MLE agent
0.4.2
? Любовь отцов к Кайи?
Документы | ? Сообщите о проблемах | Присоединяйтесь к нам в Discord
MLE-AGENT разработан в качестве агента Suaring LLM для инженеров и исследователей машинного обучения. Это представлено:
0.4.2 с расширенным режимом Auto-Kaggle , чтобы завершить сквозное конкуренцию с минимальными усилиями.0.4.0 с новыми CLI, такими как MLE report , MLE kaggle , MLE integration и множество новых моделей, таких как Mistral .0.3.0 с огромным рефакторией, множеством интеграций и т. Д. (v0.3.0)0.2.0 с взаимодействием с несколькими агентами (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 >И каталог проектов будет создан по текущему пути, вам необходимо запустить проект в рамках каталога проекта.
cd < project name >
mle startВы также можете начать интерактивный чат в терминале в рамках каталога проекта:
mle chatАгент MLE может помочь вам прототип базовой линии ML с данными требованиями и проверить модель на локальной машине. Требования могут быть расплывчатыми, например, «я хочу предсказать цену акций на основе исторических данных».
cd < project name >
mle startMLE Agent может помочь вам суммировать ваш еженедельный отчет, включая прогресс в разработке, заметки об общении, ссылки и списки дел.
cd < project name >
mle reportЗатем вы можете посетить http: // localhost: 3000/для создания вашего отчета локально.
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 и --end-date -дополнительные параметры. В случае пропущения команда будет генерировать отчет для диапазона дат по умолчанию за последние 7 дней.<git email> на вашу электронную почту GIT и <path_to_git_repo> на путь к местному репозиторию GIT.MLE Agent может участвовать в соревнованиях Kaggle и закончить кодирование и отладку от подготовки данных до моделирования обучения независимо. Вот основная команда, чтобы начать конкуренцию Kaggle:
cd < project name >
mle kaggleИли вы можете позволить агентам завершить задачу Kaggle без человеческого взаимодействия, если у вас есть набор данных и файл отправки:
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> "Пожалуйста, убедитесь, что вы присоединились к конкурсу, прежде чем запустить команду. Для получения более подробной информации см. Учебники MLE-AGENT.
Ниже приведен список задач, которые мы планируем выполнить, добро пожаловать, чтобы предложить что -то новое!
Мы приветствуем вклад сообщества. Мы ищем участников, которые помогут нам со следующими задачами:
Пожалуйста, проверьте файл appling.md, если вы хотите внести свой вклад.
Проверьте файл лицензии MIT для получения дополнительной информации.
