scikit-learn Machine Learning — classical ML playbook in Python (short listing)
Fiche courte — licence non vérifiable : ML classique avec scikit-learn — classification, régression, clustering, réduction de dimension, pipelines de preprocessing, validation croisée, tuning d'hyperparamètres et code de démarrage pratique
- Quoi
- Fiche courte — licence non vérifiable : ML classique avec scikit-learn — classification, régression, clustering, réduction de dimension, pipelines de preprocessing, validation croisée, tuning d'hyperparamètres et code de démarrage pratique
- Coût
- Gratuit
- Prérequis
- Python 3 avec scikit-learn, numpy, pandas installés (pip install scikit-learn numpy pandas matplotlib seaborn) — des données tabulaires en arrays NumPy ou DataFrames pandas
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — fiche courte (le frontmatter du repo revendique BSD-3-Clause, mais le manifest de découverte enregistre NOASSERTION — le manifest fait foi, donc aucun contenu n'est reproduit) : le skill scikit-learn-machine-learning de @jaechang-hits (collection scientific-computing sciagent-skills) — un guide compact de ML classique pour scikit-learn en Python. Il couvre le cœur de la librairie standard : apprentissage supervisé (classification, régression), non supervisé (clustering, réduction de dimension), preprocessing (scaling, encodage, imputation, feature engineering), évaluation de modèles avec validation croisée, tuning systématique d'hyperparamètres et pipelines ML reproductibles sur workflows NumPy/pandas — avec du code de démarrage rapide (un exemple RandomForest en 10 lignes) et des conseils sur quand préférer PyTorch/TF ou XGBoost/LightGBM. Bémols honnêtes : conditions de licence non vérifiables — fiche courte avec lien uniquement, rien copié ; une référence de ML classique, pas de deep learning ; suis le lien source et lis toi-même les conditions avant usage. 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, numpy, pandas installés (pip install scikit-learn numpy pandas matplotlib seaborn) — des données tabulaires en arrays NumPy ou DataFrames pandas Installe-moi « scikit-learn Machine Learning — guide de ML classique en Python (fiche courte) ». Il donne à mon agent le guide de ML classique de @jaechang-hits : classification, régression, clustering et réduction de dimension avec scikit-learn, preprocessing (scaling, encodage, imputation, feature engineering), validation croisée, tuning d'hyperparamètres, pipelines reproductibles, code de démarrage rapide et conseils sur quand utiliser PyTorch/TF ou XGBoost/LightGBM à la place. IMPORTANT : les conditions de licence n'étaient pas vérifiables (le manifest de découverte enregistre NOASSERTION, bien que le frontmatter du repo revendique BSD-3-Clause) — récupérer depuis le lien seulement, ne rien reproduire au-delà du lien, et lire toi-même les conditions avant usage. Dépôt : https://github.com/jaechang-hits/sciagent-skills/blob/main/skills/scientific-computing/scikit-learn-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 « scikit-learn-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 scikit-learn numpy pandas ; préparer mon jeu de données tabulaire ; lire les conditions de licence avant réutilisation). 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.