Giriş

Veri analizi ve kod üretimi süreçlerinde doğru şekilde kurgulanmış yapay zeka promptları, tekrarlayan görevleri hızlandırabilir ve ilk çözümler üretmenize yardımcı olabilir. Hazır şablonlar; veri temizleme, özetleme ve sorgulama gibi adımlar için etkili başlangıç noktaları sağlar ve yazılım hata ayıklama süreçlerinde destek sunabilir. Bu rehberde hem veri hem de kod odaklı pratik prompt örnekleri, kullanım notları ve doğrulama adımları verilmektedir; ilgili metodlar için örnek kaynaklara bağlantılar eklenmiştir (Prompt Oluştur, Hazır Promptlar).

Temel İlkeler: Etkili Prompt için Kontrol Listesi

• Açık amaç: Ne elde etmek istediğinizi tek cümleyle belirtin (ör. "CSV için temizleme fonksiyonu üret").
• Bağlam: Veri şeması, örnek satırlar veya kod parçacıkları ekleyin.
• Çıktı formatı: Kod mu, açıklama mı, tablo mu? Netleştirin (örn. "sadece çalıştırılabilir Python fonksiyonu" ).
• Kısıtlar ve varsayımlar: Performans, kütüphane tercihleri (pandas, SQLAlchemy vb.), Python sürümü gibi gereksinimleri yazın.
• Test gereksinimleri: Birim test veya örnek giriş-çıkış çiftleri talep edin.
• Adım adım isteği: Karmaşık görevlerde modelden önce plan (plan, adımlar, sonra kod) isteyin.

Pratik Prompt Şablonları

Aşağıda farklı görevler için doğrudan kopyalayıp kullanabileceğiniz veya kolayca uyarlayabileceğiniz şablonlar yer alıyor. Her şablonun altında kullanım notları ve doğrulama adımları bulunur.

1) Veri Temizleme — Pandas Fonksiyonu Üret

Elimde 'data.csv' adlı dosya var. Sütunlar: "date", "user_id", "amount", "status". Yapılmasını istediğim işlemler:

• Tarih sütununu ISO (YYYY-MM-DD) biçimine getir.
• Eksik "status" değerleri için en sık değeri kullanarak doldur.

Çıktı: Sadece çalıştırılabilir bir Python fonksiyonu yazın: def clean_data(df): ... . Girdi olarak pandas DataFrame, çıktı olarak temizlenmiş DataFrame dönecek. Kodu kısa ve anlaşılır tutun; gerekli kütüphane importlarını ekleyin ve her adım için tek satırlık yorum ekleyin.

Nasıl kullanılır: Prompt içinde veri örneği (ilk 5 satır) ve kullanılan pandas sürümü belirtin. Üretilen fonksiyonu küçük bir test DataFrame ile çalıştırıp beklenen dönüşü kontrol edin.

2) Keşifsel Veri Analizi (EDA) Özeti

Veri kümesini özetleyen bir rapor oluştur: sütun isimleri, türleri, eksik değer oranları, temel istatistikler (sayısal sütunlar için min/medyan/ortalama/max), kategorik sütunlardaki en sık 5 değer ve modelleme için önerilen 3 özellik seçimi. Çıktı: 1) Kısa metin özeti, 2) Python ile hesaplanan temel istatistikleri üreten kod bloğu, 3) kısa öneriler listesi.

Kullanım: Modelleme öncesi hızlı kontrol için uygundur. Çıktıdaki önerileri elle kontrol edin ve veri örnekleriyle karşılaştırın.

3) Doğal Dilden SQL Sorgusu Üret

Veritabanı şeması: tablo orders(order_id, user_id, total_amount, status, created_at), users(user_id, country). Soru: "Son 30 günde Amerika'dan gelen ve toplamı 1000$ üzeri olan kullanıcı sayısını bulun." Çıktı: İstenen SQL sorgusunu yazın ve kısa bir açıklama ekleyin. ANSI SQL kullanın.

Not: Gönderilen şema doğru ve eksiksiz olmalı. Üretilen sorguyu veritabanınızda çalıştırmadan önce syntax ve performans açısından gözden geçirin.

4) Kod Üretimi + Birim Testleri

Bana aşağıdaki işlevi yaz: "parse_transaction(text)". Fonksiyon, işlem metninden (Ör: "ID:123;AMT:45.6;DATE:2024-01-15") id(int), amount(float), date(ISO string) dönecek. Çıktı: 1) Fonksiyon kodu (Python), 2) pytest ile 3 örnek birim testi. Her testin açıklaması olsun.

