Введение
Data Science и машинное обучение — это не только алгоритмы и математика, но и рутина: очистка данных, подбор гиперпараметров, отладка пайплайнов. По оценкам многих практиков, до 80% времени уходит на подготовку данных, а не на моделирование. Нейросети, такие как ChatGPT, Claude или Gemini, могут стать незаменимыми ассистентами, если правильно формулировать запросы. В этой подборке я собрал проверенные промты, которые помогут ускорить работу на всех этапах: от исследования данных до деплоя модели. Каждый промт сопровождается примером и пояснением.
Базовые промты
1. Генерация синтетических данных для тестирования
Задача: быстро создать реалистичный датасет для отладки пайплайна.
Промт:
Сгенерируй синтетический датасет из 1000 строк с колонками: возраст (18-70), доход (30k-150k), город (из списка: Москва, Санкт-Петербург, Новосибирск), целевая переменная — купил ли клиент продукт (0/1). Добавь реалистичные корреляции: чем выше доход, тем выше вероятность покупки. Верни в формате CSV.
Пример результата: нейросеть выдаст CSV с правдоподобными данными, которые можно использовать для тестирования моделей без нарушения приватности.
2. Быстрый анализ датасета
Задача: получить первичную статистику и выявить проблемы.
Промт:
У меня есть датасет с колонками: [список]. Напиши код на Python с использованием pandas и seaborn, который выведет: 1) размер, 2) типы данных, 3) пропуски, 4) распределение числовых признаков, 5) матрицу корреляций. Сохрани графики в папку 'plots'.
Пример результата: готовый скрипт, который можно сразу запустить в Jupyter Notebook.
3. Интерпретация метрик модели
Задача: понять, почему модель показывает низкое качество.
Промт:
Моя модель классификации имеет accuracy=0.75, precision=0.6, recall=0.9. Объясни, что это значит, и предложи шаги для улучшения. Учти, что данные несбалансированы.
Пример результата: нейросеть объяснит, что высокий recall при низком precision означает много ложноположительных срабатываний, и предложит попробовать class_weight или изменить порог.
Продвинутые промты
4. Автоматическая очистка данных
Задача: удалить выбросы и заполнить пропуски без ручного анализа.
Промт:
Напиши функцию на Python, которая для датафрейма df автоматически: 1) удаляет строки с пропусками >50%, 2) заполняет числовые пропуски медианой, 3) категориальные — модой, 4) удаляет выбросы методом IQR для числовых колонок. Верни очищенный df и отчет о количестве удаленных строк.
Пример результата: функция clean_data(df), которую можно добавить в пайплайн.
5. Подбор гиперпараметров через Optuna
Задача: оптимизировать модель без ручного перебора.
Промт:
Напиши код для Optuna, который подберет гиперпараметры для XGBoost на моем датасете (X_train, y_train). Используй 5-кратную кросс-валидацию, метрика — ROC AUC. Запусти 50 испытаний. Выведи лучшие параметры и сохрани модель.
Пример результата: скрипт с исследованием, который можно запустить и получить готовую модель.
6. Генерация признаков для временных рядов
Задача: создать лаговые и скользящие признаки.
Промт:
У меня есть временной ряд с ежедневными продажами. Сгенерируй признаки: лаги 1,7,30 дней, скользящее среднее за 7 и 30 дней, день недели, месяц. Напиши код на pandas.
Пример результата: DataFrame с новыми колонками, готовый для обучения.
Экспертные промты
7. Построение пайплайна с MLflow
Задача: организовать отслеживание экспериментов.
Промт:
Напиши шаблон MLflow-проекта для обучения модели: логирование параметров, метрик, артефактов. Включи этапы предобработки, обучения и оценки. Используй scikit-learn и MLflow.
Пример результата: структура проекта с MLproject и кодом, который автоматически логирует все запуски.
8. Деплой модели через FastAPI
Задача: быстро поднять API для модели.
Промт:
Создай FastAPI-приложение, которое загружает сохраненную модель (pickle) и предоставляет эндпоинт /predict. Принимает JSON с признаками, возвращает предсказание. Добавь валидацию входных данных через Pydantic.
Пример результата: готовый main.py, который можно запустить через uvicorn.
9. Мониторинг дрейфа данных
Задача: отслеживать деградацию модели в продакшене.
Промт:
Напиши скрипт на Python, который сравнивает распределение признаков в обучающей выборке и новых данных, используя тест Колмогорова-Смирнова. Если p-value < 0.05, выводит предупреждение о дрейфе.
Пример результата: функция detect_drift(), которую можно вызывать по расписанию.
Визуализация данных
10. Интерактивные графики с Plotly
Задача: создать дашборд для презентации.
Промт:
Сгенерируй код на Plotly для интерактивного дашборда: гистограмма распределения целевой переменной, scatter plot двух признаков с цветом по классу, boxplot для выбросов. Используй данные из df.
Пример результата: HTML-файл с графиками, который можно открыть в браузере.
11. Автоматический EDA с Sweetviz
Задача: получить полный отчет по данным за секунды.
Промт:
Напиши код, который использует библиотеку Sweetviz для создания HTML-отчета по датасету df. Включи сравнение с тестовой выборкой.
Пример результата: один вызов функции — и готовый отчет с графиками и статистикой.
12. Визуализация важности признаков
Задача: объяснить модель заказчику.
Промт:
Построй график важности признаков для модели RandomForest с помощью SHAP. Напиши код, который выведет summary_plot и dependence_plot для топ-5 признаков.
Пример результата: интерпретируемые графики, которые покажут вклад каждого признака.
Заключение
Промты для Data Science и ML — это не замена экспертизе, а ускоритель рутинных задач. Используйте их для генерации кода, очистки данных, визуализации и деплоя. Главное — проверяйте результаты и адаптируйте под свои данные. Начните с базовых промтов, постепенно переходя к экспертных. И помните: нейросеть — ваш ассистент, но решения принимаете вы.
Попробуйте эти промты в своем следующем проекте — и вы удивитесь, насколько быстрее пойдет работа.
Комментарии