cs-ml

cs-ml

目的

このスキルは、教師あり学習／教師なし学習、強化学習、CNN／RNN／Transformer モデル、トレーニングパイプライン、評価指標、MLOps ワークフロー、LLM のファインチューニングなど、機械学習のタスクに対応します。OpenClaw と連携し、機械学習プロジェクトのコード生成と実行を自動化します。

使用するタイミング

機械学習モデルを一から構築する場合、BERT などの事前トレーニング済みモデルをファインチューニングする場合、MLOps を通じてモデルをデプロイする場合、またはパフォーマンスを評価する場合に、このスキルを使用します。CNN による画像認識や Transformer によるテキスト生成など、大規模データセット、ニューラルネットワーク、本番用パイプラインに関するタスクに適用します。

主な機能

• scikit-learn との連携により、線形回帰や決定木などのアルゴリズムを使って教師ありモデルをトレーニングします。
• K-means クラスタリングや PCA による次元削減を使って、教師なし学習を実装します。
• 深層学習モデルを構築してトレーニングします。画像向けの CNN（Keras などを使用）、系列データ向けの RNN、NLP タスク向けの Transformer などに対応します。
• Q-learning のループなど、Stable Baselines のようなライブラリを使って RL 環境に対応します。
• 正解率、F1 スコア、ROC 曲線などの指標でモデルを評価し、混同行列を生成します。
• MLOps を管理します。コンテナーへのモデルのデプロイ、MLflow によるモニタリング、CI/CD との連携に対応します。
• Hugging Face Transformers を使って GPT の各種モデルなどの LLM をファインチューニングします。効率化のために LoRA などの手法を利用できます。

使用パターン

OpenClaw の CLI または API を通じてこのスキルを呼び出し、コードスニペットを生成します。トレーニングの場合はモデルの種類とデータソースを指定し、評価の場合はトレーニング済みモデルのパスを指定します。認証用の環境変数（例：export $OPENCLAW_API_KEY=your_key）は必ず設定してください。使用パターンは次のとおりです。

• パイプラインモード：トレーニングと評価を単一のコマンドで連続して実行します。
• 対話モード：反復的なファインチューニングに使用し、コードの調整についてスキルに問い合わせます。
• 例 1：画像分類用の CNN をトレーニングする – データパスを指定してスキルを呼び出し、生成されたスクリプトを実行します。
• 例 2：LLM をファインチューニングする – ベースモデルとデータセットを指定してファインチューニング用スクリプトを取得し、指定したハイパーパラメーターで実行します。

主なコマンド／API

直接実行するには OpenClaw の CLI を、プログラムからアクセスするには API を使用します。認証には、環境変数に $OPENCLAW_API_KEY を設定する必要があります。

• CNN をトレーニングする CLI コマンド：
  openclaw cs-ml train --model cnn --data /path/to/images --epochs 10 --batch-size 32
  TensorFlow を使った Python スクリプトを生成します：

  from tensorflow import keras
  model = keras.Sequential([keras.layers.Conv2D(32, 3, activation='relu')])
  model.fit(train_data, epochs=10)
  

• LLM をファインチューニングする CLI コマンド：
  openclaw cs-ml fine-tune --model bert --dataset /path/to/text.json --learning-rate 5e-5
  出力スクリプトの例：

  from transformers import BertForSequenceClassification
  model = BertForSequenceClassification.from_pretrained('bert-base')
  trainer = Trainer(model=model, train_dataset=dataset)
  trainer.train()
  

• 評価用 API エンドポイント：
  https://api.openclaw.com/cs-ml/evaluate に、次の JSON ボディを付けて POST します：
  { "model_path": "/path/to/model.h5", "data_path": "/path/to/test.csv", "metrics": ["accuracy", "f1"] }
  レスポンスには指標の出力が含まれます。

• 設定形式：ハイパーパラメーターには YAML を使用します（例）：

  model: transformer
  params:
    layers: 12
    hidden_size: 768
  

連携に関する注意事項

コマンドを連続して実行することで、このスキルをほかの OpenClaw スキルと連携できます。たとえば、最初に「data-processing」スキルでデータをクリーニングし、その出力を cs-ml に渡してトレーニングします。外部ツールを使う場合は、生成されたスクリプトで pip install tensorflow を実行して TensorFlow をインストールするなど、依存関係を設定します。カスタムコードで API を呼び出す場合は、$OPENCLAW_API_KEY を使用します。MLOps では、クラウドサービスと連携します。AWS CLI でモデルを S3 にエクスポートしてから、cs-ml コマンドでデプロイします。Transformers 4.20+ のようにライブラリのバージョンを指定し、互換性を確保してください。

エラー処理

よくあるエラーには、データの不一致、認証の失敗、ライブラリのバージョン競合などがあります。以下のように対処してください。

• データエラー：トレーニングコマンドで形状に関する問題がないか確認してください。たとえば、openclaw cs-ml train が "Input shape mismatch" で失敗する場合は、--validate-data フラグを使ってデータを検証してください。
• 認証：API 呼び出しが 401 で失敗する場合は、$OPENCLAW_API_KEY が設定されており、有効期限が切れていないことを確認してください。その後、openclaw cs-ml --retry-auth で再試行してください。
• ランタイムエラー：ディープラーニングで GPU の問題が発生した場合は、--device cuda を追加し、生成されたコードでは try-except を使って対処してください。

  try:
      model.fit(data)
  except RuntimeError as e:
      print(f"Error: {e}, falling back to CPU")
  

• 一般：--verbose フラグで出力をログに記録し、生成されたスクリプトを1行ずつデバッグしてください。

グラフの関連性

• 関連するクラスター：computer-science
• 関連タグ：ml、deep-learning、neural-networks、transformers、cs
• 他のスキルへのリンク：前処理には "data-processing" に依存します。MLOps パイプラインでは "deployment" を強化します。Transformer ベースのタスクでは "nlp" と連携します。