Machine Learning — full-lifecycle ML development patterns (short listing)
Fiche courte — licence non vérifiable : définition du problème et métriques par type de tâche, préparation des données et feature engineering, sélection de modèles, tuning d'hyperparamètres, évaluation, déploiement en production, monitoring et pratiques MLOps
- Quoi
- Fiche courte — licence non vérifiable : définition du problème et métriques par type de tâche, préparation des données et feature engineering, sélection de modèles, tuning d'hyperparamètres, évaluation, déploiement en production, monitoring et pratiques MLOps
- Coût
- Gratuit
- Prérequis
- un problème ML à traiter et vos propres données d'entraînement — le skill est un guide de bonnes pratiques, c'est vous qui apportez les jeux de données, le calcul et les frameworks ML (scikit-learn, XGBoost, PyTorch, etc.)
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — fiche courte (ni le frontmatter du repo ni le manifest de découverte ne portent une licence vérifiable — le manifest enregistre null, donc aucun contenu n'est reproduit) : le skill machine-learning de @89jobrien, listé ici avec crédit à son créateur — une référence complète du cycle de vie du développement ML. Il couvre la définition du problème (classification, régression, clustering, ranking, détection d'anomalies) avec métriques de succès par type de tâche, la préparation des données (valeurs manquantes, outliers, détection de leakage), les patterns de feature engineering (numériques, catégoriels, temporels, texte, géospatiaux), les guides de sélection d'algorithmes par taille de données, les méthodes de tuning d'hyperparamètres, les bonnes pratiques d'évaluation, le traitement des données déséquilibrées, les patterns de déploiement en production (API REST, batch, streaming, edge), le monitoring et les déclencheurs de réentraînement, plus les pratiques MLOps — suivi d'expériences, versioning de modèles et CI/CD pour le ML. Bémols honnêtes : conditions de licence non vérifiables — fiche courte avec lien uniquement, rien copié ; un guide de bonnes pratiques, pas du code exécutable pour vos données — il faut vos propres jeux de données et infrastructure d'entraînement ; les versions de frameworks évoluent, vérifiez la doc actuelle pour les API exactes ; suis le lien source et lis toi-même les conditions avant usage. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un problème ML à traiter et vos propres données d'entraînement — le skill est un guide de bonnes pratiques, c'est vous qui apportez les jeux de données, le calcul et les frameworks ML (scikit-learn, XGBoost, PyTorch, etc.) Installe-moi « Machine Learning — patterns de développement ML sur tout le cycle de vie (fiche courte) ». Il donne à mon agent la référence du cycle de vie ML de @89jobrien : définition du problème avec métriques par type de tâche, préparation des données et patterns de feature engineering, sélection d'algorithmes par taille de données, méthodes de tuning d'hyperparamètres, bonnes pratiques d'évaluation, patterns de déploiement en production, monitoring et déclencheurs de réentraînement, et pratiques MLOps (suivi d'expériences, versioning de modèles, CI/CD). IMPORTANT : les conditions de licence n'étaient pas vérifiables (le manifest de découverte n'enregistre aucune licence) — récupérer depuis le lien seulement, ne rien reproduire au-delà du lien, et lire toi-même les conditions avant usage. Dépôt : https://github.com/89jobrien/steve/blob/main/steve/skills/machine-learning/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « machine-learning ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. fournir mes propres données d'entraînement et du calcul ; adapter les patterns aux frameworks ML que j'utilise réellement ; lire les conditions de licence avant réutilisation). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.