Model Training — end-to-end ML training with checkpoints and tracking
Un workflow complet du cycle d'entraînement — chargement et profilage des données, pipelines de prétraitement, choix d'architecture, configuration optimiseur/scheduler, boucles de validation avec early stopping, checkpoints, et tracking d'expériences MLflow/W&B sur PyTorch, TensorFlow et scikit-learn
- Quoi
- Un workflow complet du cycle d'entraînement — chargement et profilage des données, pipelines de prétraitement, choix d'architecture, configuration optimiseur/scheduler, boucles de validation avec early stopping, checkpoints, et tracking d'expériences MLflow/W&B sur PyTorch, TensorFlow et scikit-learn
- Coût
- Gratuit
- Prérequis
- Python 3.10+ avec PyTorch/TensorFlow/scikit-learn (GPU recommandé pour le deep learning) ; votre propre jeu de données ; un tracker d'expériences (MLflow ou W&B) pour le workflow complet
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill model-training de @seb1n, listé ici avec crédit à son créateur : un workflow complet du cycle d'entraînement permettant à un agent d'entraîner des modèles ML de bout en bout — chargement et profilage des données (distributions, déséquilibre de classes, valeurs manquantes), splits stratifiés train/validation/test, pipelines de prétraitement reproductibles (normalisation, tokenisation, augmentation) sérialisables pour l'inférence, choix d'architecture (gradient boosting/SVM pour le ML classique ; couches PyTorch/TensorFlow avec dropout et weight decay pour le deep learning ; backbones pré-entraînés pour le transfer learning), configuration de l'entraînement (Adam/SGD/AdamW, pertes cross-entropy/MSE/focal, schedulers cosinus/step/warmup, précision mixte avec torch.amp), boucles d'entraînement avec validation et early stopping, checkpoints du meilleur score de validation, et export vers des formats portables (ONNX, TorchScript, SavedModel), avec hyperparamètres et métriques loggés vers MLflow ou Weights & Biases. Il livre des exemples détaillés : un classifieur de texte PyTorch (LSTM, recuit cosinus, early stopping, best_model.pt) et une recette de fine-tuning Hugging Face Transformers. Bémols honnêtes : l'entraînement consomme du compute réel (le temps GPU coûte — commencez par le petit fixture déterministe suggéré) ; les exemples s'entraînent sur des données simulées, adaptez-les à vos propres jeux de données ; les artefacts exportés et les hyperparamètres peuvent fuiter des détails des données d'entraînement — gardez-les dans un registre avec des contrôles d'accès adéquats. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3.10+ avec PyTorch/TensorFlow/scikit-learn (GPU recommandé pour le deep learning) ; votre propre jeu de données ; un tracker d'expériences (MLflow ou W&B) pour le workflow complet Installe-moi « Model Training — entraînement ML de bout en bout avec checkpoints et tracking ». Il donne à mon agent le workflow complet du cycle d'entraînement de @seb1n : chargement et profilage des données, splits stratifiés, pipelines de prétraitement reproductibles, choix d'architecture (classique ou deep learning), configuration optimiseur/perte/scheduler avec précision mixte, boucles de validation avec early stopping, checkpoints et export (ONNX/TorchScript/SavedModel), et tracking d'expériences — plus un exemple détaillé de classifieur de texte PyTorch et une recette de fine-tuning Hugging Face. Licence MIT. Dépôt : https://github.com/seb1n/awesome-ai-agent-skills/blob/main/ai-ml-operations/model-training/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). Les scripts d'entraînement peuvent télécharger des jeux de données et des fichiers lourds — vérifie que chaque source de téléchargement est attendue. 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 « model-training ». 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. installer mon framework, fournir mon jeu de données, commencer par un petit run — le temps GPU coûte de l'argent — et garder les artefacts exportés dans un registre avec des contrôles d'accès adéquats). 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.