Otwórz folder
Otwórz czat i ustaw katalog roboczy na katalog główny projektu.
Przepływy pracy
Proste projekty ML
03
Przygotuj projekt Capstone
Zacznij od małego zbioru danych i jasno zdefiniowanego celu. Wykorzystaj agenta do wypisania plików, odczytu danych i uruchomienia skryptu bazowego. Zweryfikuj wyniki w kartach czatu. Możesz poszukać „zbiorów danych do projektów data science”, aby ćwiczyć umiejętności na małym zbiorze, który posiadasz lub możesz użyć zgodnie z jego licencją.
Wypisz pliki
Uruchom list_dir, aby zobaczyć aktualną strukturę katalogu i upewnić się, że dane są obecne.
Odczytaj dane
Użyj read_file, aby sprawdzić pierwsze kilka linii swojego zbioru danych CSV.
Uruchom skrypt bazowy
Wykonaj skrypt bazowy w Shell i sprawdź kod wyjścia, aby potwierdzić powodzenie.
Przykład skryptu bazowego
Uruchom skrypt bazowy i pokaż wynik dokładności.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 wierszy - write_file
baseline.pyzapisano - grep
baseline accuracy3 dopasowania
oczekuje na Twoją zgodę przed wykonaniem kolejnego krokuOdrzućAkceptuj
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()Ten skrypt w czystym Pythonie odczytuje plik CSV, wyznacza najczęściej występującą etykietę i wypisuje dokładność bazową bez użycia żadnych bibliotek zewnętrznych.
Zbuduj projekt Capstone z uczenia maszynowego
Zbadaj dane
Wypisz zawartość folderu projektu, aby potwierdzić obecność zbioru danych, i użyj read_file, aby wyświetlić pierwsze kilka wierszy danych CSV. Sprawdź nagłówki kolumn. To pomoże Ci zrozumieć nazwy kolumn i typy danych przed rozpoczęciem budowania modelu. Agent wyświetla zawartość pliku bezpośrednio w karcie czatu, abyś mógł ją przeanalizować. Możesz użyć grep, aby znaleźć konkretne wartości lub wzorce w danych w ramach prostych projektów ML. Zweryfikuj, czy dane są czyste i gotowe do szkolenia, sprawdzając brakujące wartości. Pierwszy mini-projekt dla początkujących często zaczyna się od zbadania tych podstawowych struktur danych. Ten krok zapewnia, że wiesz dokładnie, z czym pracujesz w swoim potoku uczenia maszynowego.
Uruchom szkolenie
Napisz prosty skrypt trenujący, korzystając z wybranej biblioteki, i zapisz go w folderze projektu. Następnie użyj write_file, aby utworzyć skrypt, oraz edit_file, aby poprawić ewentualne błędy składniowe. Uruchom go. Wykonaj skrypt w narzędziu Shell, aby zobaczyć rzeczywiste wyjście. Sprawdź kod wyjścia, aby upewnić się, że skrypt zakończył się pomyślnie. Oceń model na zbiorze walidacyjnym i zapisz metryki. Zapisz wyniki w dzienniku JSON dla zachowania reprodukowalności i przejrzystości. Przeglądaj różnice (diff) przy każdej zmianie, jeśli używasz opcji Ask first. Powtarzaj ten cykl w ramach projektu Capstone ML, jednocześnie wybierając projekt z zakresu uczenia głębokiego.
