📂 Как правильно раскладывать ML-проект по папкам: структура, проверенная временем

Если у вас в проекте лежит model_final_v3.ipynb, train_data_last_really.csv и results_ок.xlsx — пора пересобраться.

ML — это не просто «написал и забыл». Это куча экспериментов, данных, логов, моделей, артефактов. И если всё в куче — ты сам себе враг.

➡️ Вот структура, которая спасёт от хаоса:

project/
│
├── data/                # входные данные (raw, processed)
│   ├── raw/
│   └── processed/
│
├── notebooks/           # Jupyter-ноутбуки для исследований
│
├── src/                 # весь исполняемый код
│   ├── data/            # загрузка и подготовка данных
│   ├── features/        # генерация фичей
│   ├── models/          # обучение, валидация, предсказания
│   └── utils.py         # вспомогательные функции
│
├── reports/             # графики, метрики, результаты
│   └── figures/
│
├── models/              # сохранённые модели (.pkl, .pt, .joblib)
│
├── config/              # yaml/json-конфиги для запуска
│
├── scripts/             # bash/python скрипты запуска пайплайнов
│
├── requirements.txt     # зависимости
└── README.md            # инструкция