O recenzentach

Przedmowa

Rozdział 1. Witamy w nowym świecie asystentów AI

• Wprowadzenie
• Skąd wziął się ChatGPT - od NLP do modeli LLM
  • Rozwój modeli LLM
  • Modele GPT
  • Dlaczego LLM-y działają lepiej?
• Nowy paradygmat - programowanie w języku naturalnym
  • Wyzwania i ograniczenia
• O tej książce
• Dla kogo jest ta książka?
• Ewolucja języków programowania
  • Spojrzenie w przyszłość
• Jak korzystać z tej książki?

Rozdział 2. Strategia podpowiedzi

• Wprowadzenie
• Na jakim jesteś etapie?
• Wskazówki dotyczące efektywnego podpowiadania
  • Techniki podpowiedzi
• Strategia podpowiedzi w tworzeniu aplikacji internetowych
  • Analiza problemu "system internetowy do zarządzania zapasami"
  • Dalszy podział frontendu na funkcje
  • Generowanie podpowiedzi dla każdej funkcji
  • Podstawowe zasady - "strategia podpowiedzi" w tworzeniu aplikacji internetowych
• Strategia podpowiedzi w data science
  • Analiza problemu "przewidywanie sprzedaży"
  • Dalszy podział na funkcje i etapy
  • Generowanie podpowiedzi dla każdego etapu
  • Podstawowe zasady - "strategia podpowiedzi" w tworzeniu aplikacji internetowych
• Walidacja rozwiązania
  • Weryfikacja z użyciem podpowiedzi
  • Klasyczna weryfikacja
• Podsumowanie

Rozdział 3. Narzędzia pracy - poznaj nasze asystenty AI

• Wprowadzenie
• Copilot
  • Skąd Copilot wie, co wygenerować?
  • Możliwości i ograniczenia Copilota
  • Instalacja i konfiguracja
  • Pierwsze kroki z Copilotem
  • Zadanie: ulepsz kod
  • Rozwiązanie
  • Wyzwanie
  • Więcej informacji
• ChatGPT
  • Jak działa ChatGPT?
  • Możliwości i ograniczenia usługi ChatGPT
  • Instalacja i konfiguracja
  • Pierwsze kroki z ChatGPT
• Podsumowanie

Rozdział 4. Projektowanie wyglądu aplikacji z użyciem HTML-a i Copilota

• Wprowadzenie
• Problem biznesowy - e-commerce
  • Dziedzina problemu
  • Analiza problemu - identyfikowanie funkcji
  • Strategia podpowiedzi
• Struktura strony
• Tworzenie struktury strony z użyciem asystenta AI
  • Twoja pierwsza podpowiedź - proste podpowiadanie i wspomaganie asystenta AI
  • Twoja druga podpowiedź - dodawanie kontekstu
  • Twoja trzecia podpowiedź - akceptowanie sugerowanych podpowiedzi
• Wyzwanie - modyfikacja podpowiedzi
• Scenariusz: budowanie witryny aplikacji e-commerce
  • Strona logowania
  • Strona z listą produktów
  • Pozostałe strony
• Zadanie
• Wyzwanie
• Quiz
• Podsumowanie

Rozdział 5. Nadawanie stylów z użyciem CSS-a i Copilota

• Wprowadzenie
• Problem biznesowy - e-commerce
• Dziedzina problemu i danych
• Analiza funkcji
• Strategia podpowiedzi
• CSS, czyli kaskadowe arkusze stylów
  • Pierwsza podpowiedź CSS
  • CSS według nazwy
• Zadanie
• Rozwiązanie
• Scenariusz - style w aplikacji e-commerce
  • Strona koszyka
• Wyzwanie
• Quiz
• Podsumowanie

Rozdział 6. Dodawanie działań z użyciem JavaScriptu

• Wprowadzenie
• Problem biznesowy - e-commerce
• Dziedzina problemu i danych
• Analiza funkcji
• Strategia podpowiedzi
• Dodawanie JavaScriptu
  • Rola języka JavaScript
  • Dodawanie JavaScriptu do strony
  • Drugi przykład - dodawanie biblioteki lub platformy JavaScript
• Wyzwanie
• Scenariusz - dodawanie działania
  • Poprawianie danych wyjściowych
  • Dodawanie Bootstrapa
  • Dodawanie Vue.js
• Zadanie
• Rozwiązanie
• Podsumowanie

