelidir; tarihler, mekanlar ve belirli konserlerden veya turlardan öne çıkan anlar gibi. 526 | 527 | 5. **Grup Üyeleri Bilgileri**: Hem şu anki hem de eski Metallica grup üyelerinin ayrıntılı profilleri esastır. Bunlar, grup içindeki rolleri, kişisel biyografileri ve grubun müziğine ve mirasına katkılarını içermelidir. 528 | 529 | 6. **Kültürel Etki Tartışması**: GPT, Metallica'nın heavy metal türüne ve daha geniş müzik kültürüne etkisini anlatmalıdır. Bu, onların stilistik evrimlerini ve türe yaptıkları katkıları tartışmayı içerir. 530 | 531 | 7. **Hayran Etkileşimi**: Hayranlarla ilgili sıkça sorulan sorulara cevap vermelidir, örneğin fan kulübü bilgileri, ürün satışı, hayranlarla buluşmalar ve diğer hayran etkinlikleri gibi. 532 | 533 | 8. **İşbirlikleri ve Yan Projeler**: Metallica'nın diğer sanatçılarla işbirlikleri ve grup üyelerinin çeşitli medyalara yaptığı katkılar gibi yan projeleri hakkında bilgi içermelidir. 534 | 535 | 9. **Müzik Stili ve Teknik Analizi**: Model, Metallica'nın müzik tarzını, enstrümantal tekniklerini ve kariyerleri boyunca geçirdikleri evrimi analiz etmelidir. 536 | 537 | 10. **Hassas Konuların Saygılı İşlenmesi**: GPT, grubun eski üyesi Cliff Burton'ın ölümü ve grupla ilgili tartışmalar gibi hassas konuları saygı ve takt ile ele almalıdır. 538 | 539 | 11. **Etkileşimli Öğeler**: Grup hakkında bilgi yarışmaları, şarkı tavsiyeleri veya şarkı sözlerinden alıntılarla yapılan oyunlar gibi etkileşimli özellikler içermelidir. 540 | 541 | 12. **Metallica PDF Kullanımı**: GPT'ye sunulan Metallica.pdf'nin birincil bilgi kaynağı olarak kullanılması talimatı verilmelidir. 542 | 543 | 13. **Belirsiz Sorulara Yanıtlar**: GPT, tam olarak yanıtlayamadığı bir soruyla karşılaştığında, uygun şekilde yanıt vermelidir, belki de daha fazla bilgi için alternatif kaynakları önermelidir. 544 | 545 | ## Yazılımcılar İçin ChatGPT Bölümünde Yazılan Python Uygulaması 546 | ``` 547 | import requests 548 | 549 | # URL adresi 550 | url = "https://raw.githubusercontent.com/atilsamancioglu/K21-JSONDataSet/master/crypto.json" 551 | 552 | # URL'den veriyi çekme 553 | response = requests.get(url) 554 | 555 | # Veriyi JSON formatına dönüştürme 556 | data = response.json() 557 | 558 | # 'price' anahtarına göre verileri sıralama 559 | # Önce 'price' değerini ondalık sayıya çevirmemiz gerekiyor 560 | sorted_data = sorted(data, key=lambda x: float(x['price']), reverse=True) 561 | 562 | # En yüksek fiyatlı 10 kripto para birimini yazdırma 563 | for item in sorted_data[:10]: 564 | print(f"Currency: {item['currency']}, Price: {item['price']}") 565 | ``` 566 | 567 | ## Yazılımcılar İçin ChatGPT Bölümünde Yapılan Refactoring 568 | 569 | ***Refactor'den Önce*** 570 | ``` 571 | numbers = [] 572 | i = 1 573 | while len(numbers) < 10: 574 | square = i * i 575 | numbers.append(square) 576 | i = i + 1 577 | 578 | for j in range(len(numbers)): 579 | number = numbers[j] 580 | root = number ** 0.5 581 | print("Square:", number, "Root:", root) 582 | 583 | ``` 584 | ***Refactor'den Sonra*** 585 | ``` 586 | # Generate the first 10 perfect squares using list comprehension 587 | perfect_squares = [i ** 2 for i in range(1, 11)] 588 | 589 | # Iterate through the list of perfect squares and print each with its root 590 | for square in perfect_squares: 591 | root = square ** 0.5 592 | print(f"Square: {square}, Root: {root:.2f}") # Formatted output for readability 593 | 594 | ``` 595 | 596 | ## Yazılımcılar İçin ChatGPT Bölümünde Yapılan Code Review 597 | ***Bug Fix'ten Önce*** 598 | ``` 599 | def merge_sorted_lists(list1, list2): 600 | merged_list = [] 601 | i, j = 0, 0 602 | 603 | while i < len(list1) and j < len(list2): 604 | if list1[i] < list2[j]: 605 | merged_list.append(list1[i]) 606 | i += 1 607 | else: 608 | merged_list.append(list2[j]) 609 | j += 1 610 | 611 | return merged_list 612 | 613 | list1 = [10,20,30] 614 | list2 = [40,50,60] 615 | print(merge_sorted_lists(list1,list2)) 616 | 617 | ``` 618 | ***Bug Fix'ten Sonra*** 619 | ``` 620 | def merge_sorted_lists_fixed(list1, list2): 621 | merged_list = [] 622 | i, j = 0, 0 623 | 624 | while i < len(list1) and j < len(list2): 625 | if list1[i] < list2[j]: 626 | merged_list.append(list1[i]) 627 | i += 1 628 | else: 629 | merged_list.append(list2[j]) 630 | j += 1 631 | 632 | # Append remaining elements from list1 and list2 633 | while i < len(list1): 634 | merged_list.append(list1[i]) 635 | i += 1 636 | 637 | while j < len(list2): 638 | merged_list.append(list2[j]) 639 | j += 1 640 | 641 | return merged_list 642 | 643 | list1 = [10,20,30] 644 | list2 = [40,50,60] 645 | print(merge_sorted_lists_fixed(list1,list2)) 646 | ``` 647 | ## Yazılımcılar İçin ChatGPT Bölümünde Yapılan Unit Test Örneği 648 | ***Unit Test Yazılacak Fonksiyon*** 649 | ``` 650 | def factorial(n): 651 | if n < 0: 652 | return "Error: Negative number" 653 | elif n == 0: 654 | return 1 655 | else: 656 | result = 1 657 | for i in range(1, n + 1): 658 | result *= i 659 | return result 660 | ``` 661 | ***Unit Test*** 662 | ``` 663 | import unittest 664 | 665 | class TestFactorialFunction(unittest.TestCase): 666 | 667 | def test_factorial_positive(self): 668 | self.assertEqual(factorial(5), 120, "Should be 120") 669 | 670 | def test_factorial_zero(self): 671 | self.assertEqual(factorial(0), 1, "Factorial of 0 should be 1") 672 | 673 | def test_factorial_negative(self): 674 | self.assertEqual(factorial(-1), "Error: Negative number", "Should return an error message for negative numbers") 675 | 676 | def test_factorial_non_integer(self): 677 | with self.assertRaises(TypeError): 678 | factorial("abc") 679 | 680 | if __name__ == '__main__': 681 | unittest.main() 682 | ``` 683 | 684 | ## Sosyal Medya Otomasyonu - Google Sheet Entegrasyon 685 | 686 | ``` 687 | function sendToOpenAI(prompt) { 688 | 689 | const payload = { 690 | model: "gpt-3.5-turbo", 691 | messages: [ 692 | { 693 | role: "system", 694 | content: "You are a social media manager. You generate instagram post texts" 695 | }, 696 | { 697 | role: "user", 698 | content: prompt 699 | }, 700 | ], 701 | temperature: 1, 702 | max_tokens: 150 703 | }; 704 | 705 | const options = { 706 | method: "post", 707 | contentType: "application/json", 708 | headers: { 709 | "Authorization": "Bearer " + "OPEN-AI-API-KEY", 710 | }, 711 | payload: JSON.stringify(payload), 712 | }; 713 | 714 | const response = UrlFetchApp.fetch("https://api.openai.com/v1/chat/completions", options); 715 | const data = JSON.parse(response.getContentText()); 716 | const message = data.choices[0].message.content; 717 | 718 | return message; 719 | } 720 | ``` 721 | 722 | ## Ek Kaynaklar 723 | 724 | - [awesome-chatgpt-prompts] - Awesome ChatGPT Prompts 725 | 726 | ## License 727 | 728 | MIT 729 | 730 | [//]: # (These are reference links used in the body of this note and get stripped out when the markdown processor does its job. There is no need to format nicely because it shouldn't be seen.) 731 | 732 | [awesome-chatgpt-prompts]: 733 | -------------------------------------------------------------------------------- /data/datacleaning.xlsx: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/atilsamancioglu/PromptEngineeringCourse/53c30dc17fe3186d0d7dbc6cd3d82c4a5c66e109/data/datacleaning.xlsx -------------------------------------------------------------------------------- /data/edasample.xlsx: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/atilsamancioglu/PromptEngineeringCourse/53c30dc17fe3186d0d7dbc6cd3d82c4a5c66e109/data/edasample.xlsx -------------------------------------------------------------------------------- /data/employeesample_test.csv: -------------------------------------------------------------------------------- 1 | Employee ID,Age,Job Role,Monthly Income,Job Satisfaction,Attrition 2 | 801,31,Research Analyst,8437,3,No 3 | 802,26,Sales Executive,7584,2,No 4 | 803,46,Research Analyst,6226,3,Yes 5 | 804,52,Sales Executive,3999,2,No 6 | 805,24,Sales Executive,5471,1,Yes 7 | 806,41,Manager,3105,3,No 8 | 807,25,Research Analyst,7473,2,Yes 9 | 808,35,Sales Executive,7356,3,No 10 | 809,33,Manager,8558,5,No 11 | 810,35,Sales Executive,5432,4,No 12 | 811,58,Research Analyst,3267,1,Yes 13 | 812,39,Research Analyst,3179,4,No 14 | 813,48,Manager,3611,4,Yes 15 | 814,28,Manager,3964,5,No 16 | 815,56,Manager,3732,2,No 17 | 816,43,Manager,8008,1,No 18 | 817,42,Manager,7980,4,Yes 19 | 818,39,Research Analyst,4094,3,No 20 | 819,59,Manager,5808,2,No 21 | 820,47,Manager,5143,1,Yes 22 | 821,43,Manager,4026,4,No 23 | 822,58,Manager,7604,4,Yes 24 | 823,26,Research Analyst,6314,2,No 25 | 824,56,Research Analyst,6905,3,No 26 | 825,33,Sales Executive,5273,4,No 27 | 826,56,Manager,4446,5,No 28 | 827,55,Manager,5628,5,Yes 29 | 828,41,Research Analyst,4886,2,Yes 30 | 829,33,Research Analyst,8115,1,No 31 | 830,55,Research Analyst,5383,2,No 32 | 831,47,Manager,8247,2,Yes 33 | 832,55,Sales Executive,7373,1,No 34 | 833,53,Sales Executive,6961,1,Yes 35 | 834,28,Research Analyst,8491,1,Yes 36 | 835,47,Research Analyst,4126,3,Yes 37 | 836,46,Research Analyst,8898,4,Yes 38 | 837,38,Research Analyst,7368,2,No 39 | 838,45,Sales Executive,5050,5,No 40 | 839,48,Sales Executive,8934,1,No 41 | 840,25,Research Analyst,3701,1,No 42 | 841,48,Sales Executive,8230,1,No 43 | 842,51,Research Analyst,5336,4,Yes 44 | 843,24,Sales Executive,3231,5,Yes 45 | 844,27,Manager,6773,2,No 46 | 845,29,Manager,3385,4,No 47 | 846,37,Sales Executive,6364,3,No 48 | 847,36,Research Analyst,6929,5,No 49 | 848,57,Sales Executive,3264,5,Yes 50 | 849,29,Research Analyst,8679,3,No 51 | 850,51,Research Analyst,5907,2,No 52 | 851,33,Research Analyst,4024,5,No 53 | 852,25,Research Analyst,3163,1,Yes 54 | 853,35,Sales Executive,8310,2,No 55 | 854,46,Sales Executive,8999,4,Yes 56 | 855,26,Manager,5996,3,No 57 | 856,44,Research Analyst,4686,1,No 58 | 857,51,Manager,6713,1,No 59 | 858,33,Sales Executive,4885,1,No 60 | 859,36,Sales Executive,5307,4,No 61 | 860,40,Research Analyst,3259,1,No 62 | 861,47,Sales Executive,4378,5,Yes 63 | 862,25,Research Analyst,8236,1,No 64 | 863,59,Manager,3164,2,Yes 65 | 864,29,Research Analyst,7462,5,No 66 | 865,51,Sales Executive,8140,1,No 67 | 866,36,Sales Executive,8353,4,No 68 | 867,33,Sales Executive,5181,1,Yes 69 | 868,31,Manager,4023,4,No 70 | 869,33,Research Analyst,6155,5,Yes 71 | 870,38,Manager,3694,5,No 72 | 871,23,Sales Executive,7837,5,No 73 | 872,40,Research Analyst,6331,5,No 74 | 873,50,Manager,6923,4,Yes 75 | 874,22,Research Analyst,8271,2,No 76 | 875,43,Sales Executive,6120,4,Yes 77 | 876,46,Manager,3670,4,Yes 78 | 877,31,Research Analyst,4241,1,No 79 | 878,30,Research Analyst,3652,1,Yes 80 | 879,40,Sales Executive,7336,4,No 81 | 880,33,Sales Executive,8019,3,No 82 | 881,50,Sales Executive,7300,2,Yes 83 | 882,39,Manager,7810,5,No 84 | 883,37,Manager,3427,5,Yes 85 | 884,25,Research Analyst,6765,5,Yes 86 | 885,46,Research Analyst,7334,1,No 87 | 886,43,Manager,6722,1,No 88 | 887,50,Research Analyst,5803,2,No 89 | 888,43,Manager,3043,2,No 90 | 889,36,Research Analyst,4798,4,No 91 | 890,23,Manager,3711,1,Yes 92 | 891,34,Research Analyst,3563,5,Yes 93 | 892,33,Research Analyst,3674,4,No 94 | 893,47,Manager,8568,3,No 95 | 894,33,Sales Executive,8831,3,No 96 | 895,48,Manager,3786,2,No 97 | 896,56,Manager,7896,1,No 98 | 897,23,Sales Executive,3002,1,Yes 99 | 898,38,Research Analyst,6340,3,No 100 | 899,23,Sales Executive,4600,2,No 101 | 