Compétences machine-learning

📦

machine-learning

Name: machine-learning
Author: Joseph OBrien

v1.0.1 Révision du contenu r1 Sûr ⚙️ Commandes externes

Créer des pipelines de machine learning

Les projets de machine learning échouent lorsque les données, les métriques et les choix de déploiement ne sont pas clairs. Cette compétence fournit des conseils structurés pour la planification des modèles, le prétraitement, l’évaluation et le MLOps.

Prend en charge: Claude Codex Code(CC)

🥉 77 Bronze

Maintain this Skill? Claim it 🥉 77 Bronze

Installer avec mon Agent

Copiez cette demande dans votre Agent. Elle contient la page Skill de référence et le manifeste.

Demande d’agent

Review the Skillstore skill "machine-learning" from https://skillstore.io/skills/89jobrien-machine-learning.md and its manifest at https://skillstore.io/api/skills/89jobrien-machine-learning/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Votre Agent doit toujours présenter son plan et demander toute confirmation exigée par la politique de sécurité.

Ressources lisibles par les agents

Utilisez ces liens lorsqu’un Agent IA, un crawler ou un script a besoin d’un contexte propre au lieu de lire toute la page.

Détail Markdown GET /skills/89jobrien-machine-learning.md manifest signé GET /api/skills/89jobrien-machine-learning/manifest lockfile signé GET /api/skills/89jobrien-machine-learning/lockfile

Tester

Utilisation de « machine-learning ». Une équipe produit veut prédire l’attrition à partir de données de compte, d’utilisation, de facturation et de support.

Résultat attendu:

La compétence présenterait cela comme une classification binaire, recommanderait des découpages stratifiés, suggérerait AUC-ROC et PR-AUC, et signalerait les fuites provenant de champs postérieurs à l’attrition.

Utilisation de « machine-learning ». Un jeu de données contient des valeurs numériques manquantes, des catégories à forte cardinalité et de fortes valeurs aberrantes.

Résultat attendu:

La compétence recommanderait une imputation basée uniquement sur l’entraînement, une revue de l’encodage par cible ou par fréquence, une mise à l’échelle robuste, des options de plafonnement et un prétraitement basé sur des pipelines.

Utilisation de « machine-learning ». Une équipe ML veut publier un modèle derrière une API.

Résultat attendu:

La compétence décrirait les contrôles de préproduction, les tests en mode shadow, le déploiement progressif, la surveillance de la latence, le suivi de la dérive, le versionnement des modèles et la planification du retour arrière.

Audit de sécurité

Sûr

v6 • 05/07/2026 Ouvrir le rapport versionné

All six static findings are false positives caused by Markdown formatting or machine learning terminology. No prompt injection, malicious intent, data exfiltration, or unsafe execution behavior was found in the reviewed files.

Fichiers analysés

374

Lignes analysées

Éléments à examiner

Faux positifs ignorés

Facteurs de risque

⚙️ Commandes externes (4)

SKILL.md:178-187 SKILL.md:187-206 SKILL.md:206-207 SKILL.md:207-208

Le dernier audit statique et sémantique terminé n’a détecté aucun constat de sécurité confirmé. Cela ne prouve pas que le skill est sans effets secondaires.

Audité par: codex Voir l’historique des audits →

Partager et citer ce rapport

Partagez le rapport d’évaluation versionné, le badge neutre, la carte intégrable et les citations. Skillstore présente les preuves sans décider si ce Skill est sûr.

