我用 ChatGPT 干的 18 件事！【人工智能中文站创始人:mydear麦田访谈】

新建了一个网站

https://ai.weoknow.com/

每天给大家更新可用的国内可用chatGPT

你确定你可以使用ChatGPT吗？
今天我整理了18种ChatGPT的使用方法，让大家看看你可以使用哪些。
1.语法修正
2.文本翻译
3.语言转换
4.代码解释
5.修复代码错误
6.作为百科全书
7.信息提取
8.朋友聊天
9.创意生成器
10.面试问题
11.论文大纲
12.故事创作
13.问题类比
14.创建SQL需求
15.情绪分析
16.将产品描述转化为广告
17.关键词提取
18.聊天机器人

1.语法修正
用途：打磨物品、纸张等。

2. 文本翻译

目的：日常学习商务翻译等。

3. 语言转换

Python–>JAVA
目的：工作目的，不同语言的工程师之间的合作，更方便。

import numpy as np
import plotly.express as pxdef thresholding_algo(y, lag, threshold):""":param y: 输入列表:param lag: 滑动窗口大小:param threshold: 调节系数，用于调节容忍范围的大小。:return:"""# signals：信号列表signals = np.zeros(len(y))avgFilter = np.zeros(len(y))# 初始化平均值列表、差值列表avgFilter[lag - 1] = np.mean(y[0:lag])dif_li = [0] * len(y)for i in range(lag, len(y)):if i < len(y) - lag - 30:for j in range(i + 11, len(y)):if y[j] >= y[i - 1]:breakif j >= len(y) - 30:back = y[i - 1]else:back = np.mean(y[j + 11:j + 20 + lag])else:back = y[i - 1]# 前后均值差值计算tmp = abs(back - avgFilter[i - 1])dif = (tmp if tmp > 1 else 1)if abs(y[i] - avgFilter[i - 1]) > dif * threshold:signals[i] = (1 if y[i] > avgFilter[i - 1] else -1)avgFilter[i] = np.mean(y[(i - lag):i])y[i] = avgFilter[i - 1]else:signals[i] = 0avgFilter[i] = np.mean(y[(i - lag):i])dif_li[i] = difreturn dict(signals=np.asarray(signals),avgFilter=np.asarray(avgFilter),y=np.asarray(y),dif=np.asarray(dif_li),)

public static Map<String, double[]> thresholding_algo(double[] y, int lag, double threshold) {double[] signals = new double[y.length];double[] avgFilter = new double[y.length];Arrays.fill(avgFilter, 0.0);avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));double[] dif_li = new double[y.length];Arrays.fill(dif_li, 0.0);for (int i = lag; i < y.length; i++) {int j;if (i < y.length - lag - 30) {for (j = i + 11; j < y.length; j++) {if (y[j] >= y[i - 1]) {break;}}double back;if (j >= y.length - 30) {back = y[i - 1];} else {back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));}} else {back = y[i - 1];}double tmp = Math.abs(back - avgFilter[i - 1]);double dif = tmp > 1 ? tmp : 1;if (Math.abs(y[i] - avgFilter[i - 1]) > dif * threshold) {signals[i] = y[i] > avgFilter[i - 1] ? 1 : -1;avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));y[i] = avgFilter[i - 1];} else {signals[i] = 0;avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));}dif_li[i] = dif;}Map<String, double[]> result = new HashMap<>();result.put("signals", signals);result.put("avgFilter", avgFilter);result.put("y", y);result.put("dif", dif_li);return result;
}private static double mean(double[] array) {double sum = 0.0;for (double d : array) {sum += d;}return sum / array.length;
}

