Data og maskinlæring

Bygg et kjørbart analyse- eller modelleringsprosjekt, og undersøk grunnlaget bak resultatene.

Definer spørsmålet og dataene

Beskriv datasettet, resultatet du ønsker, og leveransen du skal bruke. For eksempel: «Forutsi om en bestilling vil bli returnert basert på denne CSV-filen. Sammenlign modellen med en enkel referansemodell, og forklar de sterkeste prediktorene.» Identifiser målkolonnen og eventuelle identifikatorkolonner.

Oppgi et brukbart datasett

Oppgi dataene eller en støttet kilde, og forklar kolonnebetydninger, manglende verdier og relevante datoer. Arbeidsflyten støtter klargjøring av datasett og eventuelle eksterne datasett- eller modellkilder. Eksterne tjenester og GPU-kjøring krever tilsvarende tilgjengelig tilkobling og kjøretidsmiljø.

Bli enige om evaluering

Velg en metrikk som passer spørsmålet. Et veiledet prosjekt kan reservere et eget holdout-sett før trening; plattformen bruker disse evalueringsdataene til å sjekke prediksjonene. Rapporten bør skille treningsresultater fra uavhengig evaluering og forklare sammenligningen med referansemodellen.

Les rapporten og artefaktene

Det genererte prosjektet inkluderer kjørbart arbeid og en rapportforhåndsvisning. Avhengig av briefen kan utdataene inkludere trenings- og prediksjonskode, lagrede modeller, prediksjoner og evalueringsrapporter. Undersøk filene som faktisk ble produsert, og kommandoene som trengs for å reprodusere resultatet.

Håndter en mislykket kjøring

Les det rapporterte problemet før du ber om en fiks. En manglende målverdi, uegnede kolonnetyper, utilgjengelige avhengigheter eller oppbrukt kjøretid kan hindre et gyldig resultat. Rett opp dataene eller briefen, kjør på nytt, og sjekk den nye rapporten; et diagram alene er ikke bevis på en vellykket treningskjøring.

Finjuster og gjenbruk

Be om en ny funksjon, modellsammenligning eller forklaring i samme byggsamtale. Last ned det genererte prosjektet når du trenger å fortsette i ditt eget miljø. Behold dataantakelsene og evalueringsoppsettet sammen med resultatet.

Forstå omfanget

Et dataprosjekt er en annen type utdata enn en tilpasset AI-agent eller et innebygd Agent-team. En dedikert arbeidsflyt for kvantitativ handelsstrategi er fortsatt planlagt; disse veiledningene beskriver den ikke som en tilgjengelig byggetype.