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 ≥ 3.12, avec scikit-learn ≥ 1.8 résolu à chaque appel (uv run --python ">=3.12" --with "scikit-learn>=1.8" --with pandas — aucune étape d'installation ; ≥ 1.8 recommandé, vérifié contre 1.8-1.9) — matplotlib et seaborn optionnels pour les graphiques ; 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 :
Réponse rapide
scikit-learn — classical machine learning reference est un skill gratuit pour Muse qui propose une référence pour le ML classique, couvrant apprentissage supervisé, non supervisé, évaluation et sélection de modèles, preprocessing et pipelines et composition. Il inclut deux scripts exécutables, une référence bonnes pratiques, vérifié contre scikit-learn 1.8-1.9, avec notes breaking changes et aiguillage frères.
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 c50cf64Étape 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 ≥ 3.12, avec scikit-learn ≥ 1.8 résolu à chaque appel (uv run --python ">=3.12" --with "scikit-learn>=1.8" --with pandas — aucune étape d'installation ; ≥ 1.8 recommandé, vérifié contre 1.8-1.9) — matplotlib et seaborn optionnels pour les graphiques ; 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://raw.githubusercontent.com/alterlab-ieu/alterlab-academic-skills/c50cf64bf0997f66cb4a654dee2174cbe0f1f82e/skills/data-science/alterlab-scikit-learn/SKILL.md Version épinglée : installe le code au commit c50cf64bf0997f66cb4a654dee2174cbe0f1f82e 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. Mis à jour le 5 novembre 2026 : Skill Harbor a régénéré ce prompt d'installation à partir du fichier amont actuel. Ce qui a changé depuis la version décrite par le prompt précédent : il n'y a plus d'étape d'installation — au lieu de `uv pip install scikit-learn` (plus pandas, numpy, matplotlib, seaborn), tout se lance avec `uv run --python ">=3.12" --with "scikit-learn>=1.8" --with pandas`, en ajoutant `--with matplotlib --with seaborn` seulement pour les graphiques. L'épinglage Python ≥ 3.12 compte parce qu'un vieil interpréteur par défaut résout d'anciennes versions de scikit-learn. Tout le reste est inchangé : mêmes algorithmes, preprocessing, pipelines, métriques, scripts d'exemple, notes de version 1.8-1.9 et tableau d'aiguillage vers les skills frères. 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 « 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. lancer les scripts avec uv run --python ">=3.12" --with "scikit-learn>=1.8" --with pandas — ajouter --with matplotlib --with seaborn pour les graphiques ; aucune étape d'installation ; 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.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
- Peut télécharger et installer des paquets logiciels.
Ce que le scan a trouvé — extraits du prompt d’installation
- installe des paquets — Prerequisites: Python 3 with scikit-learn installed (uv pip install scikit-learn; >= 1.8 recommended, verified · Prérequis : Python 3 avec scikit-learn installé (uv pip install scikit-learn ; ≥ 1.8 recommandé, vérifié contr
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
- c50cf64 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- 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 : installe des paquets
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.