Neden: Kod üretirken birim test istemek, doğrulamayı kolaylaştırır. Üretilen fonksiyon ve testleri kurumsal CI/DEV ortamınızda çalıştırmadan önce bağımlılıkları kontrol edin.

5) Hata Ayıklama (Debugging) Şablonu

Adım 1: Kodu, aldığınız hata mesajını ve çalışma ortamını (Python sürümü, kütüphaneler) paylaşın. Adım 2: Beklenen davranışı ve gördüğünüz davranışı tek cümleyle yazın. İstek: Kök nedeni üç maddede özetleyin, minimal bir düzeltme önerin ve düzeltilmiş kod parçasını verin. Ayrıca, bu düzeltmeyi kontrol eden 2 kısa test önerin.

Kaynaklar, yapay zekâyla debugging tekniklerinin hata ayıklamada etkili olabileceğini belirtir; modelin önerdiği düzeltmeyi üretmeden ve çalıştırmadan önce manuel olarak doğrulayın (Hazır Promptlar).

6) Veri Görselleştirme Rehberi (Kodla)

Veri kümesinin "amount" sütunu için en uygun 3 görselleştirme önerin (matplotlib veya seaborn). Her görselleştirme için gerekli kodu, kısa açıklamayı ve hangi duruma uygun olduğunu belirtin.

Kullanım: Üretilen kodu görsel çıktılarını görmek için Jupyter/Colab ortamında çalıştırın. Sunum için PNG/SVG export talep edebilirsiniz.

İterasyon ve Doğrulama: Güvenli Bir İş Akışı

1. Örnek veri ile doğrula: Tam veri göndermeyin; önce küçük örnekler kullanın.
2. Birim testleri çalıştırın: Modelden birim test talep edin ve çalıştırın.
3. Kademeli entegrasyon: Büyük kodu doğrudan prod'a koymayın; küçük bileşenleri ayrı ayrı doğrulayın.
4. Performans ve güvenlik kontrolü: Üretilen kodun zaman/memory maliyetlerini ve dış kaynak çağrılarını inceleyin.
5. Tekrarlı iyileştirme: İstediğiniz çıktıya ulaşana kadar promptu örneklerle daraltın ve modelden alternatif çözümler isteyin.

İpuçları ve Uygulamalı Öneriler

• Prompt içinde beklenen hata mesajı formatını ve tam traceback'i verin; bu, modelin kök nedeni saptamasını kolaylaştırır.
• Çıktı formatını kesinleştirerek gereksiz açıklamaları azaltın (ör. "sadece JSON döndürün" veya "sadece Python fonksiyonu yazın").
• Özellikle hassas veriler için anonimleştirilmiş örnekler kullanın; gerçek PII göndermeyin.
• Hazır şablonları başlangıç noktası olarak kullanın ve proje gereksinimlerine göre uyarlayın. Örnek şablon koleksiyonları bu konuda pratik fayda sağlar (Prompt Oluştur).

Örnek İş Akışı: Bir Prompt ile Bir Sonuca Ulaşma

1. Hazırlık: Küçük bir örnek CSV çıkartın (10-50 satır) ve şemayı yazın.
2. Prompt oluşturma: Temizleme şablonunu kullanarak modelden fonksiyon isteyin.
3. Çalıştırma: Üretilen fonksiyonu yerel ortamda veya sandbox'ta çalıştırın.
4. Doğrulama: Birim testleri çalıştırın, sonuçları inceleyin.
5. İyileştirme: Modelden hata durumları veya ek edge-case kontrolleri eklemesini isteyin.

Sınırlamalar ve Güvenlik

Yapay zekâ destekli araçlar üretkenlik sağlar; ancak otomatik üretilen kodun hatasız olduğunu varsaymak risklidir. Üretilen kodu mutlaka test edin, güvenlik taramalarından geçirin ve hassas verileri model girdisi olarak paylaşmaktan kaçının. Hata ayıklama süreçlerinde model önerilerini referans kabul edip doğrudan uygulamadan önce manuel doğrulama yapın.

Sonuç

Doğru yapılandırılmış promptlar veri analizi ve kod üretimi iş akışlarını hızlandırabilir. Bu rehberdeki şablonları kendi veri yapınıza ve proje gereksinimlerinize göre uyarlayarak başlayın. Model çıktılarını test etmek ve adım adım entegre etmek, güvenli ve sürdürülebilir bir kullanım sağlar.

Kaynaklar: Prompt şablonlarının pratik faydalarına ilişkin örnek koleksiyonlar ve yapay zekâ ile debugging yaklaşımları için örnek kaynaklara bakabilirsiniz: Prompt Oluştur, Hazır Promptlar.