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 :
Réponse rapide
Machine Learning est une fiche gratuite, guide de pipelines ML de bout en bout, du notebook au pipeline de production. Il impose une discipline d'expériences : runs versionnés, entraînement déterministe, splits train, validation et test, et validation croisée stratifiée. Il ajoute l'optimisation systématique d'hyperparamètres avec Optuna, les courbes d'apprentissage, et l'interprétabilité via valeurs SHAP, importance des variables et dépendance partielle.
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 7a04ccbÉtape 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 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://raw.githubusercontent.com/itallstartedwithaidea/agent-skills/7a04ccbde5f96d4bfe99a15a7e6fd96a7a0d4cd6/skills/scientific-research/machine-learning/SKILL.md Version épinglée : installe le code au commit 7a04ccbde5f96d4bfe99a15a7e6fd96a7a0d4cd6 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. 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.
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 PyTorch, scikit-learn, Optuna, SHAP, numpy installed (pip install torch scikit-le · Prérequis : Python 3 avec PyTorch, scikit-learn, Optuna, SHAP, numpy installés (pip install torch scikit-learn
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
- 7a04ccb · 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.