Ouvrir le dossier
Ouvrez le chat et définissez le dossier de travail sur la racine de votre projet.
Flux de travail
Projets de machine learning simples
03
Préparez votre projet final
Commencez par un petit jeu de données et un objectif clair. Utilisez l'agent pour lister les fichiers, lire les données et exécuter un script de référence. Vérifiez les résultats dans les cartes du chat. Vous pouvez utiliser « trouver des jeux de données pour les projets de data science » pour pratiquer vos compétences avec un petit jeu de données que vous possédez ou que vous pouvez utiliser sous sa licence.
Lister les fichiers
Exécutez list_dir pour voir la structure actuelle et vérifier que vos données existent.
Lire les données
Utilisez read_file pour inspecter les premières lignes de votre jeu de données CSV.
Exécuter le script de référence
Exécutez le script de référence dans Shell et vérifiez le code de sortie pour confirmer le succès.
Exemple de script de référence
Exécutez le script de référence et affichez le résultat de la précision.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 lignes - write_file
baseline.pysauvegardé - grep
baseline accuracy3 correspondances
en attente de votre accord avant l’étape suivanteRejeterAccepter
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()Ce script en Python pur lit un fichier CSV, trouve l'étiquette la plus fréquente et affiche la précision de base sans utiliser de bibliothèques tierces.
Construisez votre projet final de machine learning
Inspecter les données
Listez le dossier de votre projet pour confirmer la présence du jeu de données et utilisez read_file pour afficher les premières lignes de vos données CSV. Vérifiez les colonnes. Cela vous aide à comprendre les noms des colonnes et les types de données avant de commencer à construire. L'agent affiche le contenu du fichier directement dans la carte de chat pour votre examen. Vous pouvez utiliser grep pour trouver des valeurs ou des motifs spécifiques dans les données pour des projets de machine learning simples. Vérifiez que les données semblent propres et prêtes pour l'entraînement en vérifiant les valeurs manquantes. Un premier mini-projet pour les débutants commence souvent par l'inspection de ces structures de données de base. Cette étape garantit que vous savez exactement avec quoi vous travaillez pour votre pipeline de machine learning.
Exécuter l'entraînement
Écrivez un script d'entraînement simple en utilisant votre bibliothèque et sauvegardez-le dans le dossier du projet, puis utilisez write_file pour créer le script et edit_file pour corriger les erreurs de syntaxe. Exécutez-le. Exécutez le script dans l'outil Shell pour voir la sortie réelle. Vérifiez le code de sortie pour vous assurer que le script s'est terminé avec succès. Évaluez le modèle sur votre ensemble de validation et enregistrez les métriques. Sauvegardez les résultats dans un journal JSON pour la reproductibilité et la clarté. Révisez la différence pour chaque modification lorsque vous utilisez Ask first. Répétez ce cycle pour votre projet final de machine learning tout en choisissant un projet d'apprentissage profond.
