Ordner öffnen
Öffne den Chat und lege das Arbeitsverzeichnis auf dein Projektverzeichnis fest.
Workflows
Einfache Machine-Learning-Projekte
03
Capstone-Projekt vorbereiten
Starte mit einem kleinen Datensatz und einem klaren Ziel. Nutze den Agenten, um Dateien aufzulisten, die Daten zu lesen und ein Basisskript auszuführen. Prüfe die Ergebnisse in den Chat-Karten. Du kannst „find datasets for data science projects“ nutzen, um deine Fähigkeiten mit einem kleinen, eigenen oder lizenzierten Datensatz zu üben.
Dateien auflisten
Führe list_dir aus, um die aktuelle Struktur zu sehen und zu prüfen, ob deine Daten vorhanden sind.
Daten lesen
Nutze read_file, um die ersten Zeilen deines CSV-Datensatzes zu inspizieren.
Baseline ausführen
Führe das Basisskript in Shell aus und prüfe den Exit-Code auf Erfolg.
Beispiel für ein Basisskript
Führe das Basisskript aus und zeige das Genauigkeitsergebnis an.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 Zeilen - write_file
baseline.pygespeichert - grep
baseline accuracy3 Treffer
wartet auf Ihre Freigabe vor dem nächsten SchrittAblehnenAkzeptieren
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()Dieses reine Python-Skript liest eine CSV-Datei, findet das häufigste Label und gibt die Baseline-Genauigkeit aus, ohne Drittanbieterbibliotheken zu verwenden.
Machine-Learning-Capstone-Projekt aufbauen
Daten inspizieren
Liste den Projektordner auf, um sicherzustellen, dass der Datensatz vorhanden ist, und nutze read_file, um die ersten Zeilen deiner CSV-Daten anzusehen. Prüfe die Spalten. Das hilft dir, die Spaltennamen und Datentypen zu verstehen, bevor du mit dem Aufbau beginnst. Der Agent zeigt den Dateiinhalt direkt in der Chat-Karte zur Überprüfung an. Du kannst grep nutzen, um nach bestimmten Werten oder Mustern in den Daten für einfache Machine-Learning-Projekte zu suchen. Überprüfe, ob die Daten sauber und trainingsbereit aussehen, indem du auf fehlende Werte achtest. Ein erstes Mini-Projekt für Anfänger beginnt oft mit der Inspektion dieser grundlegenden Datenstrukturen. Dieser Schritt stellt sicher, dass du genau weißt, woran du für deine Machine-Learning-Pipeline arbeitest.
Training ausführen
Schreibe ein einfaches Trainingsskript mit deiner Bibliothek und speichere es im Projektordner. Nutze dann write_file, um das Skript zu erstellen, und edit_file, um Syntaxfehler zu beheben. Führe es aus. Führe das Skript im Shell-Tool aus, um die echte Ausgabe zu sehen. Prüfe den Exit-Code, um sicherzustellen, dass das Skript erfolgreich abgeschlossen wurde. Bewerte das Modell an deinem Validierungsset und notiere die Metriken. Speichere die Ergebnisse in einem JSON-Log für Reproduzierbarkeit und Klarheit. Überprüfe den Diff bei jeder Änderung, wenn du Ask first nutzt. Wiederhole diesen Zyklus für dein Machine-Learning-Capstone-Projekt, während du ein Deep-Learning-Projekt wählst.
