Открыть папку
Откройте чат и установите рабочую папку в корень вашего проекта.
Рабочие процессы
простые проекты машинного обучения
03
Подготовка к финальному проекту
Начните с небольшого набора данных и четкой цели. Используйте агента для вывода списка файлов, чтения данных и запуска базового скрипта. Проверьте результаты в чат-карточках. Вы можете использовать запрос «найти датасеты для проектов по анализу данных», чтобы потренироваться с небольшим набором данных, который у вас есть или который можно использовать по лицензии.
Список файлов
Запустите list_dir, чтобы увидеть текущую структуру и убедиться, что данные на месте.
Чтение данных
Используйте read_file, чтобы просмотреть первые несколько строк вашего CSV-файла.
Запуск базового скрипта
Выполните базовый скрипт в Shell и проверьте код выхода на успешность.
Пример базового скрипта
Запустите базовый скрипт и покажите результат точности.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 строк - write_file
baseline.pyсохранено - grep
baseline accuracy3 совпадения
ждёт вашего подтверждения перед следующим шагомОтклонитьПринять
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()Этот скрипт на чистом Python читает CSV-файл, находит наиболее частую метку и выводит базовую точность без использования сторонних библиотек.
Создание финального проекта машинного обучения
Анализ данных
Выведите список файлов в папке проекта, чтобы подтвердить наличие датасета, и используйте read_file, чтобы просмотреть первые несколько строк ваших CSV-данных. Проверьте столбцы. Это поможет вам понять названия столбцов и типы данных перед началом работы. Агент отображает содержимое файла прямо в чат-карточке для вашего обзора. Вы можете использовать grep для поиска конкретных значений или паттернов в данных для простых проектов машинного обучения. Убедитесь, что данные чистые и готовы к обучению, проверив наличие пропущенных значений. Первый мини-проект для начинающих часто начинается с анализа этих базовых структур данных. Этот шаг гарантирует, что вы точно знаете, с чем работаете, для вашего конвейера машинного обучения.
Запуск обучения
Напишите простой скрипт обучения с использованием вашей библиотеки и сохраните его в папке проекта, затем используйте write_file для создания скрипта и edit_file для исправления синтаксических ошибок. Запустите его. Запустите скрипт в инструменте Shell, чтобы увидеть реальный вывод. Проверьте код выхода, чтобы убедиться, что скрипт завершился успешно. Оцените модель на валидационной выборке и запишите метрики. Сохраните результаты в JSON-журнал для воспроизводимости и ясности. Просматривайте изменения в diff, когда используете Ask first. Повторяйте этот цикл для вашего финального проекта машинного обучения, пока выбираете проект по глубокому обучению.
