Apri cartella
Apri la chat e imposta la cartella di lavoro sulla radice del tuo progetto.
Flussi di lavoro
Progetti di machine learning semplici
03
Prepara il tuo progetto finale
Inizia con un dataset piccolo e un obiettivo chiaro. Usa l'agente per elencare i file, leggere i dati ed eseguire uno script di base. Controlla i risultati nelle schede della chat. Puoi usare "trova dataset per progetti di data science" per esercitarti con un dataset di piccole dimensioni che possiedi o che puoi utilizzare secondo la sua licenza.
Elenca file
Esegui list_dir per vedere la struttura corrente e verificare che i dati esistano.
Leggi dati
Usa read_file per ispezionare le prime righe del tuo dataset CSV.
Esegui script base
Esegui lo script di base in Shell e controlla il codice di uscita per confermare il successo.
Esempio di script base
Esegui lo script base e mostra il risultato di accuratezza.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 righe - write_file
baseline.pysalvato - grep
baseline accuracy3 corrispondenze
in attesa della tua approvazione prima del passaggio successivoRifiutaAccetta
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()Questo script in puro Python legge un file CSV, trova l'etichetta più comune e stampa l'accuratezza base senza utilizzare librerie di terze parti.
Costruisci il tuo progetto finale di machine learning
Ispeziona i dati
Elenca la cartella del progetto per confermare la presenza del dataset e usa read_file per visualizzare le prime righe dei dati CSV. Controlla le colonne. Questo ti aiuta a comprendere i nomi delle colonne e i tipi di dati prima di iniziare a costruire. L'agente mostra il contenuto del file direttamente nella scheda della chat per la tua revisione. Puoi usare grep per trovare valori specifici o pattern nei dati per progetti di machine learning semplici. Verifica che i dati sembrino puliti e pronti per l'addestramento controllando i valori mancanti. Un primo mini-progetto per principianti inizia spesso ispezionando queste strutture di dati di base. Questo passaggio garantisce che tu sappia esattamente con cosa stai lavorando per la tua pipeline di machine learning.
Esegui l'addestramento
Scrivi uno script di addestramento semplice usando la tua libreria e salvalo nella cartella del progetto, poi usa write_file per creare lo script e edit_file per correggere eventuali errori di sintassi. Esegui. Esegui lo script nello strumento Shell per vedere l'output reale. Controlla il codice di uscita per assicurarti che lo script sia terminato con successo. Valuta il modello sul set di validazione e registra le metriche. Salva i risultati in un log JSON per riproducibilità e chiarezza. Rivedi la diff per ogni modifica quando usi Ask first. Ripeti questo ciclo per il tuo progetto finale di machine learning mentre scegli un progetto di deep learning.
