AI导哈

自动化机器学习服务

一个全面的AutoML MCP服务器，自动化从数据上传到模型部署的完整机器学习工作流程。

  • by Shotbylu
  • HTML
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 Shotbylu/automl-mcp-server

使用说明

数据分析代理🤖

一个全面的AutoML MCP服务器，可以自动化从数据上传到模型部署的完整机器学习工作流程。

📋 特性

  • 数据管理：上传并验证CSV数据集
  • 探索性数据分析：生成全面的数据分析报告
  • 交互式可视化：使用带有matplotlib回退的Plotly创建绘图
  • AutoML培训：使用自动预处理训练多个模型
  • 模型比较：按性能指标对模型进行排名
  • 模型导出：导出带有元数据的训练模型
  • FastAPI部署：生成可用于生产的API服务器
  • 专业Web界面：带有FastAPI的现代仪表板

🚀 快速开始

选项1：Web界面（推荐）

# Navigate to the automl-mcp directory
cd automl-mcp

# Install dependencies
pip install -e .[dev]

# Start the web interface
python -m automl_mcp.server web

然后打开浏览器：http://127.0.0.1:8080

选项2：命令行界面

# Navigate to the automl-mcp directory
cd automl-mcp

# Install dependencies
pip install -e .[dev]

# Start the MCP server
python -m automl_mcp.server run

# Or run a quick demo
python -m automl_mcp.server demo --dataset data/iris.csv --target species

选项3:Docker

# Build and run with Docker
cd automl-mcp
docker build -t automl-mcp .
docker run -p 8080:8080 automl-mcp

🛠️ 可用命令

  • python -m automl_mcp.server web -启动web界面
  • python -m automl_mcp.server run -以开发模式启动MCP服务器
  • python -m automl_mcp.server demo -运行完整的演示管道
  • python -m automl_mcp.server list-tools -列出所有可用工具

📊 工具目录

MCP服务器提供8个综合工具：

  1. upload_csv -上传CSV数据集
  2. validate_schema -验证数据集架构并推断类型
  3. profile_data -生成全面的数据分析报告
  4. visualize -创建交互式可视化
  5. train_models -使用预处理训练多个ML模型
  6. compare_models -对训练好的模型进行比较和排名
  7. export_model -导出带有元数据的模型
  8. deploy_fastapi -生成生产就绪的FastAPI应用程序

🏗️ 项目结构

Data-analysis-Agent-main/
├── automl-mcp/                    # Main AutoML MCP Server
│   ├── src/automl_mcp/
│   │   ├── server.py             # MCP server entrypoint
│   │   ├── web_interface.py      # FastAPI web interface
│   │   ├── tools/                # Tool implementations
│   │   │   ├── datasets.py       # Data management
│   │   │   ├── eda.py           # Exploratory data analysis
│   │   │   ├── viz.py           # Visualizations
│   │   │   ├── training.py      # Model training
│   │   │   ├── compare.py       # Model comparison
│   │   │   ├── export.py        # Model export
│   │   │   └── deploy.py        # FastAPI deployment
│   │   └── templates/           # Web interface templates
│   ├── tests/                   # Test suite
│   ├── docker/                  # Docker configuration
│   ├── pyproject.toml          # Project configuration
│   └── README.md               # Detailed documentation
├── data/                       # Sample datasets
├── requirements.txt            # Legacy dependencies (can be removed)
└── README.md                  # This file

🔧 发展

安装

cd automl-mcp
python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate
pip install -e .[dev]

运行测试

pytest tests/

代码质量

ruff format src/
ruff check src/
mypy src/

📝 许可证

MIT许可证-有关详细信息，请参阅许可证文件。

🤝 贡献

  1. 分叉存储库
  2. 创建要素分支
  3. 进行更改
  4. 添加测试
  5. 提交拉取请求

相关 MCP