İleri Seviye Uyku Kalitesi Optimizasyonu Analizi
Bu prompt, CodeLlama ile uyku kalitesi verilerinizi bilimsel bir deney formatında analiz etmenizi sağlar. Hipotez-Test-Sonuç döngüsünü Python koduyla otomatikleştirerek pratik insights elde edin.
Adım adım kullanım:
- Önce verilerinizi hazırlayın: Fitbit veya Oura gibi cihazlardan CSV export alın. Sütunlar: timestamp, heart_rate, sleep_duration, caffeine_intake gibi. [VERI DOSYASI] değişkenine dosya yolunu yazın.
- Sonra hipotezinizi tanımlayın: Örn: '[KAHVE TUKETIMI] uyku kalitesini düşürür mü?' [HIPOTEZ] değişkenine girin. Pratik örnek: Günlük kahve tüketiminin uyku süresi üzerindeki etkisi.
- Ardından kodu çalıştırın: CodeLlama hipotezi test eder: Veri yükler, gruplar (öncesi/sonrası), t-test uygular, grafikler çizer ve sonuç raporlar.
- Son olarak optimizasyon alın: Kod, REM/derin uyku oranlarını hesaplar, regresyon modelleri kurar ve kişiselleştirilmiş öneriler üretir (örn: 'Kahveyi 14:00'ten sonra kes').
Bu yaklaşım, ham veriyi actionable intelligence'a dönüştürür.
Avantajlar: Otomatik istatistik (p-value <0.05 ise anlamlı), görselleştirme (histogram/boxplot), export (JSON/CSV). 200+ satır kod üretir, hata handling'li. Uyku optimizasyonu için ideal: Haftalık verilerle trendleri yakalayın, müdahaleleri test edin. Kodlama bilginiz azsa bile kopyala-yapıştır hazır. Sonuçlar: %20 uyku iyileştirmesi gibi somut metrikler.
{ }Değişken Açıklamaları:
- [HIPOTEZ]: Günlük kahve tüketiminin uyku süresine etkisini sorgulayan hipotez. Örnek: Günlük kahve tüketimi 200mg üzeri uyku süresini kısaltır mı?, Yüksek kafein alımı uyku kalitesini olumsuz etkiler mi?.
- [VERI DOSYASI]: Analiz için kullanılan veri dosyasının adı ve içeriği. Örnek: uyku.csv, uyku_verileri.csv.
- [GIRISLEN DEGISKEN]: Analizde kullanılacak değişkenin adı. Örnek: caffeine_intake_mg, exercise_hours.
- [CIHAZ TIPI]: Veri toplamak için kullanılan cihazın türü. Örnek: Fitbit, Apple Watch.
- [DF['CAFFEİNE İNTAKE MG']: Veri çerçevesindeki kafein alımını gösteren sütun. Örnek: df['CAFFEİNE İNTAKE MG'], df['CAFFEİNE MG'].
- ['SLEEP DURATİON']: Veri çerçevesindeki uyku süresini gösteren sütun. Örnek: df['SLEEP DURATİON MİN'], df['UYKU SURESİ'].
Değişkenleri Düzenle
1. Kütüphaneler: import pandas as pd, numpy as np, matplotlib.pyplot as plt, scipy.stats as stats, seaborn as sns. from sklearn.linear_model import LinearRegression.
2. Veri yükle: df = pd.read_csv('[VERI DOSYASI]').
3. Ön işleme: Tarih parse (pd.to_datetime), NaN temizle, gruplama ([GIRISLEN DEGISKEN] threshold ile high/low), uyku skoru hesapla (deep_sleep / sleep_duration * 100).
4. Hipotez bölümü: Print('[HIPOTEZ]'). Grupları tanımla (örn: high_caffeine = df[DF['CAFFEİNE İNTAKE MG'] > 200]).
5. Test: t-test (stats.ttest_ind(high_group['SLEEP DURATİON'], low_group['SLEEP DURATİON'])). p-value hesapla. Regresyon: X=[GIRISLEN DEGISKEN], y=sleep_score, model.fit, r2_score.
6. Görselleştir: Boxplot (sns.boxplot), scatter plot regresyon çizgisi, histogram uyku dağılımı. plt.savefig('uyku_analiz.png').
7. Sonuç: p-value
Sen bir veri bilimci CodeLlama'sın. Aşağıdaki Hipotez-Test-Sonuç formatında bilimsel deney Python scripti yaz. Konu: Uyku Kalitesi Optimizasyonu. Pratik örnek: [HIPOTEZ] ('Günlük kahve tüketimi 200mg üzeri uyku süresini kısaltır mı?'). Veri: [VERI DOSYASI] ('uyku.csv' – sütunlar: timestamp, sleep_duration_min, deep_sleep_min, heart_rate_avg, [GIRISLEN DEGISKEN] ('caffeine_intake_mg'), exercise_hours). [CIHAZ TIPI] ('Fitbit') uyumlu.
1. Kütüphaneler: import pandas as pd, numpy as np, matplotlib.pyplot as plt, scipy.stats as stats, seaborn as sns. from sklearn.linear_model import LinearRegression.
2. Veri yükle: df = pd.read_csv('[VERI DOSYASI]').
3. Ön işleme: Tarih parse (pd.to_datetime), NaN temizle, gruplama ([GIRISLEN DEGISKEN] threshold ile high/low), uyku skoru hesapla (deep_sleep / sleep_duration * 100).
4. Hipotez bölümü: Print('[HIPOTEZ]'). Grupları tanımla (örn: high_caffeine = df[DF['CAFFEİNE İNTAKE MG'] > 200]).
5. Test: t-test (stats.ttest_ind(high_group['SLEEP DURATİON'], low_group['SLEEP DURATİON'])). p-value hesapla. Regresyon: X=[GIRISLEN DEGISKEN], y=sleep_score, model.fit, r2_score.
6. Görselleştir: Boxplot (sns.boxplot), scatter plot regresyon çizgisi, histogram uyku dağılımı. plt.savefig('uyku_analiz.png').
7. Sonuç: p-value
Bu Prompt Seni Bekliyor
CodeLlama için hazırlanmış bu promptu anında kopyala, kullan.
Ücretsiz üye ol, binlerce prompta eriş.
10 saniyede üye ol, sınırsız prompt keşfet
Nile
Bu prompt kullanmadan önce düzenlemeniz gereken 6 değişken içerir.
Keşfet
Alternatif Araçlar
Biliyor muydunuz?
Karmaşık görevlerde **Chain of Thought** kullan: '...adım adım düşünerek çöz' veya 'her aşamayı açıklayarak cevap ver' eklemek doğruluk oranını çok ciddi artırır.
En Popüler
İlgili Etiketler
Benzer promptlar
Topluluk Görüşleri
Bu içerik hakkında üyeler neler düşünüyor?
Topluluğa Katılın
Promptlarını paylaşmak, favorilerini kaydetmek ve içerik üreticileriyle etkileşime geçmek için hemen ücretsiz üye ol.