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.
- 1Start
- 2Daten
- 3Entwerfen
- 4Trainieren
- 5Evaluieren
- 6Veröffentlichen
- F10,872
- AUC0,931
- Precision0,858
- Recall0,887
Akzeptanzkriterium: F1 ≥ 0,85 · Erfüllt
antiguedad_mesesintplancatemail••••••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
Von der Idee zum Modell in sechs Schritten
Die nummerierten Tabs führen dich Schritt für Schritt. Du kannst zu jedem Schritt zurückkehren.
- 1
Start
Du beschreibst das Ziel mit deinen Worten, und Yuli übersetzt es in ML: Problemtyp, Metrik und Strategie.
- 2
Daten
Du importierst und profilierst: Nullwerte, Balance, Korrelationen, maskierte sensible Daten und unveränderliche Versionen.
- 3
Entwerfen
Yuli schlägt die Strategie vor und beantwortet acht Fragen – von „was lernt es“ bis „woran merken wir, dass es besser wurde“.
- 4
Trainieren
Lernkurve live, Pause, Fortsetzen, Hyperparametersuche und Warnung bei Überanpassung.
- 5
Evaluieren
Unabhängige Evaluierung auf Daten, die das Training nie gesehen hat: Robustheit, Fairness und Champion gegen Herausforderer.
- 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.