de zorai308
Intégrez Weights & Biases pour le suivi d'expériences ML : journalisez les métriques, les hyperparamètres, les points de contrôle, lancez des sweeps et consultez des tableaux de bord collaboratifs.
L'intégration de Weights & Biases (wandb) permet à un agent ou à un développeur d'instrumenter des cycles d'entraînement pour journaliser les métriques, les hyperparamètres, les points de contrôle du modèle, les artefacts et les visualisations. La compétence montre comment initialiser wandb, journaliser les métriques d'entraînement/validation par époque, terminer les runs et lancer des sweeps d'hyperparamètres (Bayésiens/pilotés par agent). Elle inclut des extraits de code Python pour l'initialisation, l'utilisation de wandb.log et un exemple de configuration de sweep.
Utilisez cette compétence lorsque vous avez besoin d'un suivi d'expériences reproductible, de tableaux de bord collaboratifs pour les équipes ML, d'une recherche automatisée d'hyperparamètres ou d'un stockage versionné de modèles/artefacts. Elle est appropriée pendant le développement de modèles, le réglage des hyperparamètres et lorsque vous souhaitez des visualisations rapides du comportement de l'entraînement.
Agents et environnements exécutant Python et pouvant exécuter du code d'entraînement (agents de type Copilot/Codex, exécuteurs Python locaux, ou tout assistant pouvant fournir du code et des instructions).
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
Base de Connaissances (Centre d'Aide)
Conseils et modèles pour concevoir l'architecture d'un centre d'aide, rédiger des articles de support efficaces et optimiser la recherche pour maximiser la redirection vers le libre-service.
OpenAI CLIP
Pré-entraînement contrastif langage-image (classification d'images zero-shot, similitude image-texte et récupération cross-modale).
EconML (Microsoft) — Effets de Traitement Hétérogènes
Guide et exemples pour utiliser Microsoft EconML afin d'estimer les effets de traitement hétérogènes (Double ML, Causal Forest, Deep IV) à partir de données observationnelles.
