파일
작업 폴더에서 파일을 직접 읽고, 쓰고, 편집하고, 삭제하고, 나열합니다.
Model Ledger는 내 폴더에서 파일을 읽고, 편집하고, 명령어를 실행하여 머신러닝 파이프라인 스크립트를 구축하는 것을 도와주며 실제 출력을 보여줍니다.
작업 폴더에서 파일을 직접 읽고, 쓰고, 편집하고, 삭제하고, 나열합니다.
터미널 명령어를 실행하고 실제 출력과 종료 코드를 확인합니다.
변경 전 일시 정지, 먼저 계획 수립 또는 작업 자동 실행.
에이전트는 프로젝트를 검사하고 명령어를 실행하며 스크립트를 편집하고 모든 변경 사항을 diff로 표시합니다. Ask first 모드에서는 diff가 사용자의 확인을 기다립니다.
.1개 일치baseline.py저장됨baseline.py3개 변경python baseline.py종료 0baseline.py8줄스팸 필터와 같은 작은 아이디어를 선택하여 머신러닝 파이프라인을 시작하세요. 에이전트는 list_dir을 사용하여 폴더 구조를 확인합니다. 실제입니다. 에이전트는 glob를 사용하여 프로젝트 폴더에서 관련 스크립트를 찾습니다. 그런 다음 read_file을 사용하여 데이터 로드 코드를 주의 깊게 검사합니다. 다음으로 write_file을 사용하여 간단한 기준 스크립트를 만듭니다. '실용적인 이력서용 ml 프로젝트'를 검색하는 사람들은 종종 이러한 명확한 구조로 시작합니다. 필요한 경우 edit_file을 사용하여 스크립트를 변경하며 Ask first 모드에서 diff를 표시합니다. 마지막으로 Shell 도구에서 실제 출력을 위해 훈련 명령어를 실행합니다.
에이전트는 grep을 사용하여 코드베이스에서 설정이 사용되는 위치를 찾고 web_search를 사용하여 라이브러리의 공식 문서를 찾습니다. 간단합니다. task를 사용하여 검토를 병렬 처리를 위한 부분으로 분할합니다. http_get은 특정 페이지를 읽고 gen_image는 플롯을 저장합니다. ocr은 스크린샷에서 텍스트를 읽고 run_on_model은 어려운 단계를 처리합니다. 버전 관리 스킬은 초보자를 위한 머신러닝 프로젝트에 대한 브랜치와 커밋을 관리합니다. Cron은 작업을 예약하여 Plan only 모드에서 계획을 검토합니다. Auto-run으로 전환하여 완수하게 하면 실제 세계의 ml 프로젝트 아이디어가 나타납니다.
자신의 파일, 데이터 및 시스템 또는 쓰기 권한이 있는 곳에서만 사용하고 책임은 본인에게 있습니다. 앱은 코드나 분석이 정확함을 보장하지 않으므로 diff를 검토하고 테스트를 실행하세요. 이력서용 ml 프로젝트의 좋은 주제를 찾는 데 유용합니다.