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 :
Réponse rapide
scikit-learn est un manuel gratuit pour le machine learning avec scikit-learn. Il enseigne le contrat des estimateurs fit, transform et predict, quand utiliser sklearn et ses limites, comme données tabulaires oui et deep learning, NLP grand, big data et streaming temps-réel ailleurs, le pattern train et predict, et règles : split d'abord, pipelines, scaler, stratifier, validation croisée, imputer et encoder.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 6e89d9eÉtape 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 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://raw.githubusercontent.com/tondevrel/scientific-agent-skills/6e89d9e8c84188050bd50c420e48b639be484bb9/skills/scikit-learn/SKILL.md Version épinglée : installe le code au commit 6e89d9e8c84188050bd50c420e48b639be484bb9 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 (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 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.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
- Peut télécharger et installer des paquets logiciels.
Ce que le scan a trouvé — extraits du prompt d’installation
- installe des paquets — Prerequisites: a Python environment with scikit-learn installed (pip install scikit-learn); tabular data to wo · Prérequis : un environnement Python avec scikit-learn installé (pip install scikit-learn) ; des données tabula
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
- 6e89d9e · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 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 : installe des paquets
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.