Model Ledger
İş akışları

basit makine öğrenmesi projeleri

03
Kapasite iş akışı

Kapasite projenizi hazırlayın

Küçük bir veri kümesi ve net bir hedefle başlayın. Aracı dosyaları listelemek, veriyi okumak ve bir taban çizgisi betiği çalıştırmak için kullanın. Sonuçları sohbet kartlarında kontrol edin. Becerilerinizi küçük bir veri kümesiyle uygulamak için "veri bilimi projeleri için veri setleri bul" ifadesini kullanabilirsiniz; bu veri kümesini mülkiyetinizde tutuyor veya lisansı altında kullanma hakkına sahip olabilirsiniz.

01

Klasörü aç

Sohbeti açın ve çalışma klasörünü proje kök dizininize ayarlayın.

02

Dosyaları listele

Mevcut yapıyı görmek için list_dir komutunu çalıştırın ve verinizin var olduğunu doğrulayın.

03

Veriyi oku

CSV veri setinizin ilk birkaç satırını incelemek için read_file komutunu kullanın.

04

Taban çizgisi çalıştır

Taban çizgisi betiğini Shell aracında çalıştırın ve başarı için çıkış kodunu kontrol edin.

Taban çizgisi betiği örneği

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()

Bu saf Python betiği bir CSV dosyasını okur, en yaygın etiketi bulur ve üçüncü taraf kütüphane kullanmadan taban çizgisi doğruluğunu yazdırır.

Makine öğrenmesi kapasite projenizi oluşturun

Veriyi incele

Veri setinin mevcut olduğunu doğrulamak için proje klasörünüzü listeleyin ve CSV verinizin ilk birkaç satırını görüntülemek için read_file komutunu kullanın. Sütunları kontrol edin. Bu, yapıya başlamadan önce sütun adlarını ve veri türlerini anlamanıza yardımcı olur. Aracı, dosya içeriğini doğrudan sohbet kartında gösterir, böylece inceleyebilirsiniz. Basit makine öğrenmesi projeleri için verideki belirli değerleri veya kalıpları bulmak üzere grep komutunu kullanabilirsiniz. Eksik değerleri kontrol ederek verinin eğitim için temiz ve hazır göründüğünü doğrulayın. Yeni başlayanlar için ilk mini proje, genellikle bu temel veri yapılarını incelemeyi içerir. Bu adım, makine öğrenmesi hattınızla tam olarak ne üzerinde çalıştığınızı bilmenizi sağlar.

Eğitimi çalıştır

Kütüphanenizi kullanarak basit bir eğitim betiği yazın ve proje klasörüne kaydedin, ardından betiği oluşturmak için write_file ve herhangi bir sözdizimi hatasını düzeltmek için edit_file komutlarını kullanın. Çalıştırın. Gerçek çıktıyı görmek için betiği Shell aracında çalıştırın. Betiğin başarıyla tamamlanıp tamamlanmadığını kontrol etmek için çıkış kodunu kontrol edin. Modeli doğrulama setinizde değerlendirin ve metrikleri kaydedin. Sonuçları tekrarlanabilirlik ve netlik için bir JSON günlüğüne kaydedin. Ask first özelliğini kullandığınızda her değişiklik için farkları (diff) gözden geçirin. Derin öğrenme projesi seçerken makine öğrenmesi kapasite projeniz için bu döngüyü tekrarlayın.

Windows için Model Ledger

Projenize bugün başlayın

Model Ledger'ı İndir ↗