Machine Learning und Deep Learning, ohne dass deine Daten deinen Rechner verlassen.

Vom Geschäftsziel zum veröffentlichten Modell in einem geführten Ablauf mit sechs Schritten. Trainiere mit scikit-learn, PyTorch oder Transformers, spezialisiere lokale LLMs und antworte mit deinen Dokumenten. Der Agent hilft dir beim Entwerfen und beim Lesen der Ergebnisse; die echten Daten sehen nur du und deine Modelle.

Yuli Code — bajas-clientesML StudioOhne Netzwerk
  1. 1Start
  2. 2Daten
  3. 3Entwerfen
  4. 4Trainieren
  5. 5Evaluieren
  6. 6Veröffentlichen
Bester WertF1 0,872
Tempo · 38,4 Schritte/sTraining läuft
Fertig in4 min 12 s
Epoche 18 von 24 Verlust (Training) Verlust (Validierung)
Validierungsmetriken
  • F10,872
  • AUC0,931
  • Precision0,858
  • Recall0,887

Akzeptanzkriterium: F1 ≥ 0,85 · Erfüllt

clientes.csv · v4 · 48 210 Zeilen
  • antiguedad_mesesint
  • plancat
  • email••••••
  • telefono••••••
  • rfc••••••
  • bajalabel

3 maskierte Spalten

Plan validiert: 0 Warnungen

Worker ohne Netzwerk · .venv-Umgebung des Projekts

Stratifizierte Aufteilung 70 / 15 / 15

Checkpoint gespeichert in models/churn-gbm/v3

models/churn-gbm/v3GPU · 8,1 / 12 GBPython 3.12 · .venv

Von der Idee zum Modell in sechs Schritten

Die nummerierten Tabs führen dich Schritt für Schritt. Du kannst zu jedem Schritt zurückkehren.

  1. 1

    Start

    Du beschreibst das Ziel mit deinen Worten, und Yuli übersetzt es in ML: Problemtyp, Metrik und Strategie.

  2. 2

    Daten

    Du importierst und profilierst: Nullwerte, Balance, Korrelationen, maskierte sensible Daten und unveränderliche Versionen.

  3. 3

    Entwerfen

    Yuli schlägt die Strategie vor und beantwortet acht Fragen – von „was lernt es“ bis „woran merken wir, dass es besser wurde“.

  4. 4

    Trainieren

    Lernkurve live, Pause, Fortsetzen, Hyperparametersuche und Warnung bei Überanpassung.

  5. 5

    Evaluieren

    Unabhängige Evaluierung auf Daten, die das Training nie gesehen hat: Robustheit, Fairness und Champion gegen Herausforderer.

  6. 6

    Veröffentlichen

    ONNX mit Parität, Quantisierung, Integritätstests und lokale Bereitstellung auf 127.0.0.1.

Alles, was du für ernsthaftes Training brauchst

  • Deep Learning

    Netzwerk-Designer Schicht für Schicht, eigene Tokenizer, GPU-Diagnose, Speicherschätzung und DDP.

  • LLM Studio

    Spezialisiere lokale Sprachmodelle mit SFT, DPO, ORPO, KTO und QLoRA und quantisiere sie mit Qualitäts-Gate.

  • Wissen (RAG)

    Antworte mit deinen Dokumenten: lokaler Index, Quellenangaben und nichts, was ins Internet geht.

  • Experimente

    Vergleiche Trainings, Parameter und Metriken; jede Modellversion wird auf der Platte festgehalten.

  • Ansatzberater

    Sagt dir, wann du KEIN ML brauchst: wenn eine Regel reicht, Daten fehlen oder ein LLM mit RAG besser passt.

  • Mit deinem Agenten

    Claude Code, Codex oder Kiro bedienen ML Studio mit MCP-Werkzeugen, und du siehst jeden Schritt live.

Die Grenze deiner Daten

ML Studio wendet dieselben Regeln an, die deinen Code schützen – jetzt für deine Datasets.

  • Der Worker hat kein NetzwerkEr trainiert standardmäßig ohne Internetzugang (allowNetwork: false).
  • Der Agent sieht Profile, keine ZeilenStatistiken, Schemas und Metriken; Sensibles wird maskiert.
  • Unumkehrbares entscheidest duEin Modell in Produktion zu bringen, wartet immer auf einen Menschen.

Trainiere heute dein erstes Modell

Erstelle dein Konto, öffne ML Studio mit Ctrl+Alt+4 und wähle eine Vorlage oder beschreibe dein Problem.