ML engineer — end-to-end machine learning guidance: PyTorch, scikit-learn, evaluation, MLOps
Un guide ML de praticien — baselines solides d'abord, évaluation rigoureuse, pipelines d'entraînement idempotents, suivi d'expériences et monitoring de production pour systèmes PyTorch et scikit-learn
- Quoi
- Un guide ML de praticien — baselines solides d'abord, évaluation rigoureuse, pipelines d'entraînement idempotents, suivi d'expériences et monitoring de production pour systèmes PyTorch et scikit-learn
- Coût
- Gratuit
- Prérequis
- un projet de machine learning en Python (PyTorch et/ou scikit-learn) ; un backend de suivi d'expériences (MLflow ou Weights & Biases) si tu veux logger les runs
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill ml-engineer de @rightnow-ai (embarqué avec les agent skills openfang) : un guide de praticien du machine learning de bout en bout plutôt qu'un dump de code à copier-coller. L'agent travaille à partir de principes clés (commencer par une baseline simple et solide, évaluer avec des métriques alignées business, versionner tout, rendre l'entraînement idempotent et reprenable, monitorer la production pour le drift), de techniques concrètes (patterns de boucle d'entraînement PyTorch, construction de Pipeline/ColumnTransformer scikit-learn, tuning GridSearchCV/RandomizedSearchCV et Optuna, évaluation sur jeu tenu à l'écart avec classification_report/ROC-AUC/matrices de confusion, feature engineering systématique, suivi d'expériences MLflow/Weights & Biases), de patterns courants (splits stratifiés train-validate-test, schedules de learning rate, ensembles, promotion par stages dans le MLflow Model Registry), et d'une liste de pièges (pas d'évaluation sur le jeu d'entraînement, pas de fuite de données dans le preprocessing, toujours un plan de rollback, feature engineering comme tâche continue). Bémols honnêtes : riche en conseils, pas de code exécutable embarqué — l'agent interprète des principes, il ne te tend pas un script ; conseils génériques qui ne remplacent pas l'expertise métier sur les problèmes difficiles. Licence : le manifest enregistre Apache-2.0 (le manifest fait foi) ; le frontmatter du repo ne porte aucun champ de licence. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un projet de machine learning en Python (PyTorch et/ou scikit-learn) ; un backend de suivi d'expériences (MLflow ou Weights & Biases) si tu veux logger les runs Installe-moi « Ingénieur ML — guide machine learning de bout en bout : PyTorch, scikit-learn, évaluation, MLOps ». Il donne à mon agent le guide de praticien ML de @rightnow-ai : partir d'une baseline simple et solide, évaluer avec des métriques alignées business sur des données tenues à l'écart, versionner datasets/code/hyperparamètres/artefacts, construire des pipelines d'entraînement idempotents et reprenables (boucles d'entraînement PyTorch, Pipelines scikit-learn avec ColumnTransformers, tuning GridSearchCV/Optuna), tracker chaque run dans MLflow ou Weights & Biases, promouvoir les modèles par stages du registre, et monitorer la production pour le drift avec un plan de rollback. Licence Apache-2.0 (selon le manifest de découverte ; le frontmatter du repo ne porte aucun champ de licence). Dépôt : https://github.com/rightnow-ai/openfang/blob/main/crates/openfang-skills/bundled/ml-engineer/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 « ml-engineer ». 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. préparer mon environnement PyTorch/scikit-learn et le backend de suivi d'expériences, puis décrire le problème ML à l'agent). 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.