Abrir carpeta
Abre el chat y establece la carpeta de trabajo en la raíz de tu proyecto.
Flujos de trabajo
Proyectos sencillos de machine learning
03
Prepara tu proyecto final
Comienza con un conjunto de datos pequeño y un objetivo claro. Usa el agente para listar archivos, leer los datos y ejecutar un script base. Revisa los resultados en las tarjetas del chat. Puedes usar «buscar conjuntos de datos para proyectos de ciencia de datos» para practicar con un conjunto de datos que poseas o puedas usar bajo su licencia.
Listar archivos
Ejecuta list_dir para ver la estructura actual y verificar que tus datos existen.
Leer datos
Usa read_file para inspeccionar las primeras líneas de tu conjunto de datos CSV.
Ejecutar script base
Ejecuta el script base en Shell y verifica el código de salida para confirmar el éxito.
Ejemplo de script base
Ejecuta el script base y muestra el resultado de precisión.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 líneas - write_file
baseline.pyguardado - grep
baseline accuracy3 coincidencias
esperando tu aprobación antes del siguiente pasoRechazarAceptar
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()Este script en Python puro lee un archivo CSV, encuentra la etiqueta más común e imprime la precisión base sin usar bibliotecas de terceros.
Construye tu proyecto final de machine learning
Inspeccionar datos
Lista la carpeta de tu proyecto para confirmar que el conjunto de datos está presente y usa read_file para ver las primeras filas de tus datos CSV. Revisa las columnas. Esto te ayuda a entender los nombres de las columnas y los tipos de datos antes de empezar a construir. El agente muestra el contenido del archivo directamente en la tarjeta del chat para tu revisión. Puedes usar grep para buscar valores o patrones específicos en los datos para proyectos de machine learning sencillos. Verifica que los datos parezcan limpios y listos para el entrenamiento revisando si hay valores faltantes. Un primer mini proyecto para principiantes a menudo comienza inspeccionando estas estructuras de datos básicas. Este paso asegura que sepas exactamente con qué estás trabajando para tu pipeline de machine learning.
Ejecutar entrenamiento
Escribe un script de entrenamiento simple usando tu biblioteca y guárdalo en la carpeta del proyecto, luego usa write_file para crear el script y edit_file para corregir errores de sintaxis. Ejecútalo. Ejecuta el script en la herramienta Shell para ver la salida real. Verifica el código de salida para asegurar que el script terminó con éxito. Evalúa el modelo en tu conjunto de validación y registra las métricas. Guarda los resultados en un registro JSON para reproducibilidad y claridad. Revisa el diff de cada cambio cuando uses Ask first. Repite este ciclo para tu proyecto final de machine learning mientras eliges un proyecto de aprendizaje profundo.
