ML model training — end-to-end training pipeline with scikit-learn, PyTorch and TensorFlow
Script d'entraînement complet comparant régression logistique, Random Forest, Gradient Boosting, un MLP PyTorch et un réseau Keras sur dataset synthétique, avec métriques et graphes comparatifs
- Quoi
- Script d'entraînement complet comparant régression logistique, Random Forest, Gradient Boosting, un MLP PyTorch et un réseau Keras sur dataset synthétique, avec métriques et graphes comparatifs
- Coût
- Gratuit
- Prérequis
- Python avec scikit-learn, numpy, pandas, matplotlib ; torch et tensorflow pour les parties deep learning — un vrai dataset pour du vrai travail
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill d'entraînement ML de @aj-geddes : un pipeline d'entraînement complet et exécutable en un seul fichier. Génère un dataset synthétique de classification binaire, puis entraîne et compare cinq modèles face à face — régression logistique, Random Forest, Gradient Boosting (scikit-learn), un MLP PyTorch avec dropout, et un réseau Keras Sequential — avec scaling standard, split train/test, métriques accuracy/précision/recall/F1/ROC-AUC, courbes de loss d'entraînement et graphes comparatifs. Se termine par les bonnes pratiques d'entraînement (splits, scaling, validation croisée, early stopping, équilibrage des classes) et un aide-mémoire des métriques. Bémols honnêtes : il entraîne sur un dataset synthétique pour démontrer le pipeline — utilisez vos propres données pour du vrai travail ; les parties deep learning nécessitent torch/tensorflow installés. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
ML model training — end-to-end training pipeline with scikit-learn, PyTorch and TensorFlow est un skill gratuit pour Muse qui fournit un script d'entraînement complet comparant régression logistique, Random Forest, Gradient Boosting, un MLP PyTorch et un réseau Keras sur dataset synthétique, avec métriques et graphes comparatifs, pour que le choix du modèle repose sur des résultats mesurés.
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 3f5182cÉtape 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 : Python avec scikit-learn, numpy, pandas, matplotlib ; torch et tensorflow pour les parties deep learning — un vrai dataset pour du vrai travail Installe-moi « Entraînement de modèles ML — pipeline complète avec scikit-learn, PyTorch et TensorFlow ». Il donne à mon agent le pipeline d'entraînement complet de @aj-geddes : génération de dataset synthétique, scaling standard et split train/test, entraînement comparatif de régression logistique, Random Forest, Gradient Boosting, un MLP PyTorch et un réseau Keras avec métriques accuracy/précision/recall/F1/ROC-AUC, courbes de loss et graphes comparatifs, plus bonnes pratiques d'entraînement et aide-mémoire des métriques. Licence MIT. Dépôt : https://raw.githubusercontent.com/aj-geddes/useful-ai-prompts/3f5182cfd739fc113f4af5244a1cf342ad7f7911/skills/ml-model-training/SKILL.md Version épinglée : installe le code au commit 3f5182cfd739fc113f4af5244a1cf342ad7f7911 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 « ml-model-training ». 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. pip install scikit-learn torch tensorflow matplotlib et dire à l'agent s'il doit lancer la démo synthétique ou adapter le pipeline à mon propre dataset ; rien d'autre — c'est un guide avec du code exécutable). 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
- 3f5182c · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026 · Observé pendant le test d’installation: registry.npmjs.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
Prompts IA utiles
Du même créateur, dans la même série :
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.