|
朋友说，chatGPT还是非常牛的，他明确知道自己不是电饭煲，我当然要测试一下：
第一回合：
第二回合： 
第三回合：
第四回合： 
真是智能呀！
好消息 不能用国外手机号，不能用google的同学们，微软将全面接入chatGPT，微软2019年就投入了10亿美元以确保它的功能能接入微软产品。今天bing将chatGPTT整合的功能短暂的上线：可以直接输入内容 
让我们期待吧！！！ 其实，我的内心，还是希望百度也推出一个这样的智能机器人，当然里面不要包含广告了，要不然还要使用屏蔽广告的插件，心累……
关于chatGPT对于编程的知道，昨天的博客没有介绍清楚，这里用更详细的例子展示一下：
R语言相关的MME方程组：
里面有固定因子，有随机因子，查看模型，预测模型，结构是完整的，在此基础上修改就行了。 
# Load the lme4 librarylibrary(lme4)
# Fit the mixed model using lmer() functionfit <- lmer(y ~ x1 + x2 + (1 | block), data = mydata)
# Summarize the model resultssummary(fit)
# Make predictions using the predict() functionpredictions <- predict(fit, newdata = mydata)
考虑系谱的MME方程组：
它竟然也使用asreml软件，当然，大小写错了，里面的语法也是旧版的。 # 加载 ASReml 库library(ASReml)
# 定义因变量和固定效应和随机效应formula <- y ~ x1 + x2 + (1 | animal) + (1 | sire) + (1 | dam)
# 使用 asreml() 函数拟合动物模型fit <- asreml(formula, data = mydata, pedigree = ped, varStructure = ~ animal + sire + dam)
# 概括模型结果summary(fit)
# 使用 predict() 函数预测predictions <- predict(fit, newdata = mydata)
问一下有没有asreml V4版本的代码： 
# 加载 ASReml 库library(ASReml)
# 定义因变量和固定效应和随机效应formula <- y ~ x1 + x2 + (1 | animal) + (1 | sire) + (1 | dam)
# 使用 asreml() 函数拟合动物模型fit <- asreml(formula, data = mydata, pedigree = ped, varStructure = ~ animal + sire + dam)
# 概括模型结果summary(fit)
# 使用 predict() 函数预测predictions <- predict(fit, newdata = mydata)
来一个GS的python脚本： 
import numpy as npimport pandas as pd
# 加载数据（实际数据可能更复杂）data = pd.read_csv('animal_data.csv')
# 计算各个动物的产量（以此作为选择指标）data['yield'] = data['milk_production'] + data['meat_production']
# 计算每个动物的父亲和母亲的贡献data['sire_contrib'] = data['sire_milk_production'] + data['sire_meat_production']data['dam_contrib'] = data['dam_milk_production'] + data['dam_meat_production']
# 计算总贡献（合并父亲和母亲的贡献）data['total_contrib'] = data['sire_contrib'] + data['dam_contrib']
# 根据总贡献对动物排序data.sort_values(by='total_contrib', ascending=False, inplace=True)
# 选择前 n 个动物，其中 n 为需要选择的动物数量top_n = data.head(n=100)
# 输出选择的动物的信息print(top_n)
我觉得失业就在我眼前……
|
