MLE agent
0.4.2
? ¿El amor de los padres por Kaia?
Docios | ? Problemas de informe | Únete a nosotros en Discord
MLE-Agent está diseñado como agente de emparejamiento LLM para ingenieros e investigadores de aprendizaje automático. Aparece por:
0.4.2 con el modo mejorado Auto-Kaggle para completar una competencia de extremo a extremo con un esfuerzo mínimo.0.4.0 con nuevos clis como MLE report , MLE kaggle , MLE integration y muchos modelos nuevos como Mistral .0.3.0 con enorme refactorización, muchas integraciones, etc. (V0.3.0)0.2.0 con interacción de múltiples agentes (V0.2.0)pip install mle-agent -U
# or from source
git clone [email protected]:MLSysOps/MLE-agent.git
pip install -e .mle new < project name >Y se creará un directorio de proyecto en la ruta actual, debe iniciar el proyecto en el directorio del proyecto.
cd < project name >
mle startTambién puede iniciar un chat interactivo en la terminal en el directorio del proyecto:
mle chatMLE Agent puede ayudarlo a prototipos de una línea de base ML con los requisitos dados y probar el modelo en la máquina local. Los requisitos pueden ser vagos, como "Quiero predecir el precio de las acciones en función de los datos históricos".
cd < project name >
mle startMLE Agent puede ayudarlo a resumir su informe semanal, incluido el progreso del desarrollo, las notas de comunicación, la referencia y las listas de tareas pendientes.
cd < project name >
mle reportLuego, puede visitar http: // localhost: 3000/para generar su informe localmente.
cd < project name >
mle report-local --email= < git email > --start-date=YYYY-MM-DD --end-date=YYYY-MM-DD < path_to_git_repo >--start-date y --end-date son parámetros opcionales. Si se omite, el comando generará un informe para el rango de fecha predeterminado de los últimos 7 días.<git email> con su correo electrónico Git y <path_to_git_repo> con la ruta a su repositorio de Git local.El agente de MLE puede participar en las competiciones de Kaggle y terminar la codificación y la depuración de la preparación de datos para modelar la capacitación de forma independiente. Aquí está el comando básico para comenzar una competencia de Kaggle:
cd < project name >
mle kaggleO puede dejar que los agentes terminen la tarea de Kaggle sin interacción humana si tiene el conjunto de datos y el archivo de envío listo:
cd < project name >
mle kaggle --auto
--datasets " <path_to_dataset1>,<path_to_dataset2>,... "
--description " <description_file_path_or_text> "
--submission " <submission_file_path> "
--sub_example " <submission_example_file_path> "
--comp_id " <competition_id> "Asegúrese de haberse unido a la competencia antes de ejecutar el comando. Para obtener más detalles, consulte los tutoriales de MLE-Agent.
La siguiente es una lista de las tareas que planeamos hacer, ¡bienvenido para proponer algo nuevo!
Agradecemos las contribuciones de la comunidad. Estamos buscando contribuyentes que nos ayuden con las siguientes tareas:
Consulte el archivo contribuyente.md si desea contribuir.
Consulte el archivo de licencia del MIT para obtener más información.
