cuML machine learning: GPU-accelerated ML with scikit-learn API
Exécuter du ML accéléré GPU avec NVIDIA cuML — classification, régression, clustering, avec repli CPU
- Quoi
- Exécuter du ML accéléré GPU avec NVIDIA cuML — classification, régression, clustering, avec repli CPU
- Coût
- Gratuit
- Prérequis
- un GPU NVIDIA local avec cuML/RAPIDS installé pour l'accélération GPU (repli CPU gracieux sur scikit-learn/pandas sans) ; Python 3
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — machine learning accéléré GPU via NVIDIA RAPIDS cuML avec API compatible scikit-learn : classification, régression, clustering, réduction de dimensionnalité et preprocessing sur grands datasets tabulaires, toujours avec un boilerplate de smoke-test obligatoire qui vérifie le ML GPU de bout en bout et replie gracieusement sur scikit-learn/pandas sans GPU. Livré comme exemple dans le repo deepagents de LangChain (exemple NVIDIA deep-agent). Crédit : @langchain-ai. Bémols honnêtes : nécessite un GPU NVIDIA local avec cuML/RAPIDS installé pour avoir un intérêt — le repli CPU est scikit-learn, que vous avez déjà ; les datasets de moins de ~10K lignes ne verront pas d'accélération significative ; code de niveau exemple, à durcir avant usage en production. Découvert via skills.sh. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.
Version :
Réponse rapide
cuML machine learning est un skill gratuit pour Muse pour l'apprentissage GPU avec API scikit-learn via NVIDIA RAPIDS. Il inclut un test de fumée requis avec repli CPU, pour une dégradation gracieuse sans GPU, et les jeux sous dix mille lignes ne voient aucun gain. Il nécessite un GPU NVIDIA, et son code exemple, donc durcissez-le avant production.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 18 nov. 2026📌 Version épinglée : commit a2ad7b8Étape 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 : un GPU NVIDIA local avec cuML/RAPIDS installé pour l'accélération GPU (repli CPU gracieux sur scikit-learn/pandas sans) ; Python 3 Installe-moi « Machine learning cuML : ML accéléré GPU avec API scikit-learn ». Donne à mon agent le skill de ML accéléré GPU cuML — le boilerplate obligatoire de smoke-test GPU, les patterns d'import, et les helpers agnostiques GPU/CPU pour classification, régression, clustering et réduction de dimensionnalité Dépôt : https://raw.githubusercontent.com/langchain-ai/deepagents/a2ad7b8b2c4db7865db31825eb238f1f279e63e6/examples/nvidia_deep_agent/skills/cuml-machine-learning/SKILL.md Version épinglée : installe le code au commit a2ad7b8b2c4db7865db31825eb238f1f279e63e6 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 du skill langchain-ai-deepagents-cuml-machine-learning depuis le dépôt dans un dossier temporaire 2. Contrôle de sécurité : examine le SKILL.md pour tout contenu suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code ; les identifiants passent uniquement par le coffre sécurisé, les hôtes autorisés sont déclarés dans le SKILL.md. Vérifie que c'est bien le cas ; STOP sur le moindre signal d'alerte et préviens-moi. 3. Installe-le comme skill : copie SKILL.md dans le répertoire des skills de l'agent, dans un dossier nommé « langchain-ai-deepagents-cuml-machine-learning ». 4. Vérifie sans aucun appel 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. installer RAPIDS/cuML si j'ai un GPU NVIDIA). 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 si c'est 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
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
- a2ad7b8 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 18 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 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
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.