MLE agent
0.4.2
? L'amour des pères pour Kaia?
Docs | ? Problèmes de rapport | Rejoignez-nous sur Discord
MLE-Agent est conçu comme un agent LLM de couple pour les ingénieurs d'apprentissage automatique et les chercheurs. Il est présenté par:
0.4.2 avec le mode Auto-Kaggle amélioré pour terminer une concurrence de bout en bout avec un effort minimal.0.4.0 avec de nouveaux CLI comme MLE report , MLE kaggle , MLE integration et de nombreux nouveaux modèles comme Mistral .0.3.0 avec un énorme refactorisation, de nombreuses intégrations, etc. (V0.3.0)0.2.0 avec plusieurs agents (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 >Et un répertoire de projet sera créé sous le chemin actuel, vous devez démarrer le projet dans le répertoire du projet.
cd < project name >
mle startVous pouvez également démarrer un chat interactif dans le terminal sous le répertoire du projet:
mle chatL'agent MLE peut vous aider à prototyper une ligne de base ML avec les exigences données et à tester le modèle sur la machine locale. Les exigences peuvent être vagues, comme "Je veux prédire le cours de l'action en fonction des données historiques".
cd < project name >
mle startL'agent MLE peut vous aider à résumer votre rapport hebdomadaire, y compris les progrès du développement, les notes de communication, la référence et les listes de tâches.
cd < project name >
mle reportEnsuite, vous pouvez visiter http: // localhost: 3000 / pour générer votre rapport localement.
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 et --end-date sont des paramètres facultatifs. S'il est omis, la commande générera un rapport pour la plage de date par défaut des 7 derniers jours.<git email> par votre e-mail GIT et <path_to_git_repo> par le chemin d'accès à votre référentiel GIT local.L'agent MLE peut participer aux compétitions de Kaggle et terminer le codage et le débogage de la préparation des données à la formation de modèle indépendamment. Voici la commande de base pour démarrer une compétition Kaggle:
cd < project name >
mle kaggleOu vous pouvez laisser les agents terminer la tâche de Kaggle sans interaction humaine si vous avez le fichier de données et le fichier de soumission:
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> "Veuillez vous assurer que vous avez rejoint la compétition avant d'exécuter la commande. Pour plus de détails, consultez les tutoriels MLE-Agent.
Ce qui suit est une liste des tâches que nous prévoyons de faire, bienvenue à proposer quelque chose de nouveau!
Nous accueillons les contributions de la communauté. Nous recherchons des contributeurs pour nous aider avec les tâches suivantes:
Veuillez vérifier le fichier contribution.md si vous souhaitez contribuer.
Vérifiez le fichier de licence MIT pour plus d'informations.
