scikit-learn — classical machine learning reference: classification, regression, pipelines, tuning
Le manuel de terrain scikit-learn — API des estimateurs, preprocessing et ColumnTransformer, pipelines, classification et régression, validation croisée, tuning d'hyperparamètres, anti-patterns
- Quoi
- Le manuel de terrain scikit-learn — API des estimateurs, preprocessing et ColumnTransformer, pipelines, classification et régression, validation croisée, tuning d'hyperparamètres, anti-patterns
- Coût
- Gratuit
- Prérequis
- un environnement Python avec scikit-learn installé (pip install scikit-learn) ; des données tabulaires à traiter
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill scikit-learn de @tondevrel : un manuel de terrain dense pour le machine learning classique avec scikit-learn. L'agent reçoit le contrat d'interface des estimateurs (fit/transform/predict), quand utiliser et quand NE PAS utiliser sklearn (données tabulaires oui ; deep learning, NLP à grande échelle, big data et prédictions streaming en temps réel vont ailleurs), le pattern canonique train/predict, des règles critiques (split avant tout, toujours des pipelines, scaler les données, stratifier, valider croisé, imputer, encoder), des anti-patterns avec code avant/après (fuite de données en fittant les scalers sur tout le dataset, preprocessing manuel au lieu de pipelines), des recettes de preprocessing (scaling, encodage, ColumnTransformer), des références d'algorithmes de classification et régression, des métriques d'évaluation, du tuning GridSearchCV/RandomizedSearchCV, du PCA, du clustering K-Means/DBSCAN, des exemples de workflows de bout en bout (y compris une classe de feature engineering TransformerMixin custom), et des notes de performance (n_jobs, partial_fit pour l'apprentissage en ligne). Bémols honnêtes : une référence, pas un cours — suppose que tu sais déjà ce que classification vs régression veut dire ; les exemples sont des snippets illustratifs, pas une codebase testée. Licence : le manifest enregistre MIT (le manifest fait foi) ; le frontmatter du repo énonce BSD-3-Clause — divergence notée, MIT retenu. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un environnement Python avec scikit-learn installé (pip install scikit-learn) ; des données tabulaires à traiter Installe-moi « scikit-learn — référence de machine learning classique : classification, régression, pipelines, tuning ». Il donne à mon agent le manuel de terrain scikit-learn de @tondevrel : le contrat d'API des estimateurs, quand utiliser (et ne pas utiliser) sklearn, le pattern canonique train/predict, les règles critiques (split d'abord, toujours des pipelines, scaler, stratifier, valider croisé), les anti-patterns avec corrections avant/après (fuite de données, preprocessing manuel), les recettes de preprocessing (scaling, encodage, ColumnTransformer), les références d'algorithmes de classification/régression, les métriques d'évaluation, le tuning GridSearchCV/RandomizedSearchCV, le PCA, le clustering, des exemples de workflows de bout en bout, et des notes de performance. Licence MIT (selon le manifest de découverte ; le frontmatter du repo énonce BSD-3-Clause — divergence notée). Dépôt : https://github.com/tondevrel/scientific-agent-skills/blob/main/skills/scikit-learn/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 ». 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 scikit-learn, préparer mon dataset tabulaire, puis décrire la tâche 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.