MLE agent
0.4.2
？父亲对Kaia的爱？
文档| ？报告问题|加入我们的不和谐
MLE代理被设计为机器学习工程师和研究人员的配对LLM代理。它的特征是：
Auto-Kaggle模式发布0.4.2 ，以最少的努力来完成端到端的竞争。MLE report ， MLE kaggle ， MLE integration和Mistral等许多新模型等新CLIS发布0.4.0 。0.3.0 ，具有巨大的重构，许多集成等（v0.3.0）0.2.0 （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 >并且将在当前路径下创建项目目录，您需要在项目目录下启动项目。
cd < project name >
mle start您还可以在项目目录下的终端中启动交互式聊天：
mle chatMLE代理可以帮助您使用给定要求的ML基线原型，并在本地机器上测试模型。需求可能是模糊的，例如“我想根据历史数据来预测股票价格”。
cd < project name >
mle startMLE代理可以帮助您总结您的每周报告，包括开发进度，通信说明，参考和待办事项列表。
cd < project name >
mle report然后，您可以访问http：// localhost：3000/以在本地生成报告。
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和--end-date是可选参数。如果省略，该命令将生成最近7天默认日期范围的报告。<git email> <path_to_git_repo>使用通往本地git存储库的路径。MLE代理可以参与Kaggle竞赛，完成从数据准备到模型培训的完成编码和调试。这是启动Kaggle竞赛的基本命令：
cd < project name >
mle kaggle或者，如果您准备好数据集和提交文件，则可以让代理商完成Kaggle任务，而无需人工互动：
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> "在运行命令之前，请确保您已经加入了比赛。有关更多详细信息，请参见MLE代理教程。
以下是我们计划执行的任务的列表，欢迎提出一些新的东西！
我们欢迎社区的贡献。我们正在寻找贡献者来帮助我们完成以下任务：
如果您想贡献，请检查贡献.md文件。
检查MIT许可证文件以获取更多信息。
