cuML machine learning: GPU-accelerated ML with scikit-learn API - **name_fr:** Machine learning cuML : ML accéléré GPU avec API scikit-learn - **tl_en:** Run GPU-accelerated ML with NVIDIA cuML — classification, regression, clustering, with CPU fallback - **tl_fr:** Exécuter du ML accéléré GPU avec NVIDIA cuML — classification, régression, clustering, avec repli CPU - **creator:** @langchain-ai - **type:** Agent skill - **url:** https://github.com/langchain-ai/deepagents - **cat:** AI - **kws:** cuml, gpu, machine learning, rapids, nvidia, classification, clustering, sklearn, regression - **license:** MIT **Description EN:** Curated by Skill Harbor — GPU-accelerated machine learning via NVIDIA RAPIDS cuML with a scikit-learn-compatible API: classification, regression, clustering, dimensionality reduction and preprocessing on large tabular datasets, always starting with a required smoke-test boilerplate that verifies GPU ML end-to-end and falls back gracefully to scikit-learn/pandas when no GPU is present. Shipped as an example inside the LangChain deepagents repo (NVIDIA deep-agent example). By @langchain-ai, listed here with credit to its creator. Honest caveats: requires a local NVIDIA GPU with cuML/RAPIDS installed to matter — the CPU fallback is scikit-learn, which you already have; datasets under ~10K rows won't see meaningful speedups; example-grade code, harden before production use. Discovered via skills.sh. Skill Harbor never reviews the code, review it yourself before use. **Description FR:** Sélectionné par Skill Harbor — machine learning accéléré GPU via NVIDIA RAPIDS cuML avec API compatible scikit-learn : classification, régression, clustering, réduction de dimensionnalité et preprocessing sur grands datasets tabulaires, toujours avec un boilerplate de smoke-test obligatoire qui vérifie le ML GPU de bout en bout et replie gracieusement sur scikit-learn/pandas sans GPU. Livré comme exemple dans le repo deepagents de LangChain (exemple NVIDIA deep-agent). Crédit : @langchain-ai. Bémols honnêtes : nécessite un GPU NVIDIA local avec cuML/RAPIDS installé pour avoir un intérêt — le repli CPU est scikit-learn, que vous avez déjà ; les datasets de moins de ~10K lignes ne verront pas d'accélération significative ; code de niveau exemple, à durcir avant usage en production. Découvert via skills.sh. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. **Install prompt EN:** ``` Prerequisites: a local NVIDIA GPU with cuML/RAPIDS installed for GPU acceleration (graceful CPU fallback to scikit-learn/pandas without one); Python 3 Install "cuML machine learning: GPU-accelerated ML with scikit-learn API" for me. Give my agent the cuML GPU-accelerated ML skill — the required GPU smoke-test boilerplate, import patterns, and GPU/CPU-agnostic helpers for classification, regression, clustering and dimensionality reduction Repository: https://github.com/langchain-ai/deepagents/blob/main/examples/nvidia_deep_agent/skills/cuml-machine-learning/SKILL.md 1. Fetch the SKILL.md file for the langchain-ai-deepagents-cuml-machine-learning skill from the repository into a temporary folder and summarize what it does in one or two sentences. 2. Safety check: review the SKILL.md for anything suspicious (unexpected network calls, shell commands, credential harvesting). This repo should contain zero secrets in code, credentials only via the secure vault, allowed hosts declared in the SKILL.md. Verify that holds here; STOP on any red flag and tell me. 3. Install it as a skill: copy SKILL.md into the agent's skills directory, in a folder named "langchain-ai-deepagents-cuml-machine-learning". 4. Verify with no network calls: frontmatter valid, files in place. 5. Report what was installed, where, and what I still need to do myself (e.g. install RAPIDS/cuML if I have an NVIDIA GPU). GitHub is optional: if I have a GitHub account or the gh CLI, you may use it; otherwise public access is fine. Never require it unless it's in the prerequisites above. Rules: don't touch anything outside the temp folder and the install target. If anything looks off, stop and ask me. ``` **Install prompt FR:** ``` Prérequis : un GPU NVIDIA local avec cuML/RAPIDS installé pour l'accélération GPU (repli CPU gracieux sur scikit-learn/pandas sans) ; Python 3 Installe-moi « Machine learning cuML : ML accéléré GPU avec API scikit-learn ». Donne à mon agent le skill de ML accéléré GPU cuML — le boilerplate obligatoire de smoke-test GPU, les patterns d'import, et les helpers agnostiques GPU/CPU pour classification, régression, clustering et réduction de dimensionnalité Dépôt : https://github.com/langchain-ai/deepagents/blob/main/examples/nvidia_deep_agent/skills/cuml-machine-learning/SKILL.md 1. Récupère le fichier SKILL.md du skill langchain-ai-deepagents-cuml-machine-learning depuis le dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Contrôle de sécurité : examine le SKILL.md pour tout contenu suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code ; les identifiants passent uniquement par le coffre sécurisé, les hôtes autorisés sont déclarés dans le SKILL.md. Vérifie que c'est bien le cas ; STOP sur le moindre signal d'alerte et préviens-moi. 3. Installe-le comme skill : copie SKILL.md dans le répertoire des skills de l'agent, dans un dossier nommé « langchain-ai-deepagents-cuml-machine-learning ». 4. Vérifie sans aucun appel 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 RAPIDS/cuML si j'ai un GPU NVIDIA). 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 si c'est 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. ``` ---

