Πρακτική άσκηση Η τεχνητή νοημοσύνη δημιούργησε κώδικα για την απόφαση σχετικά με την κυκλοφορία ενός νέου LLM. Κάντε μια ανασκόπηση: τροποποιήστε τον έτσι ώστε ο επεξεργαστής να μπορεί να συγκρίνει την ποιότητα των εκδόσεων κατά θεματικά τμήματα, να βλέπει την κατανομή των αξιολογήσεων και να παρατηρεί τον κίνδυνο επιδείνωσης σε μια μικρή ομάδα δεδομένων. import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Ποιότητα μοντέλων') plt.ylabel('Μέσος βαθμός') plt.show() print('Καλύτερη έκδοση:', summary.idxmax()) --- import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') stats = ( scores.groupby(["topic", "model_version"])["score"] .agg(["mean", "std", "count"]) .reset_index() ) print(stats) for topic, group in scores.groupby("topic"): group.boxplot(column="score", by="model_version") plt.title(f"Θέμα: {topic}") plt.suptitle("") plt.ylabel("Βαθμολογία") plt.show() small_groups = stats[stats["count"] < 30] print("Μικρές ομάδες - τα συμπεράσματα δεν είναι αξιόπιστα:") print(small_groups)