when-developing-ml-models-use-ml-expert
بناء نماذج تعلم آلي جاهزة للإنتاج مع سير عمل آلي
يتطلب تطوير نماذج التعلم الآلي خبرة في إعداد البيانات واختيار البنية والتدريب والنشر. تقوم هذه المهارة بأتمتة خط أنابيب التعلم الآلي بالكامل مع أفضل الممارسات المدمجة، وتقديم نماذج جاهزة للإنتاج في أقل من 90 دقيقة.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "when-developing-ml-models-use-ml-expert". Train a neural network on my dataset 'housing_data.csv' to predict house prices
Résultat attendu:
- ✓ تم تحميل 10,000 صف مع 15 ميزة من housing_data.csv
- ✓ تم تطبيق تنظيف البيانات: إزالة 50 قيمة شاذة، ملء 120 قيمة مفقودة
- ✓ تم اختيار معمارية الانحدار: DNN من 3 طبقات مع dropout
- ✓ اكتمل التدريب: 85 حقبة، MSE النهائي: 0.023
- ✓ تم تصدير النموذج: model.h5 (2.3MB)، scaler.pkl (1.2KB)
- ✓ تم إنشاء حزمة النشر مع نص الاستدلال
Utilisation de "when-developing-ml-models-use-ml-expert". Build a CNN to classify images from 'cats_dogs.csv' with image paths and labels
Résultat attendu:
- ✓ تم تحميل مجموعة البيانات: 25,000 صورة، فئتان
- ✓ تم تفعيل زيادة البيانات: التدوير، التكبير، الانعكاس الأفقي
- ✓ معمارية CNN: كتلتا conv مع max pooling، رأس كثيف
- ✓ التدريب: 100 حقبة، أفضل val_accuracy: 0.94 عند الحقبة 67
- ✓ تم تصدير النموذج كـ TFLite للنشر على الأجهزة المحمولة (8.2MB)
Audit de sécurité
Risque faibleThis skill is a legitimate machine learning development workflow containing standard ML patterns. The 75 static findings are FALSE POSITIVEs: hash identifiers misclassified as C2 keywords, markdown code fences misclassified as Ruby backtick execution, and hash strings misclassified as weak cryptography. All detected operations (file I/O, model serialization, distributed training) are standard ML engineering practices with no malicious intent.
Problèmes à risque moyen (2)
Problèmes à risque faible (1)
Facteurs de risque
📁 Accès au système de fichiers (2)
🌐 Accès réseau (1)
⚙️ Commandes externes (1)
Score de qualité
Ce que vous pouvez construire
النمذجة الأولية السريعة للنماذج
تدريب والتحقق من صحة معماريات نماذج متعددة بسرعة لإيجاد الأفضل أداءً.
نشر النماذج في الإنتاج
تغليف النماذج المدربة مع خطوط معالجة مسبقة ونصوص الاستدلال.
التدريب الموزع
تدريب نماذج كبيرة عبر عقد متعددة مع التوازي في البيانات.
Essayez ces prompts
Train a deep neural network on 'customer_data.csv' with features age, income, and purchase_history. Target column is 'will_purchase'.
Create a CNN model with data augmentation to classify product images into 10 categories from 'product_images.csv'.
Build an LSTM model using 'sales_data.csv' with daily sales figures to forecast next 30 days.
Fine-tune a pre-trained ResNet model on 'medical_images.csv' for disease classification with frozen early layers.
Bonnes pratiques
- تحقق دائماً من جودة البيانات قبل التدريب - البيانات النظيفة تنتج نماذج أفضل
- راقب منحنيات التدريب للإفراط في التخصيص واضبط dropout أو التنظيم
- اختبر حزمة النشر محلياً قبل الدفع إلى الإنتاج
Éviter
- لا تتخطى استكشاف البيانات - فهم بياناتك يمنع فشل النموذج
- تجنب التدريب لعدد كبير جداً من الحقب دون إيقاف مبكر لمنع الإفراط في التخصيص
- لا تنشر النماذج أبداً دون اختبارها على بيانات التحقق المحتجزة أولاً