ml-expert
Crear modelos PyTorch con un especialista en ML
La implementación de machine learning suele necesitar decisiones de arquitectura, entrenamiento y validación alineadas entre sí. Esta skill proporciona a Claude, Codex y Claude Code un flujo de trabajo especializado para la entrega con PyTorch.
Instalar con mi Agente
Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.
Review the Skillstore skill "ml-expert" from https://skillstore.io/skills/dnyoussef-ml-expert.md and its manifest at https://skillstore.io/api/skills/dnyoussef-ml-expert/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.
Recursos legibles por agentes
Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.
Pruébalo
Usando "ml-expert". Implementa un transformer compacto con un presupuesto de 25 millones de parámetros.
Resultado esperado:
- Un plan de componentes con embeddings, capas transformer, cabezales y parámetros estimados.
- Un plan de pruebas que cubra comprobaciones de formas, flujo de gradientes, conteo de parámetros y comportamiento de integración.
- Un resumen de entrega que enumere archivos del modelo, estado de validación y notas de rendimiento.
Usando "ml-expert". El cabezal de computación adaptativa siempre reporta varianza cero.
Resultado esperado:
- Un plan de implementación enfocado en el diagnóstico para el cálculo de la pérdida y el comportamiento de calibración.
- Una estrategia de pruebas que compruebe varianza distinta de cero y verifique que el entrenamiento continúa sin advertencias.
- Una explicación concisa del objetivo de entrenamiento cambiado y los tradeoffs esperados.
Usando "ml-expert". Reduce el tiempo de inferencia sin aumentar el uso de memoria.
Resultado esperado:
- Una checklist de optimización priorizada para compilación, batching, caching y operaciones de tensores.
- Orientación para benchmarks que compare la latencia base y optimizada bajo la misma configuración de hardware.
- Notas de riesgo sobre estabilidad numérica y preservación del comportamiento.
Auditoría de seguridad
SeguroAI review found the static alerts are false positives caused by Markdown code fences, inline code references, and normal ML terminology. No evidence found of Ruby or shell backtick execution, network reconnaissance, data exfiltration, prompt injection, or malicious intent in the scanned files.
Factores de riesgo
⚙️ Comandos externos (50)
Compartir y citar este informe
Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.
Copiar enlace del informe
https://skillstore.io/skills/dnyoussef-ml-expert/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportInsignia Markdown
[](https://skillstore.io/skills/dnyoussef-ml-expert?utm_source=security_passport_badge)Insignia HTML
<a href="https://skillstore.io/skills/dnyoussef-ml-expert?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/dnyoussef-ml-expert/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Tarjeta para insertar
<iframe src="https://skillstore.io/embed/skills/dnyoussef-ml-expert.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Citas académicas (APA · BibTeX · CFF)
Cita APA
DNYoussef. (2026). ml-expert security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/dnyoussef-ml-expert/audits/8Cita BibTeX
@techreport{dnyoussef-dnyoussef-ml-expert-2026,
author = {DNYoussef},
title = {ml-expert security audit report (audit version 8)},
institution = {Skillstore},
year = {2026},
number = {8},
url = {https://skillstore.io/skills/dnyoussef-ml-expert/audits/8},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "ml-expert security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
- name: "DNYoussef"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/dnyoussef-ml-expert/audits/8"
identifiers:
- type: other
value: "skillstore:dnyoussef-ml-expert:audit:8"
description: "Skillstore immutable audit report identifier"
Puntuación de Skillstore
Por qué esta puntuación Confianza de la evidencia: AltoLo que puedes crear
Implementar una nueva arquitectura de modelo
Convierte requisitos de arquitectura en un plan de implementación PyTorch con módulos, configuraciones, pruebas y documentación.
Corregir el comportamiento de entrenamiento
Aplica correcciones específicas a componentes de entrenamiento después de un diagnóstico y luego define pruebas que confirmen que el problema está resuelto.
Preparar código de ML para producción
Revisa código de modelos en cuanto a rendimiento, uso de memoria, cobertura de pruebas y preparación para la entrega antes de la integración.
Prueba estos prompts
Diseña un modelo PyTorch para [task]. Incluye la estructura de módulos, los campos de configuración, las entradas esperadas y pruebas básicas.
Mi modelo tiene [symptom] durante el entrenamiento. Revisa las causas probables, propone una corrección y define pruebas de validación.
Optimiza este modelo PyTorch para [latency or memory target]. Preserva el comportamiento e incluye orientación para benchmarks.
Implementa la arquitectura de [paper or notes] con [parameter budget], [hardware limit] y pruebas completas.
Mejores prácticas
- Proporciona restricciones de arquitectura, límites de hardware y entradas esperadas antes de solicitar la implementación.
- Pide pruebas que cubran formas, gradientes, integración y conteos de parámetros.
- Revisa localmente los cambios generados antes de entrenar con datos reales o desplegar el modelo.
Evitar
- No solicites cambios grandes de arquitectura sin un presupuesto de parámetros o hardware objetivo.
- No aceptes afirmaciones de rendimiento sin configuraciones de benchmark reproducibles.
- No omitas pruebas de flujo de gradientes, carga de checkpoints y comportamiento en modo train o eval.
Preguntas frecuentes
¿En qué frameworks se enfoca esta skill?
¿Puede implementar modelos a partir de papers de investigación?
¿El paquete incluye plantillas ejecutables?
¿Puede depurar ejecuciones de entrenamiento fallidas?
¿Garantiza preparación para producción?
¿Qué herramientas de IA pueden usarla?
Detalles del desarrollador
Autor
DNYoussefLicencia
MIT
Revisión de Skillstore
r1
Aviso de versión
El autor no declaró una versión.
Ref.
c579efd02184f1128d6741d16e6c8d951d7d4208
Actualidad del mantenimiento
24/7/2026
Uso
5 descargas · 209 vistas
Estructura de archivos