Documentación / ML Studio

Entrenamiento

Diseña la estrategia con ocho preguntas, lanza un entrenamiento, sigue la curva en vivo, compara experimentos y reporta desde tu propio script con el SDK.

En esta página

Entrenar en Yuli es un trabajo con plan, validación y registro: sigue aunque cierres el chat, se puede pausar y deja una versión del modelo que se evalúa por separado.

Diseñar la estrategia

En la pestaña Diseñar, Yuli propone una estrategia y la justifica respondiendo ocho preguntas:

#PreguntaEjemplo de respuesta
1Qué aprendeSi un cliente se dará de baja en los próximos 90 días.
2Qué estrategia eligióDesde cero, con gradient boosting.
3Por quéDatos tabulares, 40 000 filas, sin modelo previo.
4Qué alternativas evaluóRegresión logística (base) y random forest.
5Qué recursos necesitaCPU, unos minutos, poca memoria.
6Qué limitaciones tieneNo conoce a clientes de menos de un mes.
7Cómo sabremos que mejoróF1 en prueba ≥ 0,85 y mejor que la base.
8Nivel de soporteQué tan probado está ese camino en Yuli.

Revisa, ajusta lo que haga falta y pulsa Aprobar y entrenar ›.

Estrategias

EstrategiaCuándo
Desde ceroNo hay un modelo previo.
Arranque en calienteSeguir desde los pesos de una versión anterior.
Ajuste finoAdaptar un modelo ya entrenado a tus datos.
Extraer característicasUsar un modelo como generador de variables.
SemisupervisadoPocas etiquetas y muchos ejemplos sin etiquetar.
AutosupervisadoAprender estructura de datos sin etiquetas.
Aprendizaje continuoActualizar el modelo con datos nuevos sin olvidar lo aprendido.

Nuevo entrenamiento

En Nuevo entrenamiento completas:

CampoQué es
DatasetLa versión de datos con la que se entrena.
Columna a predecirEl objetivo (target).
Frameworkscikit-learn, PyTorch, Transformers, XGBoost, LightGBM o script propio.
AlgoritmoUno concreto o Automático (Yuli elige).
ÉpocasCuántas pasadas por los datos (redes neuronales).
DispositivoCPU o GPU.
ModoUn entrenamiento, Búsqueda de hiperparámetros o AutoML.

Algoritmos tabulares incluidos: regresión logística y lineal, ridge, lasso, random forest, extra trees, gradient boosting, árbol de decisión, kNN, naive bayes, SVM, SGD y MLP. Para anomalías: isolation forest, LOF y z-score robusto.

Al pulsar Entrenar, Yuli hace tres cosas en orden:

  1. Planificar: calcula memoria, tiempo, dispositivo y riesgo.
  2. Validar: comprueba que los datos no cambiaron, que el entorno de Python está listo y que hay recursos.
  3. Iniciar: lanza el trabajo.

Estados y controles

EstadoSignificado
En colaEspera su turno o recursos (por ejemplo, «Espera VRAM: necesita X, hay Y»).
ValidandoComprobaciones previas.
En cursoEntrenando.
Pausando / En pausaGuarda un punto de control y se detiene.
CompletadoTerminó y registró una versión.
FallóSe detuvo con un error; Ver registro muestra por qué.
CanceladoLo detuviste tú.

Controles: Pausar, Reanudar, Cancelar y Ver registro.

Curva de aprendizaje en vivo

La Curva de aprendizaje dibuja pérdida y métricas de train y validación mientras entrena, con Época n de N, Mejor hasta ahora, Lleva, Falta y, si usa GPU, GPU: nombre. Elige el suavizado (Crudo, Suave, Muy suave) y activa Escala log cuando la pérdida baja varios órdenes de magnitud.

Si la pérdida de validación sube mientras la de train sigue bajando, el modelo está memorizando: Yuli avisa de un posible sobreajuste. Detén antes o reduce la complejidad.

Experimentos y búsqueda de hiperparámetros

Experimentos guarda cada entrenamiento con sus parámetros, datos y métricas para compararlos lado a lado.

  • Búsqueda de hiperparámetros usa Optuna para probar combinaciones y quedarse con la mejor en validación.
  • AutoML prueba varios algoritmos y configuraciones por ti.
  • Si tu equipo usa MLflow, puedes reflejar los experimentos ahí (opcional).

Tu propio script con el SDK

Si ya tienes un bucle de entrenamiento (incluido spaCy), usa framework: script y reporta con yuli_ml.sdk. Tu script aparece en ML Studio igual que un adaptador incluido: curvas, pausa, puntos de control y versión registrada.

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

epochs = 20
device = yuli.device()          # "cuda:0", "mps" o "cpu", según lo que reservó Yuli
yuli.info(f"Entrenando en {device}")

start = 0
if yuli.resume_from():          # reanudar tras una pausa
    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():      # el usuario pulsó Pausar o Cancelar
        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)
FunciónPara qué
log, progress, infoMétricas, avance y mensajes en vivo.
should_stop, checkpoint, checkpoint_dir, resume_fromPausa, puntos de control y reanudación.
model_dir, save_model, reportCarpeta de la versión, pesos finales e informes de evaluación.
device, use_gpuEl dispositivo reservado (y spacy.prefer_gpu() si usas spaCy).
warm_startLos pesos de la versión desde la que haces ajuste fino.

Fuera de Yuli (python train.py en una terminal) cada llamada del SDK no hace nada: tu script sigue funcionando solo.

¿Necesitas un algoritmo o una métrica propia? Escríbela en ml/extensions/*.py con @ext.algorithm, @ext.metric o @ext.transform, y úsala como las incluidas. Siguiente paso: Evaluación y modelos.