这两天刚好在调程序中，无意中用到了Google Monica，真的让人惊叹不已！
先给结论：编写、调优程序，解释运行结果基本无障碍！
Colab + Monica的流畅和无缝程度，应该远超当时我发过的一篇基于Colab + ChatGPT文章中的效果《GoogleColab + ChatGPT 堪称一站式科研提速神器（堪称代码语法苦恼者的福音）！》。
最关键的是，它是免费的！
这里就不对安装和基本的操作展开聊了，大家可自行去下载安装，我们直接进入主题，看看在Google Colab下用Monica会有怎样的神奇效果！
Google Colab + Monica环境准备
这是Google Colab当前的主页面，经过一段漫长的过程，数据已经完成了pre-processing，接下来基本上可以对已经预处理的数据，用一些常规的算法进行transform。
Monica安装完成后，在侧面会有一个Monica的小浮标
点击之后会出现如下对话框，它支持聊天、写作和备忘，并且支持GPT3.5 Turbo, GPT4, 艺术设计和团队支持！
这些功能，大家可以自行探索，这篇文章主要聚焦Google Colab + Monica中的一些代码操作。
1. 生成代码的能力如何？
为了简单起见，我直接用中文提出一个问题：
“我有一个已经经过预处理的数据集，并且通过df读取了，请写一段代码来对该数据进行PCA，并通过图像展示出来，需要注意的是不同类的instance展示不同的颜色。”
Monica的回答“好的，以下是一段Python代码，可以使用PCA对数据进行降维，并通过图像展示出来，不同类的instance会用不同的颜色表示：”
“其中，your_dataset.csv是你的数据集文件名，label是数据集中的标签列名。你需要将这些变量替换成你自己的变量名。n_components可以设置为你想要的主成分数量。在这个例子中，我们选择了2个主成分，因为我们想要将数据可视化成2D图像。colors和labels分别表示每个类别对应的颜色和标签。”
直接将代码Copy/Paste至Colab的代码框中，并按照它的提示，将数据集名称和标签名修改。
直接运行代码，结果如下：
从结果可以看出，经过PCA之后的数据集分布情况，由于该数据集分类实际上只有两类，所以结果只有红色和绿色，并没有蓝色的数据点。
代码生成能力没问题！
2. 能否基于生成的代码进行优化？
考虑到PCA只设置了两个维度，从图上的结果看，两类数据点的分布并不非常明显，那么我们再增加一个维度，来看看能否找到这两类数据点更为合理的界限。
所以，提出相应问题如下：
直接将代码Copy/Paste至Colab的代码框中，并按照它的提示，将数据集名称和标签名修改：
直接运行代码，结果如下：
我们通过提问，进一步将图像结果进行优化：
“能否将三维图的背景改为黑色，并且将尺寸放大2倍？”
“是的，可以通过设置坐标系的属性来将三维图的背景改为黑色，并且可以通过设置figsize参数来将图像尺寸放大2倍。以下是修改后的代码：”
直接将代码Copy/Paste至Colab的代码框中，并按照它的提示，将数据集名称和标签名修改：
直接运行代码，结果如下：
以上，你可以根据自己的需求，进一步对结果进行优化。
3. 解释运行结果的能力如何？
下面是一段通过各种机器学习算法，比如Decision Tree、Logistic Regression, Random Forest，Xgboost等算法对数据进行运算后的性能结果：
选择这些结果，Monica便自动将内容copy/paste至右侧对话框中，并提示我们希望对该文本进行什么操作～
选择摘要：
“您希望对文本进行什么操作？”
“用原文语言概括这段文字。”
Monica直接给出了摘要结论：这段文字是对四个不同分类器（决策树、逻辑回归、朴素贝叶斯和KNN）在一个数据集上进行性能比较的结果。每个分类器都包括交叉验证得分、分类报告、混淆矩阵、准确率、误报率、训练时间、预测时间和CPU和内存使用情况等指标。其中，决策树和逻辑回归的表现相似且较好，而朴素贝叶斯的表现相对较差。
我们进一步看Monica能否对结果进行讨论：
“能否对上述结果进行深入的讨论？”
“可以，以下是对这些结果的深入讨论：
决策树和逻辑回归的性能表现相似，都具有较高的准确度和较低的假阳性率。这表明它们可以很好地分类数据集，并且在不产生过多误报的情况下识别出真正的阳性样本。此外，它们的训练时间和预测时间都比朴素贝叶斯和KNN要短得多。
朴素贝叶斯的准确度和假阳性率都比决策树和逻辑回归要低，这表明该模型在识别真正的阳性样本方面存在一定的困难。此外，朴素贝叶斯的训练时间比其他三种模型要短得多，这使得它成为处理大型数据集时的有用工具。
KNN的准确度较高，但假阳性率也很高。这表明该模型可能会在某些情况下将负样本错误地分类为阳性样本。此外，KNN的交叉验证分数表现不佳，这可能意味着它对于该数据集而言并不是最佳选择。”
以上，从代码编写、代码调优和结果讨论几个角度，对Colab + Monica初步体验了一番，其流畅程度无可比拟。体验过后，简单一句话来说，你缺的不再会是代码编写和执行，缺的是创新的Idea。
当然，只有你自己试过了才知道。
参考文献：
[1]https://chrome.google.com/webstore/detail/monica-your-ai-copilot-po/ofpnmcalabcbjgholdjcjblkibolbppb
[2] https://blog.google/technology/developers/google-colab-ai-coding-features/
[3] https://research.google.com/colaboratory/
HAVE FUN!
SciChat，你的专属学术和工程AI助手，只为赋能更好的你！
来扫我吧，Let’s SciChat~
原创文章，作者：门童靖博士，如若转载，请注明出处：https://www.agent-universe.cn/2023/06/11391.html