Run GPU-accelerated ML with NVIDIA cuML — classification, regression, clustering, with CPU fallback - **tl_fr:** Exécuter du ML accéléré GPU avec NVIDIA cuML — classification, régression, clustering, avec repli CPU - **creator:** @langchain-ai - **type:** Agent skill - **url:** https://github.com/langchain-ai/deepagents - **cat:** AI - **kws:** cuml, gpu, machine learning, rapids, nvidia, classification, clustering, sklearn, regression - **license:** MIT **Description EN:** Curated by Skill Harbor — GPU-accelerated machine learning via NVIDIA RAPIDS cuML with a scikit-learn-compatible API: classification, regression, clustering, dimensionality reduction and preprocessing on large tabular datasets, always starting with a required smoke-test boilerplate that verifies GPU ML end-to-end and falls back gracefully to scikit-learn/pandas when no GPU is present. Shipped as an example inside the LangChain deepagents repo (NVIDIA deep-agent example). By @langchain-ai, listed here with credit to its creator. Honest caveats: requires a local NVIDIA GPU with cuML/RAPIDS installed to matter — the CPU fallback is scikit-learn, which you already have; datasets under ~10K rows won't see meaningful speedups; example-grade code, harden before production use. Discovered via skills.sh. Skill Harbor never reviews the code, review it yourself before use. **Description FR:** Sélectionné par Skill Harbor — machine learning accéléré GPU via NVIDIA RAPIDS cuML avec API compatible scikit-learn : classification, régression, clustering, réduction de dimensionnalité et preprocessing sur grands datasets tabulaires, toujours avec un boilerplate de smoke-test obligatoire qui vérifie le ML GPU de bout en bout et replie gracieusement sur scikit-learn/pandas sans GPU. Livré comme exemple dans le repo deepagents de LangChain (exemple NVIDIA deep-agent). Crédit : @langchain-ai. Bémols honnêtes : nécessite un GPU NVIDIA local avec cuML/RAPIDS installé pour avoir un intérêt — le repli CPU est scikit-learn, que vous avez déjà ; les datasets de moins de ~10K lignes ne verront pas d'accélération significative ; code de niveau exemple, à durcir avant usage en production. Découvert via skills.sh. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. **Install prompt EN:** ``` Prerequisites: a local NVIDIA GPU with cuML/RAPIDS installed for GPU acceleration (graceful CPU fallback to scikit-learn/pandas without one); Python 3 Install "cuML machine learning: GPU-accelerated ML with scikit-learn API" for me. Give my agent the cuML GPU-accelerated ML skill — the required GPU smoke-test boilerplate, import patterns, and GPU/CPU-agnostic helpers for classification, regression, clustering and dimensionality reduction Repository: https://github.com/langchain-ai/deepagents/blob/main/examples/nvidia_deep_agent/skills/cuml-machine-learning/SKILL.md 1. Fetch the SKILL.md file for the langchain-ai-deepagents-cuml-machine-learning skill from the repository into a temporary folder and summarize what it does in one or two sentences. 2. Safety check: review the SKILL.md for anything suspicious (unexpected network calls, shell commands, credential harvesting). This repo should contain zero secrets in code, credentials only via the secure vault, allowed hosts declared in the SKILL.md. Verify that holds here; STOP on any red flag and tell me. 3. Install it as a skill: copy SKILL.md into the agent's skills directory, in a folder named "langchain-ai-deepagents-cuml-machine-learning". 4. Verify with no network calls: frontmatter valid, files in place. 5. Report what was installed, where, and what I still need to do myself (e.g. install RAPIDS/cuML if I have an NVIDIA GPU). GitHub is optional: if I have a GitHub account or the gh CLI, you may use it; otherwise public access is fine. Never require it unless it's in the prerequisites above. Rules: don't touch anything outside the temp folder and the install target. If anything looks off, stop and ask me. ``` **Install prompt FR:** ``` Prérequis : un GPU NVIDIA local avec cuML/RAPIDS installé pour l'accélération GPU (repli CPU gracieux sur scikit-learn/pandas sans) ; Python 3 Installe-moi « Machine learning cuML : ML accéléré GPU avec API scikit-learn ». Donne à mon agent le skill de ML accéléré GPU cuML — le boilerplate obligatoire de smoke-test GPU, les patterns d'import, et les helpers agnostiques GPU/CPU pour classification, régression, clustering et réduction de dimensionnalité Dépôt : https://github.com/langchain-ai/deepagents/blob/main/examples/nvidia_deep_agent/skills/cuml-machine-learning/SKILL.md 1. Récupère le fichier SKILL.md du skill langchain-ai-deepagents-cuml-machine-learning depuis le dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Contrôle de sécurité : examine le SKILL.md pour tout contenu suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code ; les identifiants passent uniquement par le coffre sécurisé, les hôtes autorisés sont déclarés dans le SKILL.md. Vérifie que c'est bien le cas ; STOP sur le moindre signal d'alerte et préviens-moi. 3. Installe-le comme skill : copie SKILL.md dans le répertoire des skills de l'agent, dans un dossier nommé « langchain-ai-deepagents-cuml-machine-learning ». 4. Vérifie sans aucun appel 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 RAPIDS/cuML si j'ai un GPU NVIDIA). 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 si c'est 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. ``` ---

Version: