Dokumentation / ML Studio

Training

Entwirf die Strategie mit acht Fragen, starte ein Training, verfolge die Kurve live, vergleiche Experimente und berichte mit dem SDK aus deinem eigenen Skript.

Auf dieser Seite

Trainieren ist in Yuli ein Job mit Plan, Validierung und Protokoll: Er läuft weiter, auch wenn du den Chat schließt, lässt sich pausieren und hinterlässt eine Modellversion, die separat evaluiert wird.

Die Strategie entwerfen

Im Tab Entwerfen schlägt Yuli eine Strategie vor und begründet sie mit den Antworten auf acht Fragen:

#FrageBeispielantwort
1Was es lerntOb ein Kunde in den nächsten 90 Tagen kündigt.
2Welche Strategie gewählt wurdeVon Grund auf, mit Gradient Boosting.
3WarumTabellarische Daten, 40 000 Zeilen, kein Vorgängermodell.
4Welche Alternativen geprüft wurdenLogistische Regression (Baseline) und Random Forest.
5Welche Ressourcen nötig sindCPU, einige Minuten, wenig Speicher.
6Welche Grenzen es hatKennt keine Kunden, die weniger als einen Monat dabei sind.
7Woran wir erkennen, dass es besser wurdeF1 im Test ≥ 0,85 und besser als die Baseline.
8Support-StufeWie gut dieser Weg in Yuli erprobt ist.

Prüfe, passe an, was nötig ist, und klicke auf Genehmigen und trainieren ›.

Strategien

StrategieWann
Von Grund aufEs gibt kein Vorgängermodell.
WarmstartVon den Gewichten einer früheren Version aus weitermachen.
Fine-TuningEin bereits trainiertes Modell an deine Daten anpassen.
Merkmale extrahierenEin Modell als Generator für Variablen nutzen.
Semi-überwachtWenige Labels und viele ungelabelte Beispiele.
SelbstüberwachtStruktur aus Daten ohne Labels lernen.
Kontinuierliches LernenDas Modell mit neuen Daten aktualisieren, ohne Gelerntes zu vergessen.

Neues Training

Unter Neues Training füllst du aus:

FeldWas es ist
DatensatzDie Datenversion, mit der trainiert wird.
Vorherzusagende SpalteDas Ziel (Target).
Frameworkscikit-learn, PyTorch, Transformers, XGBoost, LightGBM oder eigenes Skript.
AlgorithmusEin bestimmter oder Automatisch (Yuli wählt).
EpochenWie viele Durchläufe durch die Daten (neuronale Netze).
GerätCPU oder GPU.
ModusEin Training, Hyperparametersuche oder AutoML.

Enthaltene tabellarische Algorithmen: logistische und lineare Regression, Ridge, Lasso, Random Forest, Extra Trees, Gradient Boosting, Entscheidungsbaum, kNN, Naive Bayes, SVM, SGD und MLP. Für Anomalien: Isolation Forest, LOF und robuster Z-Score.

Wenn du auf Trainieren klickst, erledigt Yuli drei Dinge der Reihe nach:

  1. Planen: berechnet Speicher, Zeit, Gerät und Risiko.
  2. Validieren: prüft, dass sich die Daten nicht geändert haben, die Python-Umgebung bereit ist und Ressourcen verfügbar sind.
  3. Starten: startet den Job.

Status und Steuerung

StatusBedeutung
In der WarteschlangeWartet, bis er an der Reihe ist oder Ressourcen frei sind (z. B. „Wartet auf VRAM: braucht X, verfügbar Y“).
Wird validiertVorabprüfungen.
LäuftTrainiert.
Wird pausiert / PausiertSpeichert einen Checkpoint und hält an.
AbgeschlossenIst fertig und hat eine Version registriert.
FehlgeschlagenWurde mit einem Fehler beendet; Protokoll anzeigen zeigt, warum.
AbgebrochenDu hast ihn gestoppt.

Steuerung: Pausieren, Fortsetzen, Abbrechen und Protokoll anzeigen.

Lernkurve live

Die Lernkurve zeichnet Verlust und Metriken für Train und Validierung während des Trainings, mit Epoche n von N, Bester Wert bisher, Vergangen, Verbleibend und, bei GPU-Nutzung, GPU: Name. Wähle die Glättung (Roh, Glatt, Sehr glatt) und aktiviere Log-Skala, wenn der Verlust um mehrere Größenordnungen fällt.

Wenn der Validierungsverlust steigt, während der Train-Verlust weiter fällt, lernt das Modell auswendig: Yuli warnt vor möglichem Overfitting. Stoppe früher oder reduziere die Komplexität.

Experimente und Hyperparametersuche

Experimente speichert jedes Training mit seinen Parametern, Daten und Metriken, um sie nebeneinander zu vergleichen.

  • Hyperparametersuche nutzt Optuna, um Kombinationen auszuprobieren und die beste auf der Validierung zu behalten.
  • AutoML probiert für dich mehrere Algorithmen und Konfigurationen aus.
  • Wenn dein Team MLflow verwendet, kannst du die Experimente dorthin spiegeln (optional).

Dein eigenes Skript mit dem SDK

Wenn du schon eine Trainingsschleife hast (auch spaCy), verwende framework: script und berichte mit yuli_ml.sdk. Dein Skript erscheint in ML Studio wie ein mitgelieferter Adapter: Kurven, Pausieren, Checkpoints und registrierte Version.

python
# train.py
import numpy as np
import yuli_ml.sdk as yuli

epochs = 20
device = yuli.device()          # "cuda:0", "mps" oder "cpu", je nachdem, was Yuli reserviert hat
yuli.info(f"Training auf {device}")

start = 0
if yuli.resume_from():          # nach einer Pause fortsetzen
    start = load_checkpoint(yuli.resume_from())

best_f1, best_epoch = 0.0, 0
for epoch in range(start, epochs):
    loss = train_one_epoch(device)
    f1 = validate()
    yuli.log("train/loss", loss, step=epoch, epoch=epoch)
    yuli.log("val/f1", f1, step=epoch, epoch=epoch, split="validation")
    if f1 > best_f1:
        best_f1, best_epoch = f1, epoch
    if yuli.should_stop():      # der Nutzer hat Pausieren oder Abbrechen geklickt
        path = yuli.checkpoint_dir()
        save_checkpoint(path, epoch)
        yuli.checkpoint(path, step=epoch, epoch=epoch, resumable=True)
        yuli.stop()
    yuli.progress(epoch + 1, epochs)

yuli.save_model({"layer.weight": np.zeros((4, 4))}, metrics={"f1": best_f1}, best_epoch=best_epoch)
FunktionWofür
log, progress, infoMetriken, Fortschritt und Meldungen live.
should_stop, checkpoint, checkpoint_dir, resume_fromPausieren, Checkpoints und Fortsetzen.
model_dir, save_model, reportOrdner der Version, finale Gewichte und Evaluationsberichte.
device, use_gpuDas reservierte Gerät (und spacy.prefer_gpu(), wenn du spaCy nutzt).
warm_startDie Gewichte der Version, von der aus du das Fine-Tuning machst.

Außerhalb von Yuli (python train.py in einem Terminal) tut jeder SDK-Aufruf nichts: Dein Skript funktioniert weiterhin eigenständig.

Brauchst du einen eigenen Algorithmus oder eine eigene Metrik? Schreibe sie in ml/extensions/*.py mit @ext.algorithm, @ext.metric oder @ext.transform und verwende sie wie die mitgelieferten. Nächster Schritt: Evaluation und Modelle.