Rozdział 7. Obsługa wielu obszarów widoku z użyciem układów responsywnych

• Wprowadzenie
• Problem biznesowy - e-commerce
• Dziedzina problemu i danych
• Dzielenie problemu na funkcje
• Strategia podpowiedzi
• Obszary widoku
  • Kwerendy medialne
  • Kiedy dostosowywać układ do różnych obszarów widoku?
• Scenariusz: responsywna galeria produktów
• Zadanie
• Rozwiązanie
• Wyzwanie
• Podsumowanie

Rozdział 8. Budowanie backendu z użyciem interfejsów Web API

• Wprowadzenie
• Problem biznesowy - e-commerce
• Dziedzina problemu i danych
• Analiza funkcji
• Strategia podpowiedzi
• Interfejsy Web API
  • Jaki język i jaką platformę wybrać?
  • Planowanie interfejsu Web API
• Tworzenie Web API z użyciem Pythona i Flaska
  • Etap 1. Tworzenie nowego projektu
  • Etap 2. Instalowanie Flaska
  • Etap 3. Tworzenie punktu wejścia
  • Etap 4. Tworzenie aplikacji Flaska
• Scenariusz: Web API dla witryny e-commerce
  • Etap 1. Tworzenie Web API dla witryny e-commerce
  • Etap 2. Zwracanie danych w formacie JSON zamiast zwykłego tekstu
  • Etap 3. Dodawanie kodu odczytującego i zapisującego bazę danych
  • Etap 4. Ulepszanie kodu
  • Etap 5. Dokumentowanie interfejsu API
• Zadanie
• Rozwiązanie
• Wyzwanie
• Podsumowanie

Rozdział 9. Wzbogacanie aplikacji internetowych o usługi AI

• Wprowadzenie
• Problemy biznesowy - e-commerce
• Dziedzina problemu i danych
• Analiza funkcji
• Strategia podpowiedzi
• Tworzenie modelu
• Plan działania
  • Importowanie bibliotek
  • Wczytywanie pliku CSV
  • Tworzenie testowego i treningowego zbioru danych
  • Tworzenie modelu
  • Jak dobry jest model?
  • Przewidywanie
  • Zapisywanie modelu w pliku .pkl
  • Tworzenie interfejsu REST API w Pythonie
• Przekształcanie modelu w format ONNX
  • Tworzenie modelu w formacie ONNX
• Wczytywanie modelu ONNX w JavaScripcie
  • Instalowanie biblioteki onnxruntime w JavaScripcie
  • Wczytywanie modelu ONNX w JavaScripcie
• Zadanie - zbuduj w JavaScripcie interfejs REST API, który udostępnia model
• Rozwiązanie
• Quiz
• Podsumowanie

Rozdział 10. Konserwacja istniejących baz kodu

• Wprowadzenie
• Strategia podpowiedzi
• Różne typy konserwacji kodu
• Proces konserwacji
• Usuwanie usterki
  • 1. Identyfikowanie problemu
  • 2. Implementowanie zmiany
• Dodawanie nowej funkcji
  • 1. Identyfikowanie problemu i znajdowanie funkcji, które należy zmienić
  • 2. Implementowanie zmiany oraz dodawanie nowej funkcji i testów
• Zwiększanie wydajności
  • Obliczanie złożoności obliczeniowej w notacji dużego O
  • Mierzenie wydajności
• Zwiększanie łatwości konserwacji kodu
  • 1. Identyfikowanie problemów. Jakie problemy dostrzegasz?
  • 2. Dodawanie testów i minimalizowanie ryzyka zmian
  • 3. Implementowanie zmiany i zwiększanie łatwości konserwacji
• Wyzwanie
• Aktualizowanie istniejącej witryny e-commerce
• Zadanie
• Sprawdzian wiedzy
• Podsumowanie

