scikit-learn — classical machine learning reference
ML classique avec scikit-learn : algorithmes supervisés et non supervisés, preprocessing, pipelines et composition, validation croisée, tuning d'hyperparamètres, évaluation de modèles, bonnes pratiques et exemples détaillés — vérifié contre scikit-learn 1.8-1.9
- Quoi
- ML classique avec scikit-learn : algorithmes supervisés et non supervisés, preprocessing, pipelines et composition, validation croisée, tuning d'hyperparamètres, évaluation de modèles, bonnes pratiques et exemples détaillés — vérifié contre scikit-learn 1.8-1.9
- Coût
- Gratuit
- Prérequis
- Python 3 avec scikit-learn installé (uv pip install scikit-learn ; ≥ 1.8 recommandé, vérifié contre 1.8-1.9) — pandas, numpy, matplotlib, seaborn souvent utilisés à côté ; vos propres données tabulaires/texte
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill alterlab-scikit-learn de @alterlab-ieu, listé ici avec crédit à son créateur (fait partie de la suite AlterLab Academic Skills) : une référence complète pour le machine learning classique avec scikit-learn. Il couvre l'apprentissage supervisé (modèles linéaires, arbres, SVM, ensembles, Naive Bayes, KNN, MLP), le non-supervisé (K-Means, DBSCAN/HDBSCAN, agglomératif, GMM, PCA, t-SNE, UMAP), l'évaluation et la sélection de modèles (KFold/StratifiedKFold/TimeSeriesSplit, GridSearchCV/RandomizedSearchCV/HalvingGridSearchCV, métriques par tâche), le preprocessing (scalers, encodeurs, imputeurs, feature engineering) et les pipelines et la composition (Pipeline, ColumnTransformer, FeatureUnion) — avec deux scripts d'exemple exécutables (pipeline de classification, analyse de clustering), des exemples détaillés et une référence de bonnes pratiques/dépannage. Remarquablement à jour : vérifié contre scikit-learn 1.8-1.9, incluant les notes de breaking changes (dépréciation de penalty de LogisticRegression, chemin de retrait de SVC(probability=True), retrait de squared=False) et un tableau d'aiguillage vers les skills frères (PyMC pour le bayésien, scikit-survival pour les outcomes censurés, SHAP pour les explications, statsmodels pour l'inférence). Bémols honnêtes : scikit-learn c'est du ML classique CPU — pour le deep learning ou les GPU, voir ailleurs ; la dérive de version est réelle (les notes 1.8-1.9 aident) ; vos données viennent de vous — le skill est des patterns et du code, pas des données. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3 avec scikit-learn installé (uv pip install scikit-learn ; ≥ 1.8 recommandé, vérifié contre 1.8-1.9) — pandas, numpy, matplotlib, seaborn souvent utilisés à côté ; vos propres données tabulaires/texte Installe-moi « scikit-learn — référence de machine learning classique ». Il donne à mon agent la référence scikit-learn de @alterlab-ieu : algorithmes supervisés et non supervisés, preprocessing (scalers, encodeurs, imputeurs, feature engineering), pipelines et composition (Pipeline, ColumnTransformer, FeatureUnion), validation croisée et tuning d'hyperparamètres, métriques par tâche, deux scripts d'exemple exécutables (classification_pipeline.py, clustering_analysis.py), exemples détaillés et bonnes pratiques/dépannage — avec notes de version 1.8-1.9 et tableau d'aiguillage vers les skills frères (PyMC, scikit-survival, UMAP, SHAP, statsmodels). Fait partie de la suite AlterLab Academic Skills. Licence MIT. Dépôt : https://github.com/alterlab-ieu/alterlab-academic-skills/blob/main/skills/data-science/alterlab-scikit-learn/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 « alterlab-scikit-learn ». 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. uv pip install scikit-learn (plus pandas, numpy, matplotlib, seaborn selon besoin) ; vérifier ma version de sklearn contre les notes 1.8-1.9 ; toujours préprocesser dans un Pipeline, fitter sur le train uniquement, stratifier les splits de classification). 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.