4. 代码解释

用法：当我们来到一家新公司，发现我们的前工程师留下了一堆没人能理解的代码时，如果有人能帮我们解释这些代码的含义，那么我们就不想太高兴了。

def Fusion_algorithm(y_list):"""最终的融合算法1、第一次遍历列表: 处理掉小于上一个值的点，使其等于上一个值。2、第二次使用z-score来处理异常点：一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法，比如Z-score和移动平均线该算法将时间序列中的每个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得Z-score并将其用于检测异常值，将z-score大于3的数据点视为异常值，缺点：如果异常点太多，则该算法的准确性较差。3、:param y_list: 传入需要处理的时间序列:return:"""# 第一次处理for i in range(1, len(y_list)):difference = y_list[i] - y_list[i - 1]if difference <= 0:y_list[i] = y_list[i - 1]# 基于突变检测的方法：如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值，# 则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法，如Z-score突变检测、CUSUM（Cumulative Sum）# else:#     if abs(difference) > 2 * np.mean(y_list[:i]):#         y_list[i] = y_list[i - 1]# 第二次处理# 计算每个点的移动平均值和标准差ma = np.mean(y_list)# std = np.std(np.array(y_list))std = np.std(y_list)# 计算Z-scorez_score = [(x - ma) / std for x in y_list]# 检测异常值for i in range(len(y_list)):# 如果z-score大于3，则为异常点，去除if z_score[i] > 3:print(y_list[i])y_list[i] = y_list[i - 1]return y_list

注意：在前面的代码解释中，我们可以看到答案可能受到了代码中注释的影响。我们将删除这些评论，然后重试。对于解释中有些不清楚的地方，我们可以继续提问！

import numpy as np
from sklearn.ensemble import IsolationForest
import plotly.express as px
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import jsondef Fusion_algorithm(y_list):for i in range(1, len(y_list)):difference = y_list[i] - y_list[i - 1]if difference <= 0:y_list[i] = y_list[i - 1]# else:#     if abs(difference) > 2 * np.mean(y_list[:i]):#         y_list[i] = y_list[i - 1]ma = np.mean(y_list)std = np.std(y_list)z_score = [(x - ma) / std for x in y_list]for i in range(len(y_list)):if z_score[i] > 3:print(y_list[i])y_list[i] = y_list[i - 1]return y_list

5. 修复代码错误

用法：在编写一段代码后发现错误？让ChatGPT帮助您！

### Buggy Python
import Random
a = random.randint(1,12)
b = random.randint(1,12)
for i in range(10):question = "What is "+a+" x "+b+"? "answer = input(question)if answer = a*bprint (Well done!)else:print("No.")

6. 作为百科全书

目的：ChatGPT可以解释您的所有问题！但列出小说的特点有点棘手。经过测试，只有科幻小说可以上市，其他类型都不太好。也许ChatGPT培训工程师是科幻小说爱好者！

7. 信息提取

用法：作为自然语言处理的一个大模型，我们如何才能获得更少的信息提取？

8. 好友聊天

目的：输入对方的性格来模拟聊天。这个功能不是很完整，可能还有我还没有发现的新游戏。

9. 创意生成器

用法：你是否经常在创新中遇到思维瓶颈，而不知道如何做到这一点？别担心，让ChatGPT帮助您产生想法！

VR 和密室结合

再结合 AR

10. 采访问题

用法：也许你是一名媒体工作者，不知道如何写采访问题？ChatGPT可以帮助您解决这个问题。

采访问题清单

采访问题清单并给出相应答案

11. 论文大纲

用法：这个功能对研究生来说简直不太令人满意。我一直对如何写大纲感到沮丧，直接列出大纲对我有很大帮助！对于大纲中未理解的要点，请直接请求ChatGPT提供进一步解释。代码也可以存在！哪一章写得不太好，让ChatGPT直接安排一下，这样论文就可以很快写完了！

创建论文大纲

解释大纲内容

class PBA(nn.Module):def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange):super(PBA, self).__init__()self.PerformanceThreshold = PerformanceThresholdself.DistributionType = DistributionTypeself.AttentionWeightRange = AttentionWeightRangedef forward(self, input, performance_scores):# 计算注意力分数attention_scores = []for i in range(len(input)):if performance_scores[i] > self.PerformanceThreshold:attention_scores.append(performance_scores[i])else:attention_scores.append(0.0)# 将性能分数映射到注意力权重if self.DistributionType == "softmax":attention_weights = F.softmax(torch.tensor(attention_scores), dim=0)elif self.DistributionType == "sigmoid":attention_weights = torch.sigmoid(torch.tensor(attention_scores))else:raise ValueError("Unknown distribution type: {}".format(self.DistributionType))# 缩放注意力权重到指定范围attention_weights = attention_weights * (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) + self.AttentionWeightRange[0]# 计算加权输入weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))output = torch.sum(weighted_input, dim=0)return output