Rozdział 11. Eksploracja danych z użyciem ChatGPT

• Wprowadzenie
• Problem biznesowy
• Dziedzina problemu i danych
  • Przegląd zbioru danych
• Analiza funkcji
• Strategia podpowiedzi
  • Strategia 1. Strategia podpowiedzi zadanie - działania - wskazówka (TAG)
  • Strategia 2. Strategia podpowiedzi persona - instrukcje - kontekst (PIC)
  • Strategia 3. Strategia podpowiedzi nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE)
• Eksploracja danych w zbiorze recenzji produktów Amazona z użyciem bezpłatnej wersji ChatGPT
  • Funkcja 1. Wczytywanie zbioru danych
  • Funkcja 2. Inspekcja danych
  • Funkcja 3. Podsumowania statystyczne
  • Funkcja 4. Badanie zmiennych kategorycznych
  • Funkcja 5. Rozkład ocen
  • Funkcja 6. Trendy czasowe
  • Funkcja 7. Analiza długości recenzji
  • Funkcja 8. Badanie korelacji
• Eksploracja danych w zbiorze recenzji produktów Amazona z użyciem ChatGPT-4o
• Zadanie
• Wyzwanie
• Podsumowanie

Rozdział 12. Budowanie modelu klasyfikacji z użyciem ChatGPT

• Wprowadzenie
• Problem biznesowy
• Dziedzina problemu i danych
  • Przegląd zbioru danych
• Dzielenie problemu na funkcje
• Strategia podpowiedzi
  • Strategia 1. Zadanie - działanie - wskazówka (TAG)
  • Strategia 2. Persona - instrukcje - kontekst (PIC)
  • Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE)
• Budowanie modelu analizy odczuć do dokładnego klasyfikowania recenzji produktów Amazona z użyciem bezpłatnej wersji ChatGPT
  • Funkcja 1. Wstępne przetwarzanie danych i inżynieria cech
  • Funkcja 2. Wybór i trening modelu podstawowego
  • Funkcja 3. Ewaluacja i interpretacja modelu
  • Funkcja 4. Obsługa niezrównoważonych danych
  • Funkcja 5. Dostrajanie hiperparametrów
  • Funkcja 6. Eksperymentowanie z reprezentacją cech
• Budowanie modelu analizy odczuć do dokładnego klasyfikowania recenzji produktów Amazona z użyciem ChatGPT-4 lub ChatGPT Plus
  • Funkcja 1. Wstępne przetwarzanie danych i inżynieria cech
  • Funkcja 2. Wybór i trening modelu podstawowego
  • Funkcja 3. Ewaluacja i interpretacja modelu
  • Funkcja 4. Obsługa niezrównoważonych danych
  • Funkcja 5. Dostrajanie hiperparametrów
  • Funkcja 6. Eksperymentowanie z reprezentacją cech
• Zadanie
• Wyzwanie
• Podsumowanie

Rozdział 13. Budowanie modelu regresji do prognozowania wydatków klientów z użyciem ChatGPT

• Wprowadzenie
• Problem biznesowy
• Dziedzina problemu i danych
  • Przegląd zbioru danych
• Dzielenie problemu na funkcje
• Strategia podpowiedzi
  • Strategia 1. Zadanie - działanie - wskazówka (TAG)
  • Strategia 2. Persona - instrukcje - kontekst (PIC)
  • Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE)
• Budowanie prostego modelu regresji liniowej do przewidywania rocznej kwoty wydatków z użyciem bezpłatnej wersji ChatGPT
  • Funkcja 1. Budowanie modelu krok po kroku
  • Funkcja 2. Stosowanie technik regularyzacji
  • Funkcja 3. Generowanie syntetycznego zbioru danych w celu zwiększenia złożoności
  • Funkcja 4. Generowanie kodu do tworzenia modelu w jednym kroku dla syntetycznego zbioru danych
• Nauka prostej regresji liniowej z użyciem ChatGPT Plus
  • Funkcja 1. Budowanie prostego modelu regresji liniowej krok po kroku
  • Funkcja 2. Stosowanie technik regularyzacji
  • Funkcja 3. Generowanie syntetycznego zbioru danych w celu zwiększenia złożoności
  • Funkcja 4. Generowanie kodu do tworzenia modelu w jednym kroku dla syntetycznego zbioru danych
• Zadanie
• Wyzwanie
• Podsumowanie

