Machine Learning — end-to-end PyTorch + scikit-learn pipelines with interpretability
Construire des pipelines ML reproductibles de bout en bout avec PyTorch et scikit-learn : gestion structurée des expériences, validation croisée stratifiée, tuning d'hyperparamètres Optuna, interprétabilité SHAP et tracking d'expériences avec la discipline du test-set touché une seule fois
- Quoi
- Construire des pipelines ML reproductibles de bout en bout avec PyTorch et scikit-learn : gestion structurée des expériences, validation croisée stratifiée, tuning d'hyperparamètres Optuna, interprétabilité SHAP et tracking d'expériences avec la discipline du test-set touché une seule fois
- Coût
- Gratuit
- Prérequis
- Python 3 avec PyTorch, scikit-learn, Optuna, SHAP, numpy installés (pip install torch scikit-learn optuna shap numpy) — un jeu de données étiqueté pour entraîner ; GPU recommandé pour les exemples de deep learning
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill machine-learning de @itallstartedwithaidea, listé ici avec crédit à son créateur : un guide de construction de pipelines ML de bout en bout qui comble l'écart entre un notebook qui fonctionne et un pipeline de production. Il impose une discipline d'ingénierie logicielle aux expériences — runs versionnés, entraînement déterministe, splits train/validation/test propres avec validation croisée stratifiée, optimisation systématique d'hyperparamètres avec Optuna, analyse de courbes d'apprentissage, et interprétabilité comme exigence de premier ordre (valeurs SHAP, importance des variables, plots de dépendance partielle pour chaque modèle — pas de prédictions boîte noire pour les applications scientifiques ou critiques). Il inclut des notes de compatibilité par plateforme (Cursor, VS Code, Windsurf, Claude Code, Cline, aider), un diagramme mermaid du pipeline et du code PyTorch fonctionnel. Bémols honnêtes : le repo est brandé commercialement (« Agent Skills™ par googleadsagent.ai™ ») mais le skill lui-même est substantiel et gratuit ; les exemples de deep learning supposent un GPU disponible pour des temps d'entraînement raisonnables ; la couverture du ML classique est mince face aux skills scikit-learn dédiés — à combiner en conséquence. 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 PyTorch, scikit-learn, Optuna, SHAP, numpy installés (pip install torch scikit-learn optuna shap numpy) — un jeu de données étiqueté pour entraîner ; GPU recommandé pour les exemples de deep learning Installe-moi « Machine Learning — pipelines PyTorch + scikit-learn de bout en bout avec interprétabilité ». Il donne à mon agent le workflow ML de bout en bout de @itallstartedwithaidea : gestion structurée des expériences, splits train/validation/test propres avec validation croisée stratifiée, tuning systématique d'hyperparamètres avec Optuna, interprétabilité avec SHAP/importance des variables/plots de dépendance partielle, et tracking d'expériences — en imposant la discipline du test-set touché une seule fois. Licence MIT. Dépôt : https://github.com/itallstartedwithaidea/agent-skills/blob/main/skills/scientific-research/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. pip install torch scikit-learn optuna shap numpy ; préparer mon jeu de données étiqueté ; confirmer un GPU disponible si je veux les exemples de deep learning). 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.