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 :
Réponse rapide
Machine Learning est une référence complète du cycle de vie du développement ML couvrant la définition du problème, classification, régression, clustering, ranking et détection d'anomalies, avec métriques de succès par type de tâche, préparation des données, valeurs manquantes, feature engineering, sélection de modèles, tuning d'hyperparamètres, évaluation, déploiement en production, monitoring, et opérations ML.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit c0ff044Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. 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://raw.githubusercontent.com/89jobrien/steve/c0ff044bf0a3511478df6a080c9f932b8f6734de/steve/skills/machine-learning/SKILL.md Version épinglée : installe le code au commit c0ff044bf0a3511478df6a080c9f932b8f6734de exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 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.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- c0ff044 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026 · Observé pendant le test d’installation: files.pythonhosted.org, pypi.org
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill 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 un skill avant de l’installer.