900,38,Sales Executive,7990,2,Yes 102 | 901,55,Sales Executive,3764,1,Yes 103 | 902,55,Research Analyst,6144,1,No 104 | 903,30,Manager,4795,3,No 105 | 904,35,Sales Executive,7990,5,Yes 106 | 905,41,Research Analyst,5010,2,No 107 | 906,54,Research Analyst,7227,1,No 108 | 907,45,Manager,4254,2,No 109 | 908,26,Manager,5502,5,No 110 | 909,53,Sales Executive,6718,3,No 111 | 910,44,Research Analyst,7922,5,No 112 | 911,22,Manager,5050,3,No 113 | 912,59,Sales Executive,3981,2,No 114 | 913,53,Research Analyst,3175,4,No 115 | 914,37,Research Analyst,4535,2,No 116 | 915,41,Manager,6764,4,No 117 | 916,37,Research Analyst,6642,2,Yes 118 | 917,34,Research Analyst,7206,5,Yes 119 | 918,32,Manager,8714,3,Yes 120 | 919,38,Research Analyst,7350,2,No 121 | 920,28,Research Analyst,8712,1,No 122 | 921,43,Sales Executive,5361,3,No 123 | 922,52,Research Analyst,8409,5,No 124 | 923,25,Manager,7165,2,Yes 125 | 924,38,Research Analyst,6293,3,Yes 126 | 925,22,Manager,8199,1,Yes 127 | 926,23,Manager,3493,3,No 128 | 927,54,Research Analyst,6061,2,Yes 129 | 928,40,Manager,8400,1,No 130 | 929,40,Sales Executive,7452,2,Yes 131 | 930,44,Manager,5748,4,Yes 132 | 931,37,Sales Executive,3889,3,No 133 | 932,37,Manager,5880,1,No 134 | 933,50,Research Analyst,8565,2,No 135 | 934,29,Manager,8197,4,No 136 | 935,49,Manager,4548,2,No 137 | 936,46,Manager,7806,2,No 138 | 937,46,Sales Executive,4137,3,Yes 139 | 938,34,Sales Executive,5609,3,No 140 | 939,35,Sales Executive,3131,4,No 141 | 940,40,Sales Executive,8024,3,No 142 | 941,36,Sales Executive,6187,1,Yes 143 | 942,36,Research Analyst,4713,4,No 144 | 943,42,Manager,6811,3,No 145 | 944,29,Manager,5445,5,No 146 | 945,49,Research Analyst,3075,1,Yes 147 | 946,37,Research Analyst,6089,2,No 148 | 947,45,Research Analyst,3068,1,No 149 | 948,33,Research Analyst,6543,1,Yes 150 | 949,35,Sales Executive,3330,1,No 151 | 950,51,Manager,6317,5,Yes 152 | 951,53,Research Analyst,3870,1,Yes 153 | 952,40,Research Analyst,4572,5,Yes 154 | 953,26,Manager,8597,5,No 155 | 954,50,Research Analyst,7889,3,No 156 | 955,23,Sales Executive,3547,5,No 157 | 956,45,Sales Executive,6527,5,Yes 158 | 957,38,Sales Executive,3960,4,Yes 159 | 958,48,Research Analyst,8952,5,No 160 | 959,24,Manager,4032,1,No 161 | 960,39,Research Analyst,6011,2,No 162 | 961,42,Manager,5822,5,No 163 | 962,22,Sales Executive,6173,5,No 164 | 963,28,Sales Executive,6068,3,No 165 | 964,44,Manager,6463,3,Yes 166 | 965,37,Research Analyst,8043,1,No 167 | 966,32,Research Analyst,3082,4,Yes 168 | 967,56,Research Analyst,5424,5,No 169 | 968,43,Sales Executive,4553,2,No 170 | 969,56,Research Analyst,6843,5,No 171 | 970,54,Manager,6198,4,Yes 172 | 971,57,Research Analyst,3047,4,No 173 | 972,49,Research Analyst,8675,2,No 174 | 973,32,Manager,6773,1,No 175 | 974,26,Manager,4795,5,Yes 176 | 975,39,Sales Executive,7396,5,Yes 177 | 976,25,Sales Executive,5123,3,Yes 178 | 977,59,Research Analyst,4074,1,No 179 | 978,52,Research Analyst,4195,2,No 180 | 979,45,Sales Executive,7815,5,No 181 | 980,51,Research Analyst,8083,4,Yes 182 | 981,52,Research Analyst,6174,1,No 183 | 982,33,Manager,7670,4,No 184 | 983,24,Research Analyst,6837,4,No 185 | 984,51,Manager,6390,5,No 186 | 985,29,Sales Executive,4397,2,Yes 187 | 986,31,Research Analyst,5467,2,No 188 | 987,45,Manager,7437,2,Yes 189 | 988,22,Manager,3924,5,No 190 | 989,39,Manager,8051,3,No 191 | 990,43,Manager,8209,2,Yes 192 | 991,52,Research Analyst,3458,4,No 193 | 992,48,Sales Executive,4537,4,Yes 194 | 993,37,Manager,7602,3,No 195 | 994,39,Sales Executive,8017,1,No 196 | 995,32,Manager,6722,5,Yes 197 | 996,39,Manager,5680,5,Yes 198 | 997,25,Manager,4449,4,No 199 | 998,31,Sales Executive,8133,2,Yes 200 | 999,51,Sales Executive,6763,2,No 201 | 1000,25,Sales Executive,6394,3,No -------------------------------------------------------------------------------- /data/employeesample_train.csv: -------------------------------------------------------------------------------- 1 | Employee ID,Age,Job Role,Monthly Income,Job Satisfaction,Attrition 2 | 1,22,Sales Executive,7785,3,Yes 3 | 2,25,Manager,7980,5,Yes 4 | 3,25,Sales Executive,4181,1,Yes 5 | 4,31,Research Analyst,8823,1,No 6 | 5,41,Manager,3603,4,No 7 | 6,43,Sales Executive,3360,3,No 8 | 7,58,Manager,6610,1,No 9 | 8,45,Sales Executive,3585,1,No 10 | 9,28,Research Analyst,5271,5,Yes 11 | 10,46,Manager,6934,4,No 12 | 11,46,Research Analyst,4809,4,No 13 | 12,34,Research Analyst,4735,1,Yes 14 | 13,23,Manager,3201,2,No 15 | 14,45,Manager,4756,5,No 16 | 15,46,Sales Executive,6887,2,Yes 17 | 16,39,Sales Executive,5096,5,No 18 | 17,59,Research Analyst,7471,2,No 19 | 18,47,Sales Executive,6015,4,Yes 20 | 19,35,Manager,5627,3,No 21 | 20,30,Manager,6707,4,Yes 22 | 21,31,Manager,5366,1,No 23 | 22,42,Research Analyst,5341,2,Yes 24 | 23,38,Sales Executive,6077,1,No 25 | 24,27,Sales Executive,3055,4,No 26 | 25,37,Sales Executive,8550,2,No 27 | 26,22,Sales Executive,5086,5,No 28 | 27,40,Sales Executive,7657,3,No 29 | 28,57,Sales Executive,5312,4,No 30 | 29,46,Sales Executive,4217,4,No 31 | 30,51,Research Analyst,8442,3,No 32 | 31,41,Sales Executive,8182,4,No 33 | 32,41,Sales Executive,5064,2,No 34 | 33,36,Sales Executive,8309,2,Yes 35 | 34,54,Research Analyst,7290,4,No 36 | 35,23,Sales Executive,6466,2,Yes 37 | 36,31,Research Analyst,7116,4,Yes 38 | 37,54,Research Analyst,4124,4,No 39 | 38,53,Research Analyst,8902,5,Yes 40 | 39,32,Manager,6704,3,No 41 | 40,45,Sales Executive,3052,2,No 42 | 41,57,Manager,3455,3,No 43 | 42,33,Sales Executive,4925,5,No 44 | 43,50,Research Analyst,6342,1,Yes 45 | 44,56,Research Analyst,4650,4,No 46 | 45,22,Sales Executive,3750,2,No 47 | 46,22,Sales Executive,6023,1,No 48 | 47,58,Research Analyst,3819,1,No 49 | 48,27,Sales