ML Studio第 18/24 个 epoch 损失(训练) 损失(验证) 验证指标 clientes.csv · v4 · 48 210 行
机器学习与深度学习, 你的数据无需离开你的电脑。
从业务目标到已发布的模型,尽在六步引导流程中。使用 scikit-learn、PyTorch 或 Transformers 训练,让本地 LLM 专精化,并基于你的文档作答。智能体帮助你设计方案和解读结果;真实数据只有你和你的模型能看到。
- 1首页
- 2数据
- 3设计
- 4训练
- 5评估
- 6发布
最佳F1 0,872
速度 · 38,4 步/秒训练进行中
预计完成4 min 12 s
- F10,872
- AUC0,931
- Precision0,858
- Recall0,887
验收标准:F1 ≥ 0.85 · 满足
antiguedad_mesesintplancatemail••••••telefono••••••rfc••••••bajalabel
3 列已脱敏
计划已验证:0 条警告
Worker 不联网 · 项目的 .venv 环境
分层划分 70 / 15 / 15
检查点已保存到 models/churn-gbm/v3
models/churn-gbm/v3GPU · 8,1 / 12 GBPython 3.12 · .venv
六步,从想法到模型
带编号的标签页一步步引导你。你可以随时返回任意一步。
- 1
首页
用你自己的话描述目标,Yuli 会把它转化为 ML:问题类型、指标和策略。
- 2
数据
导入并分析:空值、类别平衡、相关性、敏感数据脱敏以及不可变版本。
- 3
设计
Yuli 提出策略并回答八个问题,从学什么到如何判断它变好了。
- 4
训练
实时学习曲线、暂停、恢复、超参数搜索以及过拟合提醒。
- 5
评估
在训练从未见过的数据上进行独立评估:稳健性、公平性以及冠军与挑战者对比。
- 6
发布
带一致性校验的 ONNX、量化、完整性测试以及 127.0.0.1 上的本地服务。
认真训练所需的一切
深度学习
逐层网络设计器、自有分词器、GPU 诊断、内存估算和 DDP。
LLM Studio
使用 SFT、DPO、ORPO、KTO 和 QLoRA 让本地语言模型专精化,并在质量关卡下进行量化。
知识(RAG)
基于你的文档作答:本地索引、引用来源,任何内容都不会发送到互联网。
实验
比较训练运行、参数和指标;模型的每个版本都会记录在磁盘上。
方案顾问
告诉你何时不该使用 ML:一条规则是否就够了、数据是否不足,或者是否更适合用 LLM 加 RAG。
与你的智能体协作
Claude Code、Codex 或 Kiro 通过 MCP 工具操作 ML Studio,每一步你都能实时看到。
你的数据边界
ML Studio 采用与保护你代码相同的规则,如今也用于保护你的数据集。
- Worker 不联网默认在无法访问互联网的情况下训练(allowNetwork: false)。
- 智能体看到的是概况,不是数据行统计信息、结构和指标;敏感内容均已脱敏。
- 不可逆的操作由你决定将模型提升到生产环境始终需要等待人来确认。