Rozdział 14. Budowanie modelu MLP dla zbioru danych Fashion-MNIST z użyciem ChatGPT

• Wprowadzenie
• Problem biznesowy
• Dziedzina problemu i danych
  • Przegląd zbioru danych
• Dzielenie problemu na funkcje
• Strategia podpowiedzi
  • Strategia 1. Zadanie - działania - wskazówki (TAG)
  • Strategia 2. Persona - instrukcje - kontekst (PIC)
  • Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE)
• Budowanie modelu MLP do dokładnego klasyfikowania obrazów Fashion-MNIST z użyciem bezpłatnej wersji ChatGPT
  • Funkcja 1. Budowanie podstawowego modelu
  • Funkcja 2. Dodawanie warstw do modelu
  • Funkcja 3. Eksperymentowanie z rozmiarami wsadu
  • Funkcja 4. Eksperymentowanie z liczbą neuronów
  • Funkcja 5. Wypróbowywanie różnych optymalizatorów
• Zadanie
• Wyzwanie
• Podsumowanie

Rozdział 15. Budowanie modelu CNN dla zbioru danych CIFAR-10 z użyciem ChatGPT

• Wprowadzenie
• Problem biznesowy
• Dziedzina problemu i danych
  • Przegląd zbioru danych
• Dzielenie problemu na funkcje
• Strategia podpowiedzi
  • Strategia 1. Zadanie - działania - wskazówki (TAG)
  • Strategia 2. Persona - instrukcje - kontekst (PIC)
  • Strategia 3. Nauka - improwizacja - informacje zwrotne - ewaluacja (LIFE)
• Budowanie modelu CNN do dokładnego klasyfikowania obrazów CIFAR-10 z użyciem bezpłatnej wersji ChatGPT
  • Funkcja 1. Budowanie podstawowego modelu CNN z jedną warstwą konwolucyjną
  • Funkcja 2. Eksperymentowanie z dodawaniem warstw konwolucyjnych
  • Funkcja 3. Zastosowanie regularyzacji metodą porzucania
  • Funkcja 4. Implementacja normalizacji wsadowej
  • Funkcja 5. Optymalizacja z użyciem różnych optymalizatorów
  • Funkcja 6. Stosowanie architektury DavidNet
• Zadanie
• Wyzwanie
• Podsumowanie

Rozdział 16. Uczenie nienadzorowane - klasteryzacja i PCA

• Wprowadzenie
• Dzielenie problemu na funkcje
• Strategia podpowiedzi
• Segmentacja klientów
  • Zbiór danych
  • Tworzenie modelu uczenia nienadzorowanego za pomocą asystenta AI
• Klasteryzacja produktów w projekcie e-commerce
  • Wstępna podpowiedź: określenie kontekstu
  • Wczytywanie i wstępne przetwarzanie danych
  • Inżynieria cech i wstępne przetwarzanie danych tekstowych
  • Wybór algorytmu klasteryzacji
  • Skalowanie cech
  • Stosowanie algorytmu klasteryzacji
  • Interpretacja klastrów i wizualizacja wyników
  • Przypisywanie kategorii do produktów, ewaluacja i dopracowywanie
• Uwagi dotyczące podpowiedzi użytych w tym przykładzie
• Zadanie
• Rozwiązanie
• Podsumowanie

