Abrir pasta
Abra o chat e defina a pasta de trabalho como a raiz do seu projeto.
Fluxos de trabalho
Projetos simples de machine learning
03
Prepare seu projeto final
Comece com um pequeno conjunto de dados e um objetivo claro. Use o agente para listar arquivos, ler os dados e executar um script de baseline. Verifique os resultados nos cartões do chat. Você pode usar "encontrar datasets para projetos de ciência de dados" para praticar suas habilidades com um conjunto de dados que você possui ou pode usar sob sua licença.
Listar arquivos
Execute list_dir para ver a estrutura atual e verificar se seus dados existem.
Ler dados
Use read_file para inspecionar as primeiras linhas do seu dataset CSV.
Executar baseline
Execute o script de baseline no Shell e verifique o código de saída para confirmar o sucesso.
Exemplo de script de baseline
Execute o script de baseline e mostre o resultado da acurácia.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 linhas - write_file
baseline.pysalvo - grep
baseline accuracy3 correspondências
aguardando sua aprovação antes da próxima etapaRejeitarAceitar
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 em Python puro lê um arquivo CSV, encontra o rótulo mais comum e imprime a acurácia de baseline sem usar bibliotecas de terceiros.
Construa seu projeto final de machine learning
Inspecionar dados
Liste a pasta do seu projeto para confirmar que o dataset está presente e use read_file para visualizar as primeiras linhas dos seus dados CSV. Verifique as colunas. Isso ajuda você a entender os nomes das colunas e os tipos de dados antes de começar a construir. O agente mostra o conteúdo do arquivo diretamente no cartão do chat para sua revisão. Você pode usar grep para encontrar valores ou padrões específicos nos dados para projetos simples de machine learning. Verifique se os dados parecem limpos e prontos para o treinamento, verificando valores ausentes. Um primeiro mini projeto para iniciantes geralmente começa inspecionando essas estruturas básicas de dados. Esta etapa garante que você saiba exatamente com o que está trabalhando para seu pipeline de machine learning.
Executar treinamento
Escreva um script de treinamento simples usando sua biblioteca e salve-o na pasta do projeto, depois use write_file para criar o script e edit_file para corrigir erros de sintaxe. Execute-o. Execute o script na ferramenta Shell para ver a saída real. Verifique o código de saída para garantir que o script foi concluído com sucesso. Avalie o modelo no seu conjunto de validação e registre as métricas. Salve os resultados em um log JSON para reprodutibilidade e clareza. Revise o diff para cada alteração quando usar Ask first. Repita este ciclo para o seu projeto final de machine learning enquanto você escolhe um projeto de deep learning.
