Otevřít složku
Otevři chat a nastav pracovní složku na kořenový adresář projektu.
Pracovní postupy
jednoduché projekty strojového učení
03
Příprava závěrečného projektu
Začni s malou sadou dat a jasným cílem. Použij agenta k výpisu souborů, načtení dat a spuštění základního skriptu. Zkontroluj výsledky v kartách chatu. Můžeš vyhledat „datové sady pro datový vědu“ a procvičit si dovednosti na malé sadě dat, kterou vlastníš nebo můžeš použít podle její licence.
Vypsat soubory
Spusť list_dir pro zobrazení aktuální struktury a ověření, že data existují.
Načíst data
Použij read_file k nahlédnutí do prvních několika řádků CSV souboru.
Spustit základní verzi
Proveď základní skript ve Shell a zkontroluj návratový kód pro potvrzení úspěchu.
Příklad základního skriptu
Spusť základní skript a zobraz výsledek přesnosti.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 řádků - write_file
baseline.pyuloženo - grep
baseline accuracy3 shody
čeká na tvé potvrzení před dalším krokemOdmítnoutPřijmout
baseline.py
import csv
import sys
def main():
data = []
with open('data.csv') as f:
reader = csv.DictReader(f)
for row in reader:
data.append(row)
labels = [r['label'] for r in data]
most_common = max(set(labels), key=labels.count)
correct = sum(1 for r in data if r['label'] == most_common)
accuracy = correct / len(data)
print(f'Baseline accuracy: {accuracy:.2f}')
if __name__ == '__main__':
main()Tento čistý Python skript čte CSV soubor, najde nejčastější štítek a vypíše základní přesnost bez použití externích knihoven.
Vytvoř si závěrečný projekt strojového učení
Prozkoumat data
Vypiš složku projektu, abys potvrdil přítomnost dat, a použij read_file k zobrazení prvních řádků CSV dat. Zkontroluj sloupce. Pomůže ti to pochopit názvy sloupců a typy dat před začátkem tvorby. Agent zobrazí obsah souboru přímo v kartě chatu k tvé revizi. Můžeš použít grep k nalezení konkrétních hodnot nebo vzorů v datech pro jednoduché projekty strojového učení. Ověř, že data jsou čistá a připravená k trénování kontrolou chybějících hodnot. První mini projekt pro začátečníky často začíná zkoumáním těchto základních datových struktur. Tento krok zajišťuje, že přesně víš, s čím pracuješ v rámci svého ML pipeline.
Spustit trénování
Napiš jednoduchý tréninkový skript pomocí své knihovny a ulož ho do složky projektu. Použij write_file k vytvoření skriptu a edit_file k opravě syntaktických chyb. Spusť ho. Spusť skript v nástroji Shell, abys viděl skutečný výstup. Zkontroluj návratový kód, abys zajistil úspěšné dokončení. Vyhodnoť model na validační sadě a zapiš metriky. Ulož výsledky do JSON protokolu pro reprodukovatelnost a jasnost. Prozkoumej diff každé změny, když použiješ Ask first. Opakuj tento cyklus pro svůj závěrečný projekt strojového učení, zatímco vybíráš projekt hlubokého učení.
