{"id":51011583,"url":"https://github.com/xsa-dev/tlacml","last_synced_at":"2026-06-21T03:04:39.970Z","repository":{"id":286859466,"uuid":"959143014","full_name":"xsa-dev/tlacml","owner":"xsa-dev","description":"torch and mlops","archived":false,"fork":false,"pushed_at":"2025-11-04T16:57:22.000Z","size":5124,"stargazers_count":2,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-11-04T18:24:55.328Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":"HTML","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/xsa-dev.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2025-04-02T10:36:25.000Z","updated_at":"2025-11-04T16:57:27.000Z","dependencies_parsed_at":"2025-04-08T18:45:36.174Z","dependency_job_id":null,"html_url":"https://github.com/xsa-dev/tlacml","commit_stats":null,"previous_names":["xsa-dev/tlacml"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/xsa-dev/tlacml","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xsa-dev%2Ftlacml","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xsa-dev%2Ftlacml/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xsa-dev%2Ftlacml/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xsa-dev%2Ftlacml/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/xsa-dev","download_url":"https://codeload.github.com/xsa-dev/tlacml/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xsa-dev%2Ftlacml/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":34592085,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-06-21T02:00:05.568Z","response_time":54,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2026-06-21T03:04:39.355Z","updated_at":"2026-06-21T03:04:39.963Z","avatar_url":"https://github.com/xsa-dev.png","language":"HTML","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Индекс заданий\n\nЭтот файл содержит описание всех заданий и проектов в репозитории.\n\n## 📁 Структура проектов\n\n### 1. F1 - Crypto Trading с ансамблем моделей и PPO\n\n**Путь:** `F1/`\n\n**Описание:** \nСистема 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.\n\n**Основные компоненты:**\n- Ансамбль моделей: LSTM, GRU, 1D CNN, MLP\n- PPO агент (опционально)\n- PyTorch Lightning для обучения моделей\n- ClearML для логирования экспериментов\n- Система бэктестинга\n\n**Технологии:**\n- PyTorch Lightning\n- ClearML\n- CCXT (для работы с биржей Binance)\n- Gymnasium (для торговой среды)\n\n**Документация:**\n- [README.md](F1/README.md) - основная документация\n- [docs/README.md](F1/docs/README.md) - подробная документация\n- [docs/TRADING_SETUP.md](F1/docs/TRADING_SETUP.md) - инструкции по настройке торговли\n\n**Запуск:**\n```bash\ncd F1\nmake train          # Обучение моделей\nmake train-ppo      # Обучение с PPO агентом\nmake predict        # Предсказания\n```\n\n---\n\n### 2. M1_ClearML_practice-HARD - Классификация автомобилей с CatBoost\n\n**Путь:** `Lightning_practice/M1_ClearML_practice-HARD/`\n\n**Описание:**\nПроект по классификации автомобилей с использованием CatBoost и отслеживанием экспериментов через ClearML. Оптимизирован для работы на Mac с чипом M1.\n\n**Основные возможности:**\n- Автоматическая загрузка и предобработка данных\n- Визуализация данных с помощью Seaborn и Matplotlib\n- Обучение модели классификации CatBoost\n- Логирование метрик, параметров и артефактов в ClearML\n- Сохранение и загрузка обученной модели\n\n**Технологии:**\n- CatBoost\n- ClearML\n- Seaborn, Matplotlib\n\n**Документация:**\n- [README.md](Lightning_practice/M1_ClearML_practice-HARD/README.md)\n\n**Запуск:**\n```bash\ncd Lightning_practice/M1_ClearML_practice-HARD\nmake dev    # Запуск в режиме разработки\nmake start  # Запуск с пользовательскими параметрами\n```\n\n---\n\n### 3. M2 - Классификация языка жестов с PyTorch Lightning\n\n**Путь:** `Lightning_practice/M2/`\n\n**Описание:**\nБиблиотека для работы с PyTorch и MLOps, включающая утилиты для работы с Lightning, кастомные слои и модели, инструменты для визуализации и анализа моделей.\n\n**Основные компоненты:**\n- Классификатор языка жестов на основе Sign MNIST датасета\n- CNN архитектура с PyTorch Lightning\n- Data Pipeline с аугментацией данных\n- Автоматическое определение доступного ускорителя (CPU/GPU/Metal)\n\n**Технологии:**\n- PyTorch Lightning\n- CNN (Convolutional Neural Networks)\n- Sign MNIST dataset\n\n**Документация:**\n- [README.md](Lightning_practice/M2/README.md)\n\n**Запуск:**\n```bash\ncd Lightning_practice/M2\nmake download_data  # Загрузка датасета\nmake dev            # Проверка\nmake start          # Обучение\n```\n\n---\n\n## 🚀 Быстрый старт\n\n### Требования\n- Python 3.9+ (для M1 и M2)\n- Python 3.12+ (для F1)\n- [uv](https://github.com/astral-sh/uv) - менеджер пакетов Python\n- Аккаунт ClearML (для проектов с ClearML)\n\n### Установка зависимостей\n\nДля каждого проекта:\n```bash\ncd \u003cпуть_к_проекту\u003e\nuv sync\n```\n\n### Настройка ClearML\n\nДля проектов, использующих ClearML (F1 и M1):\n1. Создайте файл `.env` на основе `.env.example`\n2. Укажите ваши ClearML credentials:\n   ```env\n   CLEARML_API_ACCESS_KEY=your_access_key\n   CLEARML_API_SECRET_KEY=your_secret_key\n   CLEARML_WEB_HOST=https://app.clear.ml\n   CLEARML_FILES_HOST=https://files.clear.ml\n   ```\n\n---\n\n## 📊 Сводная таблица проектов\n\n| Проект | Технологии | Задача | Статус |\n|--------|-----------|--------|--------|\n| F1 | PyTorch Lightning, ClearML, PPO | Торговля криптовалютой | ✅ |\n| M1 | CatBoost, ClearML | Классификация автомобилей | ✅ |\n| M2 | PyTorch Lightning | Классификация языка жестов | ✅ |\n\n---\n\n## 📝 Примечания\n\n- Все проекты используют современные инструменты MLOps (ClearML, PyTorch Lightning)\n- Проекты оптимизированы для работы с различными платформами (CPU, GPU, Metal)\n- Каждый проект содержит подробную документацию в README.md\n- Для работы с реальной торговлей (F1) требуется тщательное тестирование на исторических данных\n\n---\n\n**Последнее обновление:** 2025-01-13\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fxsa-dev%2Ftlacml","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fxsa-dev%2Ftlacml","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fxsa-dev%2Ftlacml/lists"}