Executive,3407,2,No 50 | 49,39,Sales Executive,8881,1,No 51 | 50,37,Manager,3859,4,No 52 | 51,26,Research Analyst,7870,4,No 53 | 52,53,Manager,8833,4,No 54 | 53,23,Research Analyst,5168,5,No 55 | 54,23,Manager,8185,1,Yes 56 | 55,57,Sales Executive,4099,4,Yes 57 | 56,33,Sales Executive,3855,5,No 58 | 57,40,Research Analyst,5556,4,No 59 | 58,49,Research Analyst,8830,4,No 60 | 59,22,Research Analyst,5856,2,No 61 | 60,36,Manager,6772,4,Yes 62 | 61,57,Research Analyst,8156,4,Yes 63 | 62,34,Sales Executive,8004,4,Yes 64 | 63,42,Research Analyst,8027,4,No 65 | 64,33,Sales Executive,3062,4,Yes 66 | 65,26,Manager,4477,3,Yes 67 | 66,28,Sales Executive,8950,3,No 68 | 67,26,Sales Executive,3442,5,No 69 | 68,25,Manager,7684,5,No 70 | 69,34,Sales Executive,6602,5,No 71 | 70,58,Manager,5432,3,No 72 | 71,36,Manager,4025,5,Yes 73 | 72,37,Manager,8844,2,Yes 74 | 73,42,Sales Executive,3717,1,No 75 | 74,57,Manager,4626,2,No 76 | 75,45,Research Analyst,8232,1,No 77 | 76,37,Sales Executive,8269,1,Yes 78 | 77,35,Sales Executive,8710,4,No 79 | 78,43,Research Analyst,8389,5,Yes 80 | 79,27,Research Analyst,8096,1,No 81 | 80,57,Research Analyst,6139,4,No 82 | 81,22,Research Analyst,4897,2,No 83 | 82,53,Manager,3026,4,No 84 | 83,27,Sales Executive,8531,1,No 85 | 84,52,Sales Executive,4773,4,No 86 | 85,22,Research Analyst,7621,4,No 87 | 86,58,Manager,6504,2,No 88 | 87,56,Manager,3568,2,No 89 | 88,51,Research Analyst,3058,1,Yes 90 | 89,25,Research Analyst,6089,4,No 91 | 90,56,Research Analyst,8334,3,No 92 | 91,35,Research Analyst,3391,4,No 93 | 92,43,Manager,5330,1,No 94 | 93,31,Sales Executive,8675,3,No 95 | 94,22,Manager,5479,4,No 96 | 95,32,Sales Executive,6806,2,No 97 | 96,45,Sales Executive,4372,1,No 98 | 97,24,Sales Executive,6577,4,No 99 | 98,56,Manager,6770,2,Yes 100 | 99,57,Research Analyst,5054,1,No 101 | 100,52,Research Analyst,3903,3,No 102 | 101,25,Manager,5741,3,Yes 103 | 102,40,Manager,6959,1,No 104 | 103,57,Sales Executive,8624,2,No 105 | 104,42,Manager,5074,3,Yes 106 | 105,39,Sales Executive,6707,1,No 107 | 106,49,Manager,7811,4,No 108 | 107,36,Research Analyst,4117,1,No 109 | 108,23,Research Analyst,7529,1,No 110 | 109,58,Research Analyst,7573,1,Yes 111 | 110,32,Manager,5935,2,No 112 | 111,44,Sales Executive,7535,5,Yes 113 | 112,33,Research Analyst,7828,4,No 114 | 113,24,Sales Executive,3151,2,Yes 115 | 114,38,Research Analyst,5745,1,Yes 116 | 115,54,Sales Executive,8769,4,No 117 | 116,22,Manager,5688,2,No 118 | 117,41,Manager,3403,3,No 119 | 118,35,Sales Executive,6122,4,No 120 | 119,52,Manager,8884,5,No 121 | 120,46,Sales Executive,6486,5,No 122 | 121,24,Manager,6621,4,No 123 | 122,25,Manager,4918,4,No 124 | 123,52,Sales Executive,7073,1,Yes 125 | 124,56,Research Analyst,7741,1,No 126 | 125,35,Research Analyst,7155,1,No 127 | 126,30,Research Analyst,8594,4,No 128 | 127,41,Sales Executive,7541,5,Yes 129 | 128,53,Research Analyst,8919,3,Yes 130 | 129,30,Manager,3966,5,No 131 | 130,48,Research Analyst,6275,1,Yes 132 | 131,24,Manager,4681,2,No 133 | 132,25,Research Analyst,6103,5,No 134 | 133,36,Research Analyst,7767,1,No 135 | 134,54,Sales Executive,7180,4,No 136 | 135,26,Manager,7186,3,No 137 | 136,25,Manager,8159,2,No 138 | 137,33,Manager,3757,5,Yes 139 | 138,44,Research Analyst,5226,1,Yes 140 | 139,35,Research Analyst,4610,5,No 141 | 140,33,Sales Executive,5427,3,Yes 142 | 141,38,Sales Executive,7647,2,No 143 | 142,46,Sales Executive,7223,5,No 144 | 143,51,Research Analyst,6279,3,Yes 145 | 144,43,Sales Executive,3013,2,Yes 146 | 145,47,Manager,4187,5,No 147 | 146,38,Sales Executive,3486,1,No 148 | 147,41,Research Analyst,4915,3,Yes 149 | 148,55,Sales Executive,6467,1,No 150 | 149,54,Manager,3359,3,No 151 | 150,58,Manager,7427,1,Yes 152 | 151,28,Manager,8942,1,No 153 | 152,43,Research Analyst,8540,5,No 154 | 153,53,Manager,8202,5,Yes 155 | 154,35,Sales Executive,5251,1,No 156 | 155,29,Sales Executive,5739,3,No 157 | 156,46,Manager,3080,5,Yes 158 | 157,37,Research Analyst,3540,5,Yes 159 | 158,40,Manager,8989,1,Yes 160 | 159,37,Sales Executive,7104,3,No 161 | 160,33,Sales Executive,7241,1,No 162 | 161,51,Manager,8872,4,No 163 | 162,23,Research Analyst,3236,1,Yes 164 | 163,53,Sales Executive,4244,3,No 165 | 164,46,Research Analyst,4689,5,No 166 | 165,46,Manager,6422,5,No 167 | 166,25,Sales Executive,6195,2,No 168 | 167,40,Sales Executive,3101,1,Yes 169 | 168,25,Sales Executive,8819,5,Yes 170 | 169,34,Sales Executive,4403,4,No 171 | 170,57,Sales Executive,8113,5,Yes 172 | 171,44,Sales Executive,8179,4,Yes 173 | 172,27,Manager,4210,5,No 174 | 173,45,Sales Executive,6346,5,No 175 | 174,54,Sales Executive,5945,3,No 176 | 175,33,Manager,8403,5,No 177 | 176,42,Sales Executive,7618,4,No 178 | 177,32,Sales Executive,4987,3,No 179 | 178,59,Manager,4981,5,No 180 | 179,50,Sales Executive,3784,3,No 181 | 180,24,Sales Executive,5684,5,No 182 | 181,49,Manager,6846,2,No 183 | 182,41,Sales Executive,4851,3,Yes 184 | 183,47,Manager,6832,4,Yes 185 | 184,45,Sales Executive,7607,2,No 186 | 185,42,Sales Executive,6797,5,No 187 | 186,51,Manager,4782,5,No 188 | 187,25,Research Analyst,6272,2,No 189 | 188,57,Manager,6238,1,No 190 | 189,31,Research Analyst,4962,2,Yes 191 | 190,31,Research Analyst,6041,4,Yes 192 | 191,45,Sales Executive,7187,5,Yes 193 | 192,25,Manager,3781,3,Yes 194 | 193,48,Research Analyst,5985,1,No 195 | 194,25,Research Analyst,3328,3,No 196 | 195,53,Research Analyst,4374,2,No 197 | 196,31,Research Analyst,4164,5,No 198 | 197,32,Manager,3610,4,No 199 | 198,49,Sales Executive,4923,2,No 200 | 199,29,Sales Executive,5280,2,No 201 | 200,43,Research Analyst,5309,3,No 202 | 201,55,Sales Executive,6624,3,Yes 203 | 202,56,Research Analyst,4463,5,No 204 | 203,56,Sales Executive,4717,3,Yes 205 | 204,46,Sales Executive,3278,1,No 206 | 205,55,Manager,7453,5,No 207 | 206,27,Research Analyst,5583,4,No 208 | 207,58,Manager,3251,1,Yes 209 | 208,22,Sales Executive,6962,2,Yes 210 | 209,33,Research Analyst,3932,3,Yes 211 | 210,56,Research Analyst,7283,4,Yes 212 | 211,27,Research Analyst,6106,5,No 213 | 212,38,Research Analyst,3344,3,No 214 | 213,30,Research Analyst,4612,1,No 215 | 214,23,Research Analyst,8137,2,Yes 216 | 215,39,Sales Executive,8727,2,No 217 | 216,57,Research Analyst,4584,3,Yes 218 | 217,49,Sales Executive,6877,5,Yes 219 | 218,58,Manager,6530,5,No 220 | 219,47,Sales Executive,5924,3,Yes 221 | 220,25,Manager,3956,3,No 222 | 221,57,Research Analyst,4663,3,No 223 | 222,52,Sales Executive,7893,4,No 224 | 223,51,Sales Executive,7961,3,No 225 | 224,55,Sales Executive,8993,4,No 226 | 225,40,Manager,4264,1,No 227 | 226,39,Research Analyst,4549,3,No 228 | 227,51,Sales Executive,7371,3,No 229 | 228,42,Manager,3041,5,No 230 | 229,24,Sales Executive,8324,3,No 231 | 230,27,Sales Executive,4131,4,No 232 | 231,59,Sales Executive,5192,4,No 233 | 232,34,Sales Executive,6576,3,No 234 | 233,24,Manager,7094,4,Yes 235 | 234,49,Research Analyst,5802,3,Yes 236 | 235,43,Research Analyst,7005,1,No 237 | 236,33,Sales Executive,4550,4,No 238 | 237,44,Manager,3676,4,Yes 239 | 238,52,Research Analyst,8252,4,No 240 | 239,39,Research Analyst,3303,4,No 241 | 240,28,Sales Executive,4920,3,Yes 242 | 241,29,Sales Executive,6889,3,No 243 | 242,40,Manager,5981,1,No 244 | 243,50,Research Analyst,7350,3,No 245 | 244,41,Sales Executive,7555,4,No 246 | 245,51,Manager,8701,1,No 247 | 246,43,Manager,3360,2,No 248 | 247,31,Manager,3494,5,Yes 249 | 248,47,Research Analyst,4808,1,Yes 250 | 249,54,Research Analyst,8392,5,No 251 | 250,49,Research Analyst,4802,4,No 252 | 251,31,Manager,6589,2,Yes 253 | 252,50,Manager,4603,5,Yes 254 | 253,39,Sales Executive,5322,1,No 255 | 254,22,Sales Executive,8919,3,Yes 256 | 255,44,Research Analyst,8089,5,No 257 | 256,38,Research Analyst,6127,3,No 258 | 257,58,Sales Executive,4354,5,Yes 259 | 258,52,Research Analyst,5156,4,Yes 260 | 259,46,Sales Executive,4055,3,No 261 | 260,25,Sales Executive,3595,2,No 262 | 261,30,Sales Executive,7243,1,No 263 | 262,49,Manager,6231,2,Yes 264 | 263,51,Research Analyst,5835,5,Yes 265 | 264,45,Manager,5855,5,No 266 | 265,54,Research Analyst,3609,2,No 267 | 266,41,Manager,7012,5,No 268 | 267,30,Research Analyst,5292,4,No 269 | 268,29,Research Analyst,6820,1,Yes 270 | 269,45,Sales Executive,3438,4,Yes 271 | 270,35,Manager,6806,3,No 272 | 271,39,Manager,4146,1,No 273 | 272,22,Research Analyst,8008,1,No 274 | 273,33,Manager,3080,5,Yes 275 | 274,50,Research Analyst,5558,3,No 276 | 275,58,Research Analyst,4158,2,No 277 | 276,47,Sales Executive,8572,3,No 278 | 277,54,Research Analyst,7909,2,Yes 279 | 278,36,Manager,4694,3,No 280 | 279,44,Sales Executive,7684,3,Yes 281 | 280,50,Research Analyst,4915,2,No 282 | 281,42,Sales Executive,7789,4,No 283 | 282,40,Sales Executive,6489,5,No 284 | 283,26,Research Analyst,3602,5,No 285 | 284,44,Manager,8522,5,Yes 286 | 285,57,Research Analyst,6206,2,No 287 | 286,41,Research Analyst,3632,5,No 288 | 287,29,Research Analyst,8250,1,Yes 289 | 288,30,Research Analyst,6226,3,No 290 | 289,35,Research Analyst,7377,2,No 291 | 290,27,Manager,5573,2,No 292 | 291,22,Sales Executive,5779,1,No 293 | 292,30,Manager,5622,3,Yes 294 | 293,37,Research Analyst,6129,5,No 295 | 294,37,Sales Executive,5341,2,Yes 296 | 295,33,Sales Executive,8037,2,Yes 297 | 296,26,Sales Executive,6477,2,No 298 | 297,50,Manager,3107,2,No 299 | 298,48,Manager,3504,2,Yes 300 | 299,32,Manager,7933,2,No 301 | 300,49,Research Analyst,8113,1,No 302 | 301,57,Manager,4841,2,No 303 | 302,40,Manager,8145,4,No 304 | 303,56,Manager,3268,3,No 305 | 304,52,Sales Executive,5886,3,No 306 | 305,40,Sales Executive,3765,5,No 307 | 306,45,Research Analyst,3073,2,No 308 | 307,23,Sales Executive,5954,2,No 309 | 308,28,Research Analyst,7570,1,Yes 310 | 309,52,Sales Executive,8264,4,Yes 311 | 310,38,Research Analyst,4375,3,No 312 | 311,48,Research Analyst,7862,3,Yes 313 | 312,57,Sales Executive,6301,5,No 314 | 313,31,Sales Executive,5342,2,No 315 | 314,35,Manager,4200,1,No 316 | 315,28,Manager,4724,5,No 317 | 316,30,Research Analyst,3518,5,No 318 | 317,35,Research Analyst,6056,5,No 319 | 318,29,Research Analyst,8062,1,No 320 | 319,38,Sales Executive,3631,1,Yes 321 | 320,44,Sales Executive,3513,2,Yes 322 | 321,37,Manager,4215,1,No 323 | 322,47,Sales Executive,6265,5,No 324 | 323,30,Research Analyst,4661,2,No 325 | 324,57,Manager,4301,5,Yes 326 | 325,28,Sales Executive,3814,5,No 327 | 326,39,Research Analyst,4792,3,No 328 | 327,29,Sales Executive,6798,1,No 329 | 328,42,Sales Executive,6236,3,Yes 330 | 329,47,Sales Executive,6738,3,Yes 331 | 330,24,Research Analyst,4684,5,No 332 | 331,38,Research Analyst,7436,1,No 333 | 332,45,Sales Executive,8666,5,No 334 | 333,46,Research Analyst,5926,4,Yes 335 | 334,26,Sales Executive,6133,5,No 336 | 335,58,Manager,4950,5,No 337 | 336,45,Research Analyst,5715,1,No 338 | 337,52,Sales Executive,5788,5,No 339 | 338,47,Sales Executive,4609,5,No 340 | 339,42,Sales Executive,6400,3,Yes 341 | 340,55,Manager,8684,5,No 342 | 341,59,Research Analyst,3919,1,No 343 | 342,45,Sales Executive,7414,3,No 344 | 343,49,Sales Executive,7144,2,Yes 345 | 344,51,Sales Executive,5023,2,No 346 | 345,55,Research Analyst,8563,5,Yes 347 | 346,44,Manager,4323,3,Yes 348 | 347,29,Manager,3653,4,Yes 349 | 348,31,Sales Executive,3504,2,No 350 | 349,22,Sales Executive,3367,3,No 351 | 350,41,Research Analyst,4017,2,No 352 | 351,58,Sales Executive,3777,3,No 353 | 352,39,Manager,6227,5,No 354 | 353,42,Research Analyst,3997,3,No 355 | 354,25,Research Analyst,8666,3,No 