Rozdział 17. Uczenie maszynowe z użyciem Copilota

• Wprowadzenie
• Czat GitHub Copilot w Twoim środowisku IDE
  • Jak to działa?
• Przegląd zbioru danych
• Etapy eksploracji danych
• Strategia podpowiedzi
• Początkowa podpowiedź dotycząca eksploracji danych - określanie ogólnego kontekstu
• Etap 1. Wczytywanie zbioru danych
  • Wykonywanie kodu do wczytywania danych
• Etap 2. Inspekcja danych
• Etap 3. Statystyki zbiorcze
• Etap 4. Eksploracja zmiennych kategorycznych
• Etap 5. Rozkład ocen
• Etap 6. Analiza czasowa
• Etap 7. Analiza długości recenzji
• Etap 8. Analiza korelacji
• Etap 9. Dodatkowa analiza eksploracyjna
• Etap 10. Wstępne przetwarzanie tekstu
• Etap 11. Analiza częstości występowania słów
• Etap 12. Obliczanie wskaźnika wydźwięku
  • Wstępne przetwarzanie tekstu
  • Analiza częstości występowania słów
  • Obliczanie wskaźnika wydźwięku
• Etap 13. Wizualizacja rozkładu wskaźników wydźwięku
• Etap 14. Analiza zależności między wskaźnikiem wydźwięku a innymi zmiennymi
  • Wizualizacja rozkładu wskaźników wydźwięku
  • Analiza zależności między wskaźnikiem wydźwięku a innymi zmiennymi
• Zadanie
• Rozwiązanie
• Podsumowanie

Rozdział 18. Regresja z użyciem czatu Copilota

• Wprowadzenie
• Regresja
• Przegląd zbioru danych
  • Eksploracja zbioru danych
• Strategia podpowiedzi
  • Początkowa podpowiedź
  • Eksploracyjna analiza danych
  • Podział danych
  • Budowanie modelu regresji
• Ewaluacja modelu
  • Miary ewaluacji
• Zadanie
• Podsumowanie

Rozdział 19. Regresja z użyciem sugestii Copilota

• Wprowadzenie
• Przegląd zbioru danych
• Strategia podpowiedzi
• Rozpoczynanie kodowania za pomocą Copilota
  • Etap 1. Importowanie bibliotek za pomocą Copilota
  • Etap 2. Wczytywanie i eksploracja zbioru danych
  • Etap 3. Dzielenie danych na zbiory treningowy i testowy
  • Etap 4. Budowanie modelu regresji
  • Etap 5. Trenowanie modelu
  • Etap 6. Ewaluacja modelu
• Zadanie
• Podsumowanie

Rozdział 20. Efektywniejsza praca z Copilotem

• Wprowadzenie
• Generowanie kodu i automatyzacja
  • Aktywny edytor Copilota
  • Czat Copilota
• Polecenia Copilota
  • Tworzenie notatnika
  • Tworzenie projektu
• Debugowanie i rozwiązywanie problemów
• Techniki recenzowania i optymalizowania kodu
• Przestrzeń robocza
• Wyszukiwanie funkcji Visual Studio Code
• Terminal
• Zadanie
• Wyzwanie
• Quiz
• Podsumowanie

Rozdział 21. Agenty w tworzeniu oprogramowania

• Wprowadzenie
• Czym są agenty?
  • Jak działają agenty?
• Prostsze agenty a agenty używające sztucznej inteligencji
• Prostsze agenty
  • Prosty agent nie jest dobrym rozmówcą
  • Lepsza konwersacja z wywoływaniem narzędzi i użyciem dużych modeli językowych (LLM)
  • Anatomia agenta konwersacyjnego
  • Więcej o wywoływaniu narzędzi w modelach LLM
  • Dodawanie możliwości do GPT z użyciem narzędzi
• Zaawansowane konwersacje
  • Modelowanie zaawansowanej konwersacji
  • Pseudokod do zaawansowanych konwersacji
• Agenty autonomiczne
• Zadanie
• Wyzwanie
• Quiz
• Podsumowanie
• Materiały dodatkowe

Rozdział 22. Wnioski

• Podsumowanie książki
• Najważniejsze wnioski
• Co dalej?
• I wreszcie.

• Назва: Programowanie wspomagane AI. Automatyzacja pracy programisty dzięki ChatGPT i GitHub Copilot
• Автор: Christoffer Noring, Anjali Jain, Marina Fernandez, Ayşe Mutlu, Ajit Jaokar
• Оригінальна назва: AI-Assisted Programming for Web and Machine Learning: Improve your development workflow with ChatGPT and GitHub Copilot
• Переклад: Grzegorz Werner
• ISBN: 978-83-289-2426-0, 9788328924260
• Дата видання: 2025-07-01
• Формат: Eлектронна книга
• Ідентифікатор видання: prwsai
• Видавець: Helion