Daten & maschinelles Lernen

Erstelle ein ausführbares Analyse- oder Modellierungsprojekt und prüfe die Belege hinter seinen Ergebnissen.

Die Frage und die Daten definieren

Beschreibe den Datensatz, das gewünschte Ergebnis und das Ergebnis, das du verwenden wirst. Zum Beispiel: „Sage anhand dieser CSV voraus, ob eine Bestellung zurückgeschickt wird. Vergleiche das Modell mit einer einfachen Baseline und erkläre die stärksten Prädiktoren.“ Bestimme die Zielspalte und alle Identifikatorspalten.

Einen nutzbaren Datensatz bereitstellen

Stelle die Daten oder eine unterstützte Quelle bereit und erkläre Spaltenbedeutungen, fehlende Werte und relevante Datumsangaben. Der Workflow unterstützt die Datensatzvorbereitung sowie optionale externe Datensatz- oder Modellquellen. Externe Dienste und GPU-Ausführung erfordern die entsprechende verfügbare Verbindung und Laufzeitumgebung.

Die Bewertung festlegen

Wähle eine Metrik, die zur Frage passt. Ein überwachtes Projekt kann vor dem Training einen separaten Holdout-Datensatz reservieren; die Plattform nutzt diese Bewertungsdaten, um Vorhersagen zu prüfen. Der Bericht sollte Trainingsergebnisse von unabhängigen Bewertungen unterscheiden und den Baseline-Vergleich erklären.

Bericht und Artefakte lesen

Das generierte Projekt enthält ausführbare Arbeit und eine Berichtsvorschau. Je nach Briefing können die Ausgaben Trainings- und Vorhersagecode, gespeicherte Modelle, Vorhersagen und Bewertungsberichte umfassen. Prüfe die tatsächlich erzeugten Dateien und die zur Reproduktion des Ergebnisses nötigen Befehle.

Mit einem fehlgeschlagenen Lauf umgehen

Lies das gemeldete Problem, bevor du eine Korrektur anforderst. Eine fehlende Zielspalte, ungeeignete Spaltentypen, nicht verfügbare Abhängigkeiten oder erschöpfte Laufzeit können ein gültiges Ergebnis verhindern. Korrigiere die Daten oder das Briefing, führe es erneut aus und prüfe den neuen Bericht; ein Diagramm allein ist kein Beweis für einen erfolgreichen Trainingslauf.

Verfeinern und wiederverwenden

Fordere im selben Build-Gespräch eine weitere Funktion, einen Modellvergleich oder eine Erklärung an. Lade das generierte Projekt herunter, wenn du in deiner eigenen Umgebung weiterarbeiten möchtest. Bewahre die Datenannahmen und den Bewertungsaufbau zusammen mit dem Ergebnis auf.

Den Umfang verstehen

Ein Datenprojekt ist eine andere Ausgabe als ein benutzerdefinierter KI-Agent oder ein integriertes Agent-Team. Ein dedizierter Workflow für quantitative Handelsstrategien ist weiterhin geplant; diese Anleitungen beschreiben ihn nicht als verfügbaren Builder-Typ.