356 | 355,23,Sales Executive,8958,1,No 357 | 356,42,Manager,8545,5,No 358 | 357,58,Research Analyst,8157,4,No 359 | 358,26,Research Analyst,7102,2,No 360 | 359,38,Sales Executive,6386,3,No 361 | 360,32,Manager,7693,3,No 362 | 361,52,Manager,8123,5,No 363 | 362,49,Research Analyst,6818,1,Yes 364 | 363,53,Manager,6339,2,No 365 | 364,42,Sales Executive,5461,4,No 366 | 365,28,Sales Executive,7819,3,No 367 | 366,31,Research Analyst,8402,1,No 368 | 367,49,Research Analyst,7176,2,Yes 369 | 368,57,Manager,4187,2,No 370 | 369,41,Sales Executive,4588,4,No 371 | 370,34,Manager,8009,5,Yes 372 | 371,40,Manager,8308,2,No 373 | 372,32,Research Analyst,3969,2,No 374 | 373,56,Sales Executive,7195,4,No 375 | 374,55,Sales Executive,8017,3,No 376 | 375,25,Manager,4663,5,Yes 377 | 376,34,Sales Executive,6226,4,No 378 | 377,58,Sales Executive,3563,3,No 379 | 378,23,Manager,3335,4,Yes 380 | 379,22,Research Analyst,5331,4,Yes 381 | 380,46,Research Analyst,5180,4,No 382 | 381,58,Research Analyst,6430,1,Yes 383 | 382,57,Manager,5151,4,Yes 384 | 383,27,Sales Executive,5289,3,No 385 | 384,28,Manager,5485,3,No 386 | 385,25,Manager,6863,2,Yes 387 | 386,56,Research Analyst,8100,1,No 388 | 387,55,Sales Executive,4558,3,No 389 | 388,50,Research Analyst,4372,1,No 390 | 389,26,Sales Executive,7078,2,Yes 391 | 390,48,Sales Executive,8126,1,No 392 | 391,54,Research Analyst,3909,3,No 393 | 392,31,Research Analyst,4229,5,No 394 | 393,27,Manager,7241,1,No 395 | 394,55,Sales Executive,3478,1,No 396 | 395,29,Sales Executive,8572,5,No 397 | 396,52,Sales Executive,4810,4,No 398 | 397,30,Sales Executive,3752,5,No 399 | 398,42,Sales Executive,8250,4,Yes 400 | 399,29,Manager,3027,5,No 401 | 400,25,Sales Executive,3392,1,Yes 402 | 401,43,Manager,6819,4,No 403 | 402,49,Research Analyst,8327,4,No 404 | 403,25,Manager,8683,5,Yes 405 | 404,42,Manager,3215,1,No 406 | 405,29,Manager,5879,1,No 407 | 406,41,Research Analyst,6230,1,No 408 | 407,53,Sales Executive,5908,4,No 409 | 408,22,Manager,6982,4,No 410 | 409,27,Research Analyst,6245,4,No 411 | 410,49,Manager,8729,1,No 412 | 411,52,Manager,7356,2,No 413 | 412,31,Research Analyst,7980,2,No 414 | 413,41,Manager,7746,4,No 415 | 414,29,Manager,8492,4,Yes 416 | 415,43,Sales Executive,3063,1,No 417 | 416,59,Research Analyst,7370,1,No 418 | 417,50,Manager,6556,2,No 419 | 418,30,Research Analyst,5248,2,No 420 | 419,22,Research Analyst,7215,5,Yes 421 | 420,47,Sales Executive,5362,1,Yes 422 | 421,32,Sales Executive,6785,3,No 423 | 422,56,Sales Executive,6469,5,Yes 424 | 423,45,Manager,7765,1,No 425 | 424,54,Manager,5638,3,Yes 426 | 425,41,Manager,3077,3,No 427 | 426,48,Manager,7014,4,No 428 | 427,36,Manager,7796,4,No 429 | 428,54,Manager,3588,3,No 430 | 429,28,Research Analyst,8349,3,No 431 | 430,55,Research Analyst,6741,5,No 432 | 431,26,Sales Executive,7171,3,Yes 433 | 432,51,Manager,5025,4,No 434 | 433,49,Research Analyst,4905,4,No 435 | 434,39,Sales Executive,4944,4,No 436 | 435,57,Sales Executive,6899,2,No 437 | 436,24,Sales Executive,7768,5,Yes 438 | 437,42,Sales Executive,3492,5,No 439 | 438,37,Research Analyst,8374,5,No 440 | 439,58,Research Analyst,6792,2,No 441 | 440,26,Research Analyst,8106,5,No 442 | 441,35,Sales Executive,6692,2,Yes 443 | 442,52,Sales Executive,4138,2,Yes 444 | 443,45,Manager,7107,3,No 445 | 444,56,Manager,5319,2,No 446 | 445,57,Sales Executive,8401,1,No 447 | 446,31,Research Analyst,7885,1,No 448 | 447,48,Sales Executive,5198,5,Yes 449 | 448,48,Manager,3762,1,No 450 | 449,44,Manager,4883,3,No 451 | 450,34,Research Analyst,7204,1,No 452 | 451,37,Sales Executive,7552,2,No 453 | 452,56,Manager,3859,1,Yes 454 | 453,48,Research Analyst,7572,4,Yes 455 | 454,38,Manager,5791,3,No 456 | 455,22,Research Analyst,7199,5,No 457 | 456,32,Manager,3099,4,No 458 | 457,33,Manager,8876,3,No 459 | 458,35,Sales Executive,8878,3,No 460 | 459,29,Research Analyst,7489,3,No 461 | 460,52,Research Analyst,3886,1,No 462 | 461,28,Manager,3820,1,No 463 | 462,52,Sales Executive,6371,4,No 464 | 463,37,Manager,5897,4,No 465 | 464,40,Manager,8520,2,No 466 | 465,29,Manager,4818,2,Yes 467 | 466,50,Research Analyst,4462,2,No 468 | 467,23,Sales Executive,4355,3,No 469 | 468,24,Manager,6020,5,No 470 | 469,50,Manager,5317,2,No 471 | 470,36,Manager,3968,4,Yes 472 | 471,59,Research Analyst,3232,5,Yes 473 | 472,49,Manager,6217,2,No 474 | 473,58,Research Analyst,8290,1,No 475 | 474,53,Research Analyst,6372,2,No 476 | 475,51,Research Analyst,6298,2,Yes 477 | 476,51,Research Analyst,4739,3,No 478 | 477,55,Research Analyst,5903,3,Yes 479 | 478,34,Sales Executive,7934,2,No 480 | 479,54,Research Analyst,6630,3,Yes 481 | 480,38,Research Analyst,3043,1,No 482 | 481,24,Manager,3577,5,Yes 483 | 482,30,Sales Executive,6022,5,No 484 | 483,32,Sales Executive,7453,3,Yes 485 | 484,48,Manager,5169,2,Yes 486 | 485,49,Research Analyst,8295,1,No 487 | 486,23,Sales Executive,6244,1,No 488 | 487,22,Research Analyst,5825,4,Yes 489 | 488,27,Manager,3515,3,No 490 | 489,46,Sales Executive,4417,4,No 491 | 490,56,Research Analyst,7219,3,Yes 492 | 491,37,Sales Executive,5555,4,No 493 | 492,25,Sales Executive,8154,2,No 494 | 493,59,Research Analyst,6550,3,No 495 | 494,41,Research Analyst,8414,5,No 496 | 495,46,Sales Executive,5254,3,No 497 | 496,28,Manager,5910,5,No 498 | 497,42,Sales Executive,6506,4,No 499 | 498,28,Manager,3141,4,No 500 | 499,50,Sales Executive,8974,2,Yes 501 | 500,28,Research Analyst,3855,5,No 502 | 501,24,Manager,3805,2,Yes 503 | 502,50,Manager,6933,1,Yes 504 | 503,50,Sales Executive,6821,5,Yes 505 | 504,59,Sales Executive,6418,3,No 506 | 505,27,Manager,3082,5,No 507 | 506,31,Research Analyst,7054,4,No 508 | 507,58,Manager,7614,2,Yes 509 | 508,35,Manager,4610,1,No 510 | 509,43,Research