Documentação / ML Studio
Treinamento
Projete a estratégia com oito perguntas, inicie um treinamento, acompanhe a curva ao vivo, compare experimentos e reporte a partir do seu próprio script com o SDK.
Nesta página
Treinar no Yuli é um trabalho com plano, validação e registro: continua mesmo se você fechar o chat, pode ser pausado e deixa uma versão do modelo que é avaliada separadamente.
Projetar a estratégia
Na aba Projetar, o Yuli propõe uma estratégia e a justifica respondendo oito perguntas:
| # | Pergunta | Exemplo de resposta |
|---|---|---|
| 1 | O que aprende | Se um cliente vai cancelar nos próximos 90 dias. |
| 2 | Qual estratégia escolheu | Do zero, com gradient boosting. |
| 3 | Por quê | Dados tabulares, 40 000 linhas, sem modelo anterior. |
| 4 | Quais alternativas avaliou | Regressão logística (base) e random forest. |
| 5 | De quais recursos precisa | CPU, alguns minutos, pouca memória. |
| 6 | Quais limitações tem | Não conhece clientes com menos de um mês. |
| 7 | Como saberemos que melhorou | F1 no teste ≥ 0,85 e melhor que a base. |
| 8 | Nível de suporte | O quanto esse caminho está testado no Yuli. |
Revise, ajuste o que for preciso e clique em Aprovar e treinar ›.
Estratégias
| Estratégia | Quando |
|---|---|
| Do zero | Não há um modelo anterior. |
| Partida a quente | Continuar a partir dos pesos de uma versão anterior. |
| Ajuste fino | Adaptar um modelo já treinado aos seus dados. |
| Extrair características | Usar um modelo como gerador de variáveis. |
| Semissupervisionado | Poucos rótulos e muitos exemplos sem rótulo. |
| Autossupervisionado | Aprender a estrutura dos dados sem rótulos. |
| Aprendizado contínuo | Atualizar o modelo com dados novos sem esquecer o que aprendeu. |
Novo treinamento
Em Novo treinamento você preenche:
| Campo | O que é |
|---|---|
| Dataset | A versão dos dados com a qual se treina. |
| Coluna a prever | O objetivo (target). |
| Framework | scikit-learn, PyTorch, Transformers, XGBoost, LightGBM ou script próprio. |
| Algoritmo | Um específico ou Automático (o Yuli escolhe). |
| Épocas | Quantas passadas pelos dados (redes neurais). |
| Dispositivo | CPU ou GPU. |
| Modo | Um treinamento, Busca de hiperparâmetros ou AutoML. |
Algoritmos tabulares incluídos: regressão logística e linear, ridge, lasso, random forest, extra trees, gradient boosting, árvore de decisão, kNN, naive bayes, SVM, SGD e MLP. Para anomalias: isolation forest, LOF e z-score robusto.
Ao clicar em Treinar, o Yuli faz três coisas em ordem:
- Planejar: calcula memória, tempo, dispositivo e risco.
- Validar: verifica se os dados não mudaram, se o ambiente Python está pronto e se há recursos.
- Iniciar: dispara o trabalho.
Estados e controles
| Estado | Significado |
|---|---|
| Na fila | Aguarda a sua vez ou recursos (por exemplo, «Aguardando VRAM: precisa de X, há Y»). |
| Validando | Verificações prévias. |
| Em andamento | Treinando. |
| Pausando / Pausado | Salva um ponto de controle e para. |
| Concluído | Terminou e registrou uma versão. |
| Falhou | Parou com um erro; Ver registro mostra por quê. |
| Cancelado | Você o interrompeu. |
Controles: Pausar, Retomar, Cancelar e Ver registro.
Curva de aprendizado ao vivo
A Curva de aprendizado desenha a perda e as métricas de train e validação durante o treinamento, com Época n de N, Melhor até agora, Decorrido, Restante e, se usar GPU, GPU: nome. Escolha a suavização (Bruto, Suave, Muito suave) e ative Escala log quando a perda cair várias ordens de grandeza.
Se a perda de validação sobe enquanto a de train continua caindo, o modelo está memorizando: o Yuli avisa de um possível sobreajuste. Pare antes ou reduza a complexidade.
Experimentos e busca de hiperparâmetros
Experimentos guarda cada treinamento com os seus parâmetros, dados e métricas para compará-los lado a lado.
- Busca de hiperparâmetros usa o Optuna para testar combinações e ficar com a melhor na validação.
- AutoML testa vários algoritmos e configurações por você.
- Se a sua equipe usa MLflow, você pode espelhar os experimentos lá (opcional).
Seu próprio script com o SDK
Se você já tem um loop de treinamento (incluindo spaCy), use framework: script e reporte com yuli_ml.sdk. O seu
script aparece no ML Studio igual a um adaptador incluído: curvas, pausa, pontos de controle e versão registrada.
# train.py
import numpy as np
import yuli_ml.sdk as yuli
epochs = 20
device = yuli.device() # "cuda:0", "mps" ou "cpu", conforme o que o Yuli reservou
yuli.info(f"Entrenando en {device}")
start = 0
if yuli.resume_from(): # retomar após uma 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(): # o usuário clicou em Pausar ou 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)| Função | Para quê |
|---|---|
log, progress, info | Métricas, progresso e mensagens ao vivo. |
should_stop, checkpoint, checkpoint_dir, resume_from | Pausa, pontos de controle e retomada. |
model_dir, save_model, report | Pasta da versão, pesos finais e relatórios de avaliação. |
device, use_gpu | O dispositivo reservado (e spacy.prefer_gpu() se você usa spaCy). |
warm_start | Os pesos da versão a partir da qual você faz o ajuste fino. |
Fora do Yuli (python train.py em um terminal), cada chamada do SDK não faz nada: o seu script continua funcionando
sozinho.
Precisa de um algoritmo ou de uma métrica própria? Escreva-a em ml/extensions/*.py com @ext.algorithm,
@ext.metric ou @ext.transform, e use-a como as incluídas. Próximo passo:
Avaliação e modelos.