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:
| # | Frage | Beispielantwort |
|---|---|---|
| 1 | Was es lernt | Ob ein Kunde in den nächsten 90 Tagen kündigt. |
| 2 | Welche Strategie gewählt wurde | Von Grund auf, mit Gradient Boosting. |
| 3 | Warum | Tabellarische Daten, 40 000 Zeilen, kein Vorgängermodell. |
| 4 | Welche Alternativen geprüft wurden | Logistische Regression (Baseline) und Random Forest. |
| 5 | Welche Ressourcen nötig sind | CPU, einige Minuten, wenig Speicher. |
| 6 | Welche Grenzen es hat | Kennt keine Kunden, die weniger als einen Monat dabei sind. |
| 7 | Woran wir erkennen, dass es besser wurde | F1 im Test ≥ 0,85 und besser als die Baseline. |
| 8 | Support-Stufe | Wie gut dieser Weg in Yuli erprobt ist. |
Prüfe, passe an, was nötig ist, und klicke auf Genehmigen und trainieren ›.
Strategien
| Strategie | Wann |
|---|---|
| Von Grund auf | Es gibt kein Vorgängermodell. |
| Warmstart | Von den Gewichten einer früheren Version aus weitermachen. |
| Fine-Tuning | Ein bereits trainiertes Modell an deine Daten anpassen. |
| Merkmale extrahieren | Ein Modell als Generator für Variablen nutzen. |
| Semi-überwacht | Wenige Labels und viele ungelabelte Beispiele. |
| Selbstüberwacht | Struktur aus Daten ohne Labels lernen. |
| Kontinuierliches Lernen | Das Modell mit neuen Daten aktualisieren, ohne Gelerntes zu vergessen. |
Neues Training
Unter Neues Training füllst du aus:
| Feld | Was es ist |
|---|---|
| Datensatz | Die Datenversion, mit der trainiert wird. |
| Vorherzusagende Spalte | Das Ziel (Target). |
| Framework | scikit-learn, PyTorch, Transformers, XGBoost, LightGBM oder eigenes Skript. |
| Algorithmus | Ein bestimmter oder Automatisch (Yuli wählt). |
| Epochen | Wie viele Durchläufe durch die Daten (neuronale Netze). |
| Gerät | CPU oder GPU. |
| Modus | Ein 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:
- Planen: berechnet Speicher, Zeit, Gerät und Risiko.
- Validieren: prüft, dass sich die Daten nicht geändert haben, die Python-Umgebung bereit ist und Ressourcen verfügbar sind.
- Starten: startet den Job.
Status und Steuerung
| Status | Bedeutung |
|---|---|
| In der Warteschlange | Wartet, bis er an der Reihe ist oder Ressourcen frei sind (z. B. „Wartet auf VRAM: braucht X, verfügbar Y“). |
| Wird validiert | Vorabprüfungen. |
| Läuft | Trainiert. |
| Wird pausiert / Pausiert | Speichert einen Checkpoint und hält an. |
| Abgeschlossen | Ist fertig und hat eine Version registriert. |
| Fehlgeschlagen | Wurde mit einem Fehler beendet; Protokoll anzeigen zeigt, warum. |
| Abgebrochen | Du 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.
# 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)| Funktion | Wofür |
|---|---|
log, progress, info | Metriken, Fortschritt und Meldungen live. |
should_stop, checkpoint, checkpoint_dir, resume_from | Pausieren, Checkpoints und Fortsetzen. |
model_dir, save_model, report | Ordner der Version, finale Gewichte und Evaluationsberichte. |
device, use_gpu | Das reservierte Gerät (und spacy.prefer_gpu(), wenn du spaCy nutzt). |
warm_start | Die 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.