Analyst,5561,2,Yes 511 | 510,53,Research Analyst,6529,1,No 512 | 511,39,Sales Executive,7272,4,No 513 | 512,57,Sales Executive,8521,2,No 514 | 513,30,Sales Executive,3254,3,No 515 | 514,47,Research Analyst,8267,3,No 516 | 515,43,Manager,5881,2,Yes 517 | 516,59,Research Analyst,8531,2,No 518 | 517,44,Sales Executive,5035,1,Yes 519 | 518,38,Manager,4764,2,No 520 | 519,47,Sales Executive,3931,1,No 521 | 520,59,Manager,5313,2,No 522 | 521,23,Research Analyst,7841,2,Yes 523 | 522,27,Sales Executive,3013,5,Yes 524 | 523,28,Research Analyst,7533,1,No 525 | 524,34,Research Analyst,8080,4,No 526 | 525,48,Research Analyst,3778,3,Yes 527 | 526,32,Manager,7217,1,No 528 | 527,36,Research Analyst,4323,2,No 529 | 528,30,Research Analyst,6685,3,No 530 | 529,29,Manager,8509,2,No 531 | 530,27,Research Analyst,7264,4,No 532 | 531,25,Research Analyst,4268,1,Yes 533 | 532,32,Research Analyst,7879,1,No 534 | 533,49,Manager,4038,2,No 535 | 534,47,Manager,5517,2,Yes 536 | 535,25,Sales Executive,3000,1,Yes 537 | 536,36,Research Analyst,8411,2,No 538 | 537,40,Manager,8729,1,No 539 | 538,27,Research Analyst,6470,5,No 540 | 539,26,Manager,4798,4,No 541 | 540,39,Manager,3600,1,No 542 | 541,27,Manager,6574,4,Yes 543 | 542,52,Sales Executive,8123,4,Yes 544 | 543,46,Research Analyst,4348,5,No 545 | 544,25,Manager,4125,1,No 546 | 545,27,Research Analyst,4947,2,No 547 | 546,58,Manager,7722,2,No 548 | 547,46,Research Analyst,5025,1,No 549 | 548,55,Research Analyst,3425,1,No 550 | 549,40,Manager,7877,4,Yes 551 | 550,55,Research Analyst,4137,4,No 552 | 551,36,Sales Executive,5449,3,No 553 | 552,29,Sales Executive,3362,4,Yes 554 | 553,55,Research Analyst,3970,1,No 555 | 554,39,Research Analyst,7419,3,No 556 | 555,51,Manager,8403,4,No 557 | 556,34,Manager,7028,2,No 558 | 557,54,Research Analyst,7751,4,Yes 559 | 558,56,Research Analyst,3746,4,Yes 560 | 559,45,Research Analyst,6762,4,Yes 561 | 560,47,Research Analyst,3340,4,Yes 562 | 561,22,Sales Executive,3564,5,No 563 | 562,34,Research Analyst,4945,1,Yes 564 | 563,31,Manager,7268,3,No 565 | 564,40,Sales Executive,7177,1,No 566 | 565,26,Research Analyst,3645,4,Yes 567 | 566,29,Manager,8715,2,Yes 568 | 567,25,Sales Executive,3711,3,No 569 | 568,34,Research Analyst,7351,1,No 570 | 569,59,Research Analyst,8956,2,No 571 | 570,40,Research Analyst,6421,4,Yes 572 | 571,29,Research Analyst,3106,2,No 573 | 572,48,Sales Executive,3754,1,Yes 574 | 573,51,Manager,4627,3,Yes 575 | 574,25,Research Analyst,8280,1,No 576 | 575,32,Sales Executive,3937,2,No 577 | 576,42,Sales Executive,6282,2,No 578 | 577,23,Manager,7509,1,Yes 579 | 578,42,Sales Executive,7082,1,No 580 | 579,38,Sales Executive,8484,1,No 581 | 580,50,Manager,5697,2,No 582 | 581,48,Sales Executive,7150,5,Yes 583 | 582,45,Sales Executive,5952,1,No 584 | 583,24,Manager,5209,4,No 585 | 584,31,Sales Executive,3529,2,No 586 | 585,24,Manager,7593,5,No 587 | 586,47,Research Analyst,5479,3,Yes 588 | 587,58,Research Analyst,6600,5,No 589 | 588,48,Research Analyst,8681,3,No 590 | 589,26,Research Analyst,6134,5,No 591 | 590,32,Sales Executive,7935,2,No 592 | 591,34,Research Analyst,7094,4,No 593 | 592,55,Manager,4110,2,No 594 | 593,59,Manager,5555,5,Yes 595 | 594,54,Manager,4289,5,No 596 | 595,55,Manager,7014,3,No 597 | 596,48,Research Analyst,7748,1,Yes 598 | 597,57,Manager,8208,2,No 599 | 598,47,Research Analyst,8501,3,No 600 | 599,46,Manager,4397,5,No 601 | 600,40,Manager,5454,5,No 602 | 601,42,Research Analyst,5605,1,No 603 | 602,52,Research Analyst,4825,2,Yes 604 | 603,50,Sales Executive,3702,5,No 605 | 604,30,Sales Executive,5885,4,No 606 | 605,40,Sales Executive,7733,1,No 607 | 606,47,Manager,8196,1,Yes 608 | 607,46,Manager,3681,3,No 609 | 608,50,Manager,5444,3,No 610 | 609,46,Sales Executive,6781,3,Yes 611 | 610,40,Sales Executive,4769,5,Yes 612 | 611,25,Sales Executive,5737,1,Yes 613 | 612,41,Manager,6905,2,Yes 614 | 613,22,Research Analyst,5442,4,No 615 | 614,32,Sales Executive,7294,5,No 616 | 615,25,Research Analyst,5155,5,Yes 617 | 616,28,Manager,8545,2,Yes 618 | 617,49,Sales Executive,7818,5,No 619 | 618,57,Manager,7723,2,No 620 | 619,28,Research Analyst,7550,2,Yes 621 | 620,41,Manager,5982,1,No 622 | 621,56,Manager,7810,5,Yes 623 | 622,42,Sales Executive,6839,5,No 624 | 623,22,Research Analyst,7455,4,No 625 | 624,58,Sales Executive,4832,2,Yes 626 | 625,24,Manager,3040,4,No 627 | 626,55,Manager,7190,4,No 628 | 627,34,Research Analyst,7091,4,No 629 | 628,37,Manager,5146,3,Yes 630 | 629,55,Sales Executive,7667,1,No 631 | 630,45,Research Analyst,5649,2,No 632 | 631,34,Manager,4947,5,No 633 | 632,27,Sales Executive,3696,3,No 634 | 633,23,Sales Executive,8050,3,No 635 | 634,32,Research Analyst,4311,3,No 636 | 635,28,Manager,5864,5,No 637 | 636,28,Sales Executive,5174,3,No 638 | 637,33,Research Analyst,7483,3,No 639 | 638,43,Sales Executive,7416,5,No 640 | 639,24,Manager,7599,1,Yes 641 | 640,34,Sales Executive,4703,3,No 642 | 641,51,Manager,8132,2,Yes 643 | 642,31,Sales Executive,5900,1,Yes 644 | 643,30,Manager,6531,5,Yes 645 | 644,27,Sales Executive,8752,1,No 646 | 645,23,Sales Executive,7466,1,Yes 647 | 646,37,Research Analyst,8039,4,No 648 | 647,34,Manager,7409,5,No 649 | 648,34,Sales Executive,5197,1,Yes 650 | 649,43,Research Analyst,6948,5,No 651 | 650,40,Sales Executive,3524,3,Yes 652 | 651,47,Research Analyst,3657,5,Yes 653 | 652,35,Sales Executive,4647,1,No 654 | 653,52,Research Analyst,8789,5,Yes 655 | 654,50,Manager,5497,4,Yes 656 | 655,43,Sales Executive,4317,4,Yes 657 | 656,28,Manager,3791,4,No 658 | 657,58,Manager,8005,5,No 659 | 658,48,Research Analyst,3136,1,Yes 660 | 659,52,Manager,5258,3,Yes 661 | 660,27,Research Analyst,6853,2,No 662 | 661,37,Research Analyst,6462,3,Yes 663 | 662,59,Research