ML expert system: fundamentals, training pipelines, deployment, and MLOps
Code prêt à adapter pour pipelines sklearn, boucles d'entraînement PyTorch, serving FastAPI et tracking MLflow — plus bonnes pratiques et liste d'antipatterns (pas de fuite de données, pas de modèles non versionnés)
- Quoi
- Code prêt à adapter pour pipelines sklearn, boucles d'entraînement PyTorch, serving FastAPI et tracking MLflow — plus bonnes pratiques et liste d'antipatterns (pas de fuite de données, pas de modèles non versionnés)
- Coût
- Gratuit
- Prérequis
- un projet ML Python sur lequel l'appliquer ; serveur MLflow et infra de serving seulement si on veut les parties tracking/déploiement — le skill est du guidage plus du code de départ, pas un package
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill ml-expert de @personamanagmentlayer : un système expert ML couvrant tout le cycle de vie — fondamentaux (supervisé/non-supervisé/renforcement, feature engineering, hyperparameter tuning), deep learning (CNNs/RNNs/Transformers, transfer learning, attention, GANs, autoencoders), et MLOps (versioning, tracking d'expériences, CI/CD, monitoring, réentraînement, A/B testing) — avec quatre systèmes de code prêts à adapter : une classe sklearn `MLPipeline` (split stratifié, scaling, random forest avec CV, évaluation, persistance joblib), un `NeuralNetwork` + `Trainer` PyTorch (boucles train/eval, gestion du device), un `ModelServer` FastAPI (endpoint de prédiction avec modèles pydantic, health check), et un wrapper `MLflowExperiment` (logging de runs, registre de modèles, promotion en production). Inclut des listes de bonnes pratiques par phase et une liste d'antipatterns : pas d'entraînement sur données de test (fuite de données), pas de validation set manquant, pas de déséquilibre de classes ignoré, pas de features non scalées, pas de trous de versioning de modèles, pas de production non monitorée. Bémols honnêtes : le skill déclare `allowed-tools` (Read/Write/Edit, Bash python-only) — dans les runtimes d'agents qui les honorent ; le code est de qualité point de départ, adapter les choix de modèles et hyperparamètres à vos données ; les parties MLflow/déploiement exigent leur propre infrastructure. Licence Apache-2.0. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un projet ML Python sur lequel l'appliquer ; serveur MLflow et infra de serving seulement si on veut les parties tracking/déploiement — le skill est du guidage plus du code de départ, pas un package Installe-moi « Système expert ML : fondamentaux, pipelines d'entraînement, déploiement et MLOps ». Il donne à mon agent le système ml-expert de @personamanagmentlayer : fondamentaux ML et antipatterns, quatre systèmes de code prêts à adapter (MLPipeline sklearn, NeuralNetwork+Trainer PyTorch, ModelServer FastAPI, wrapper MLflowExperiment), bonnes pratiques par phase, et discipline MLOps (versioning, monitoring, réentraînement). Licence Apache-2.0. Dépôt : https://github.com/personamanagmentlayer/pcl/blob/main/stdlib/ai/ml-expert/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, les identifiants uniquement via le coffre sécurisé, les hôtes autorisés déclarés dans le SKILL.md. 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 « ml-expert ». 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. pointer l'agent vers ma tâche ML et mon dataset ; le skill déclare allowed-tools (Read/Write/Edit, Bash python-only) — vérifier que mon runtime d'agent les honore ; adapter les choix de modèles et hyperparamètres du code de départ à mes données ; provisionner l'infra MLflow/serving seulement pour les parties tracking/déploiement). 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.