Индекс заданий

Этот файл содержит описание всех заданий и проектов в репозитории.

📁 Структура проектов

1. F1 - Crypto Trading с ансамблем моделей и PPO

Путь: F1/

Описание: Система торговли криптовалютой (BTC/USDT) с использованием ансамбля нейронных сетей для предсказания направления движения цены и опционального Deep Reinforcement Learning агента (PPO) для принятия торговых решений.

Основные компоненты:

• Ансамбль моделей: LSTM, GRU, 1D CNN, MLP
• PPO агент (опционально)
• PyTorch Lightning для обучения моделей
• ClearML для логирования экспериментов
• Система бэктестинга

Технологии:

• PyTorch Lightning
• ClearML
• CCXT (для работы с биржей Binance)
• Gymnasium (для торговой среды)

Документация:

• README.md - основная документация
• docs/README.md - подробная документация
• docs/TRADING_SETUP.md - инструкции по настройке торговли

Запуск:

cd F1
make train          # Обучение моделей
make train-ppo      # Обучение с PPO агентом
make predict        # Предсказания

---

2. M1_ClearML_practice-HARD - Классификация автомобилей с CatBoost

Путь: Lightning_practice/M1_ClearML_practice-HARD/

Описание: Проект по классификации автомобилей с использованием CatBoost и отслеживанием экспериментов через ClearML. Оптимизирован для работы на Mac с чипом M1.

Основные возможности:

• Автоматическая загрузка и предобработка данных
• Визуализация данных с помощью Seaborn и Matplotlib
• Обучение модели классификации CatBoost
• Логирование метрик, параметров и артефактов в ClearML
• Сохранение и загрузка обученной модели

Технологии:

• CatBoost
• ClearML
• Seaborn, Matplotlib

Документация:

• README.md

Запуск:

cd Lightning_practice/M1_ClearML_practice-HARD
make dev    # Запуск в режиме разработки
make start  # Запуск с пользовательскими параметрами

---

3. M2 - Классификация языка жестов с PyTorch Lightning

Путь: Lightning_practice/M2/

Описание: Библиотека для работы с PyTorch и MLOps, включающая утилиты для работы с Lightning, кастомные слои и модели, инструменты для визуализации и анализа моделей.

Основные компоненты:

• Классификатор языка жестов на основе Sign MNIST датасета
• CNN архитектура с PyTorch Lightning
• Data Pipeline с аугментацией данных
• Автоматическое определение доступного ускорителя (CPU/GPU/Metal)

Технологии:

• PyTorch Lightning
• CNN (Convolutional Neural Networks)
• Sign MNIST dataset

Документация:

• README.md

Запуск:

cd Lightning_practice/M2
make download_data  # Загрузка датасета
make dev            # Проверка
make start          # Обучение

---

🚀 Быстрый старт

Требования

• Python 3.9+ (для M1 и M2)
• Python 3.12+ (для F1)
• uv - менеджер пакетов Python
• Аккаунт ClearML (для проектов с ClearML)

Установка зависимостей

Для каждого проекта:

cd <путь_к_проекту>
uv sync

Настройка ClearML

Для проектов, использующих ClearML (F1 и M1):

1. Создайте файл .env на основе .env.example
2. Укажите ваши ClearML credentials:

   CLEARML_API_ACCESS_KEY=your_access_key
   CLEARML_API_SECRET_KEY=your_secret_key
   CLEARML_WEB_HOST=https://app.clear.ml
   CLEARML_FILES_HOST=https://files.clear.ml

---

📊 Сводная таблица проектов

Проект	Технологии	Задача	Статус
F1	PyTorch Lightning, ClearML, PPO	Торговля криптовалютой	✅
M1	CatBoost, ClearML	Классификация автомобилей	✅
M2	PyTorch Lightning	Классификация языка жестов	✅

---

📝 Примечания

• Все проекты используют современные инструменты MLOps (ClearML, PyTorch Lightning)
• Проекты оптимизированы для работы с различными платформами (CPU, GPU, Metal)
• Каждый проект содержит подробную документацию в README.md
• Для работы с реальной торговлей (F1) требуется тщательное тестирование на исторических данных

---

Последнее обновление: 2025-01-13