Відкрити папку
Відкрийте чат і вкажіть робочу папку як корінь вашого проєкту.
Робочі процеси
прості проєкти машинного навчання
03
Підготуйте фінальний проєкт
Почніть із невеликого набору даних та чіткою метою. Використовуйте агента, щоб перелічити файли, прочитати дані та запустити базовий скрипт. Перевірте результати в чат-картках. Ви можете використати запит «знайти набори даних для наукових проєктів», щоб відпрацювати навички на власному наборі даних або тому, що можна використовувати відповідно до його ліцензії.
Перелічити файли
Запустіть list_dir, щоб побачити поточну структуру та переконатися, що дані наявні.
Прочитати дані
Використовуйте read_file, щоб переглянути перші кілька рядків CSV-файлу.
Запустити базу
Виконайте базовий скрипт у Shell та перевірте код виходу на успішність.
Приклад базового скрипта
Запустіть базовий скрипт та покажіть результат точності.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 рядків - write_file
baseline.pyзбережено - grep
baseline accuracy3 збіги
чекає на вашу згоду перед наступним крокомВідхилитиПрийняти
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()Цей скрипт на чистому Python читає CSV-файл, знаходить найпоширенішу мітку та виводить базову точність без використання сторонніх бібліотек.
Створіть фінальний проєкт машинного навчання
Перевірити дані
Перелічіть папку проєкту, щоб підтвердити наявність набору даних, та використайте read_file, щоб переглянути перші кілька рядків CSV-даних. Перевірте стовпці. Це допоможе зрозуміти назви стовпців та типи даних перед початком розробки. Агент відображає вміст файлу безпосередньо в чат-картці для вашого огляду. Ви можете використати grep для пошуку конкретних значень або шаблонів у даних для простих проєктів машинного навчання. Переконайтеся, що дані чисті та готові до навчання, перевіривши наявність пропущених значень. Перший мініпроєкт для початківців часто починається з інспекції цих базових структур даних. Цей крок гарантує, що ви точно знаєте, з чим працюєте у своєму конвеєрі машинного навчання.
Запустити навчання
Напишіть простий скрипт навчання, використовуючи вашу бібліотеку, та збережіть його в папці проєкту. Використайте write_file для створення скрипта та edit_file для виправлення синтаксичних помилок. Запустіть його. Виконайте скрипт у інструменті Shell, щоб побачити реальний вивід. Перевірте код виходу, щоб переконатися, що скрипт завершився успішно. Оцініть модель на валідаційному наборі та запишіть метрики. Збережіть результати у JSON-журнал для відтворюваності та ясності. Переглядайте diff для кожної зміни, коли використовуєте Ask first. Повторюйте цей цикл для фінального проєкту машинного навчання, обираючи проєкт глибокого навчання.
