ابزارهای Genai برای R: ابزارهای جدید برای آسانتر برنامه نویسی R

library(pkgprompt)
pkg_docs <- pkg_prompt(pkg = "dplyr", topics = c("across", "coalesce"))

مستندات را برای dplyr در سراسر و coincsce به عنوان یک رشته شخصیت واحد برمی گرداند. سپس می توانید رشته را به هر فرایند LLM ، چه در R یا با کپی کردن و چسباندن به یک ابزار خارجی ، اضافه کنید. این یکی دیگر از بسته های R توسط Simon Couch است. نصب با: pak :: pak ("simonpcouch/pkgprompt") .

به خارج از ایده خود کمک کنید

اگر مایل هستید برای پرس و جو از LLM به خارج از محیط برنامه نویسی خود بروید ، علاوه بر یک چت بابات با هدف کلی مانند کلود ، برخی از گزینه های خاص R وجود دارد که می داند برخی از r.

دستیار براق

اگر برنامه های وب براق ایجاد می کنید ، posit دستیار براق یک منبع بزرگ است. این ابزار مبتنی بر وب رایگان از LLM برای پاسخ به سؤالات مربوط به ساختن برنامه های براق برای هر دو براق و براق برای پایتون استفاده می کند. توجه داشته باشید که تیم براق می گوید که آنها ممکن است برای بهبود ابزار به سؤالات شما نگاه کنند ، بنابراین از نسخه وب برای کارهای حساس استفاده نکنید. شما همچنین می توانید کد دستیار براق را از github بارگیری کنید و ترفند خود را برای اجرای خود انجام دهید.

R و R استودیو معلم + کد nerd

r و r استودیوی مدرس یک GPT سفارشی است که اطلاعات R خاصی را به chatgpt اساسی اضافه می کند. این توسط خوزه A فرناندز کالوو ساخته شده است و برای پاسخ به سؤالات خاص در مورد R و RSTUDIO طراحی شده است.

کد nerd توسط کریستین Czymara یکی دیگر از GPT های سفارشی است که به سؤالات r پاسخ می دهد.

r tutor + chatilize

یکی از اولین ورودی های موجود در Genai برای فضای R ، r Tutor هنوز هم آنلاین وجود دارد. یک مجموعه داده را بارگذاری کنید ، یک سؤال بپرسید و به عنوان کد R و نتایج شما از جمله گرافیک ایجاد کنید.

R Tutor به شما امکان می دهد در مورد یک مجموعه داده سؤال کنید و در پاسخ کد R ایجاد کنید.

کد Rtutor موجود در github است ، بنابراین می توانید نسخه محلی خود را نصب کنید. با این حال ، صدور مجوز فقط استفاده از برنامه را برای استفاده غیرانتفاعی یا غیر تجاری یا برای آزمایش تجاری امکان پذیر می کند. Rtutor یک پروژه شخصی دکتر استیون ژئو ، استاد بیوانفورماتیک در دانشگاه ایالتی داکوتای جنوبی بود ، اما اکنون توسط شرکتی که او تأسیس کرده است ، ساخته و نگهداری می شود.

چتیف کردن ، گزینه جدیدتر که شبیه به معلم R است ، می تواند پایتون و همچنین r.

تولید کند.

تعامل با LLM های نصب شده به صورت محلی

LLM های بزرگ در ابر ممکن است هنوز هم از مدلهایی که می توانید به صورت محلی بارگیری و اجرا کنید ، اما مدل های بازتر باز در تمام مدت بهتر می شوند. و ، آنها ممکن است در حال حاضر به اندازه کافی برای برخی از کارهای خاص خوب باشند – تنها راه دانستن این است که امتحان کنید. مدل های محلی همچنین از مزیت عظیمی از حریم خصوصی برخوردار هستند ، بنابراین شما هرگز مجبور نیستید داده های خود را برای تجزیه و تحلیل به سرور شخص دیگری ارسال کنید. به علاوه ، لازم نیست نگران مدلی باشید که دوست دارید از آن جدا شود. آنها همچنین فراتر از هر هزینه ای هستند که برای اجرای رایانه رومیزی شما هزینه دارند. بسته المر با هدف کلی به شما امکان می دهد LLM های محلی را نیز اجرا کنید ، اما بسته های R نیز به طور خاص برای AI تولید کننده محلی طراحی شده اند.

رولاما و اولمار

بسته های Rollama و Ollamar به شما امکان می دهد از R برای اجرای مدل های محلی از طریق پروژه محبوب Ollama استفاده کنید ، اما نحو آنها متفاوت است. اگر می خواهید یک بسته خاص Ollama داشته باشید ، من پیشنهاد می کنم هر دو را امتحان کنید تا ببینید کدام یک را ترجیح می دهید.

علاوه بر یک (یا هر دو) از این بسته های R ، به خود برنامه Ollama نیاز دارید. Ollama را به عنوان یک بسته نرم افزاری معمولی بارگیری و نصب کنید – این یک کتابخانه R نیست – برای ویندوز ، مک یا لینوکس. اگر Ollama قبلاً در حال اجرا نیست ، می توانید Ollama Serve را از یک دستور یا ترمینال فرمان (نه کنسول R) اجرا کنید تا سرور Ollama را شروع کنید. (تنظیم Ollama برای اجرای پس زمینه هنگامی که سیستم شما در صورت استفاده از آن به طور مکرر ارزش انجام دادن دارد.)

پس از بارگذاری بسته Rollama r با کتابخانه (Rollama) ، می توانید با عملکرد ping_ollama () تست کنید تا کشف کنید که آیا سرور اولاما را می بیند.

اگر قبلاً LLM های محلی نصب شده با Ollama را ندارید ، می توانید این کار را در R با pull_model ("the_model_name) یا ollama the_model_name در یک ترمینال انجام دهید. شما می توانید <یک href =" href = "https://ollama.search" وب سایت.

برای بارگیری پارامتر ۳B LLAMA 3.2 مدل ، به عنوان مثال ، می توانید pull_model ("llama3.2: 3b") را اجرا کنید در r.

برای تنظیم یک مدل به عنوان پیش فرض خود برای جلسه ، از گزینه های Syntax استفاده کنید (Rollama_model = "the_model_name) . یک مثال این است: گزینه ها (Rollama_model =" Llama3.2: 3b ").

query("How do you rotate text on the x-axis of a ggplot2 graph?")

library(ollamar)

resp <- generate("gemma2", "What is ggplot2?")
resp_text <- resp_process(resp)

resp <- generate("gemma2", "Tell me about the data.table R package", output = "text", stream = TRUE)

library(shiny)
library(shinychat)

ui <- bslib::page_fluid(
  chat_ui("chat")
)

server <- function(input, output, session) {
  chat <- ellmer::chat_ollama(system_prompt = "You are a helpful assistant", model = "phi4")
  
  observeEvent(input$chat_user_input, {
    stream <- chat$stream_async(input$chat_user_input)
    chat_append("chat", stream)
  })
}

shinyApp(ui, server)