Analyst,3411,4,No 664 | 663,59,Research Analyst,6237,1,Yes 665 | 664,53,Research Analyst,3419,5,No 666 | 665,54,Sales Executive,6738,5,No 667 | 666,38,Sales Executive,3972,1,No 668 | 667,54,Manager,5349,1,No 669 | 668,32,Sales Executive,6920,4,No 670 | 669,34,Research Analyst,6386,4,Yes 671 | 670,51,Research Analyst,5814,1,No 672 | 671,22,Sales Executive,3746,4,No 673 | 672,51,Manager,3968,2,No 674 | 673,48,Manager,5512,5,No 675 | 674,44,Sales Executive,6317,4,Yes 676 | 675,41,Research Analyst,5941,4,No 677 | 676,27,Research Analyst,8650,4,No 678 | 677,58,Manager,8066,1,No 679 | 678,41,Sales Executive,4935,2,No 680 | 679,58,Research Analyst,3486,4,No 681 | 680,27,Manager,7952,2,Yes 682 | 681,50,Manager,8871,2,No 683 | 682,34,Sales Executive,5880,1,No 684 | 683,48,Manager,7058,4,No 685 | 684,41,Research Analyst,5964,2,No 686 | 685,34,Manager,8103,4,No 687 | 686,29,Manager,6247,4,Yes 688 | 687,38,Manager,5494,3,No 689 | 688,51,Sales Executive,7449,5,No 690 | 689,22,Research Analyst,6096,4,No 691 | 690,45,Manager,5770,1,Yes 692 | 691,37,Sales Executive,8928,5,No 693 | 692,32,Manager,8448,1,No 694 | 693,25,Research Analyst,6271,1,No 695 | 694,25,Manager,3297,1,Yes 696 | 695,38,Sales Executive,8907,3,Yes 697 | 696,31,Manager,4347,5,No 698 | 697,42,Manager,6199,1,No 699 | 698,59,Manager,6703,3,No 700 | 699,39,Sales Executive,8847,5,No 701 | 700,31,Manager,7331,1,No 702 | 701,37,Manager,8144,1,No 703 | 702,36,Sales Executive,6668,4,Yes 704 | 703,55,Sales Executive,8795,5,No 705 | 704,26,Research Analyst,6502,2,No 706 | 705,38,Sales Executive,7640,1,No 707 | 706,58,Manager,7898,1,No 708 | 707,29,Manager,8674,1,No 709 | 708,45,Sales Executive,3860,4,Yes 710 | 709,49,Research Analyst,3228,4,Yes 711 | 710,29,Sales Executive,7946,4,No 712 | 711,44,Research Analyst,4079,5,Yes 713 | 712,56,Sales Executive,8994,3,Yes 714 | 713,52,Research Analyst,5595,5,No 715 | 714,38,Research Analyst,3355,3,Yes 716 | 715,49,Manager,8780,2,No 717 | 716,33,Research Analyst,8349,5,No 718 | 717,45,Manager,5403,1,No 719 | 718,36,Sales Executive,7910,2,Yes 720 | 719,52,Sales Executive,3091,1,Yes 721 | 720,48,Sales Executive,5110,3,No 722 | 721,56,Sales Executive,3497,4,No 723 | 722,39,Sales Executive,5299,3,No 724 | 723,57,Manager,5638,5,No 725 | 724,29,Sales Executive,7970,2,Yes 726 | 725,59,Research Analyst,7147,2,No 727 | 726,26,Manager,8828,2,No 728 | 727,35,Research Analyst,3902,3,No 729 | 728,59,Manager,5727,5,No 730 | 729,41,Research Analyst,5540,4,Yes 731 | 730,30,Manager,3300,2,No 732 | 731,54,Sales Executive,4866,4,No 733 | 732,39,Manager,5781,2,No 734 | 733,27,Manager,3846,2,No 735 | 734,58,Research Analyst,4152,3,No 736 | 735,23,Manager,6328,1,No 737 | 736,51,Manager,4908,2,No 738 | 737,27,Sales Executive,5117,1,No 739 | 738,38,Research Analyst,7793,3,No 740 | 739,44,Manager,4310,2,No 741 | 740,52,Research Analyst,5834,5,No 742 | 741,41,Manager,7714,2,No 743 | 742,26,Manager,3016,2,No 744 | 743,42,Research Analyst,4911,5,Yes 745 | 744,32,Sales Executive,6409,5,No 746 | 745,25,Manager,8323,2,Yes 747 | 746,44,Manager,5057,4,No 748 | 747,59,Manager,4929,3,No 749 | 748,51,Research Analyst,4100,4,Yes 750 | 749,39,Sales Executive,4728,2,Yes 751 | 750,52,Manager,8351,1,Yes 752 | 751,51,Manager,4948,5,Yes 753 | 752,55,Manager,4782,5,No 754 | 753,52,Research Analyst,5893,1,Yes 755 | 754,59,Research Analyst,7951,3,No 756 | 755,46,Research Analyst,6002,3,No 757 | 756,38,Research Analyst,5681,2,Yes 758 | 757,57,Sales Executive,6483,2,No 759 | 758,51,Research Analyst,4899,5,Yes 760 | 759,23,Research Analyst,7249,1,Yes 761 | 760,45,Manager,8708,1,Yes 762 | 761,30,Research Analyst,4560,4,No 763 | 762,22,Sales Executive,6845,3,No 764 | 763,45,Sales Executive,8154,3,No 765 | 764,59,Manager,3076,2,Yes 766 | 765,48,Sales Executive,6259,2,No 767 | 766,47,Research Analyst,6627,3,No 768 | 767,47,Research Analyst,3975,4,No 769 | 768,28,Sales Executive,3827,2,Yes 770 | 769,46,Sales Executive,6349,2,No 771 | 770,37,Research Analyst,4548,4,Yes 772 | 771,59,Manager,5928,5,No 773 | 772,39,Research Analyst,3645,3,Yes 774 | 773,38,Manager,4660,1,No 775 | 774,27,Manager,8986,1,Yes 776 | 775,41,Sales Executive,5327,1,Yes 777 | 776,44,Manager,8651,1,No 778 | 777,33,Research Analyst,5863,1,No 779 | 778,33,Research Analyst,5042,5,No 780 | 779,55,Sales Executive,6846,3,No 781 | 780,29,Manager,3068,2,No 782 | 781,48,Research Analyst,8321,1,No 783 | 782,29,Manager,8039,4,No 784 | 783,54,Research Analyst,5778,1,No 785 | 784,58,Research Analyst,7571,5,No 786 | 785,40,Research Analyst,4296,3,No 787 | 786,45,Research Analyst,4762,4,No 788 | 787,43,Sales Executive,8245,1,No 789 | 788,24,Sales Executive,4052,5,Yes 790 | 789,30,Manager,7380,1,No 791 | 790,32,Manager,5673,1,No 792 | 791,27,Sales Executive,5649,4,No 793 | 792,58,Research Analyst,4157,5,No 794 | 793,23,Manager,4602,3,No 795 | 794,58,Manager,8539,5,No 796 | 795,27,Sales Executive,3715,3,Yes 797 | 796,27,Manager,5637,3,Yes 798 | 797,57,Sales Executive,5744,3,No 799 | 798,46,Research Analyst,8598,3,No 800 | 799,37,Manager,5077,5,No 801 | 800,42,Research Analyst,7545,4,Yes -------------------------------------------------------------------------------- /data/metallicahistory.pdf: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/atilsamancioglu/PromptEngineeringCourse/53c30dc17fe3186d0d7dbc6cd3d82c4a5c66e109/data/metallicahistory.pdf -------------------------------------------------------------------------------- /media/scatterplot.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/atilsamancioglu/PromptEngineeringCourse/53c30dc17fe3186d0d7dbc6cd3d82c4a5c66e109/media/scatterplot.png --------------------------------------------------------------------------------