MLE agent
0.4.2
? 카이 아에 대한 아버지의 사랑?
문서 | ? 보고서 문제 | Discord에 우리와 함께하십시오
MLE-Agent는 기계 학습 엔지니어 및 연구원을위한 LLM 에이전트로 설계되었습니다. 다음은 다음과 같습니다.
Auto-Kaggle 모드로 0.4.2 출시하여 최소한의 노력으로 엔드 투 엔드 경쟁을 완료합니다.MLE report , MLE kaggle , MLE integration 및 Mistral 과 같은 많은 새로운 모델과 같은 새로운 CLIS로 0.4.0 을 출시하십시오.0.3.0 을 출시하십시오 (v0.3.0)0.2.0 을 출시합니다 (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 >프로젝트 디렉토리는 현재 경로 하에서 생성되며 프로젝트 디렉토리에서 프로젝트를 시작해야합니다.
cd < project name >
mle start프로젝트 디렉토리 아래 터미널에서 대화식 채팅을 시작할 수도 있습니다.
mle chatMLE 에이전트는 주어진 요구 사항이있는 ML 기준선을 프로토 타입하고 로컬 컴퓨터의 모델을 테스트하는 데 도움이 될 수 있습니다. "과거 데이터를 기반으로 주가를 예측하고 싶습니다"와 같은 요구 사항은 모호 할 수 있습니다.
cd < project name >
mle startMLE 에이전트는 개발 진행, 커뮤니케이션 노트, 참조 및 할 일 목록을 포함한 주간 보고서를 요약하는 데 도움을 줄 수 있습니다.
cd < project name >
mle report그런 다음 http : // localhost : 3000/를 방문하여 로컬로 보고서를 생성 할 수 있습니다.
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 및 --end-date 는 선택적 매개 변수입니다. 생략하면 명령은 지난 7 일의 기본 날짜 범위에 대한 보고서를 생성합니다.<git email> GIT 이메일로 교체하고 <path_to_git_repo> 로컬 git 저장소로가는 경로로 교체하십시오.MLE 에이전트는 Kaggle 대회에 참여하고 데이터 준비에서 모델 교육에 이르기까지 코딩 및 디버깅을 마무리 할 수 있습니다. Kaggle 경쟁을 시작하는 기본 명령은 다음과 같습니다.
cd < project name >
mle kaggle또는 데이터 세트 및 제출 파일이 준비된 경우 에이전트가 사람의 상호 작용없이 Kaggle 작업을 완료하도록 할 수 있습니다.
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> "명령을 실행하기 전에 경쟁에 참여했는지 확인하십시오. 자세한 내용은 MLE 에이전트 튜토리얼을 참조하십시오.
다음은 우리가해야 할 작업의 목록입니다. 새로운 것을 제안 할 수 있습니다!
우리는 지역 사회의 기여를 환영합니다. 우리는 다음과 같은 작업을 도와 드릴 수있는 기고자를 찾고 있습니다.
기여하려면 Contributing.md 파일을 확인하십시오.
자세한 내용은 MIT 라이센스 파일을 확인하십시오.