Ouvrir le rapport versionné

Copier le lien du rapport

https://skillstore.io/skills/89jobrien-machine-learning/audits/6?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Badge Markdown

[![Skillstore security assessment](https://skillstore.io/badges/skills/89jobrien-machine-learning/security.svg)](https://skillstore.io/skills/89jobrien-machine-learning?utm_source=security_passport_badge)

Badge HTML

<a href="https://skillstore.io/skills/89jobrien-machine-learning?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/89jobrien-machine-learning/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Carte intégrable

<iframe src="https://skillstore.io/embed/skills/89jobrien-machine-learning.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Citations académiques (APA · BibTeX · CFF)

Citation APA

Joseph OBrien. (2026). machine-learning security audit report (audit version 6) [Author version 1.0.1]. Skillstore. https://skillstore.io/skills/89jobrien-machine-learning/audits/6

Citation BibTeX

@techreport{joseph-obrien-89jobrien-machine-learning-2026,
  author = {Joseph OBrien},
  title = {machine-learning security audit report (audit version 6)},
  institution = {Skillstore},
  year = {2026},
  number = {6},
  url = {https://skillstore.io/skills/89jobrien-machine-learning/audits/6},
  note = {Author version 1.0.1}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "machine-learning security audit report (audit version 6)"
version: "1.0.1"
type: report
authors:
  - name: "Joseph OBrien"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/89jobrien-machine-learning/audits/6"
identifiers:
  - type: other
    value: "skillstore:89jobrien-machine-learning:audit:6"
    description: "Skillstore immutable audit report identifier"

Score Skillstore

Pourquoi ce score Niveau de confiance des preuves: Élevé

Architecture

100

Maintenabilité

Contenu

Communauté

Conformité aux spécifications

Ce que vous pouvez créer

Planifier un nouveau projet ML

Définir le type de problème, les métriques de succès, la stratégie de découpage des données et les premiers modèles candidats avant le début de l’implémentation.

Préparer les données d’entraînement

Choisir les étapes d’imputation, d’encodage, de mise à l’échelle, de gestion des valeurs aberrantes et de prévention des fuites pour obtenir un jeu de données fiable.

Examiner la préparation à la production

Vérifier l’approche de service, le versionnement des modèles, les tests CI/CD, les signaux de surveillance et les déclencheurs de réentraînement avant le lancement.

Essayez ces prompts

Choisir l’approche ML

Use the machine-learning skill to classify my problem type, recommend metrics, and suggest baseline models. My goal is: [describe goal]. My data is: [describe data].

Concevoir la préparation des données

Use the machine-learning skill to design preprocessing for this dataset: [columns, types, missing values, target]. Include leakage risks and train-test split guidance.

Créer un plan d’évaluation

Use the machine-learning skill to create an evaluation plan for [classification, regression, ranking, clustering]. Include primary metrics, validation strategy, and error analysis steps.

Préparer le ML pour la production

Use the machine-learning skill to review production readiness for this model: [model, latency needs, traffic, monitoring plan]. Identify deployment risks and retraining triggers.

Bonnes pratiques

Définir la cible de prédiction, la métrique et le découpage des données avant de sélectionner les modèles.
Ajuster le prétraitement uniquement sur les données d’entraînement, puis transformer les données de validation et de test.
Suivre la version du code, la version des données, les hyperparamètres, les métriques et les artefacts de modèle pour chaque expérience.

Éviter

Ne réglez pas les paramètres sur l’ensemble de test et ne présentez pas les résultats de validation comme performance finale.
N’utilisez pas d’informations futures ni de champs dérivés de la cible comme entrées du modèle.
Ne déployez pas sans surveiller la latence, la dérive des entrées, la dérive des prédictions et les taux d’erreur.

Foire aux questions

Cette compétence peut-elle entraîner directement un modèle ?

Non. Elle fournit des conseils de workflow et des schémas. Vous avez toujours besoin de données, de code, de calcul et d’une implémentation propre au framework.

Quels outils d’IA peuvent utiliser cette compétence ?

Le rapport déclare la prise en charge de Claude, Codex et Claude Code.

Couvre-t-elle l’ingénierie des caractéristiques ?

Oui. Elle couvre les schémas numériques, catégoriels, temporels, textuels, géospatiaux, d’interaction et de prétraitement.

Aide-t-elle à l’évaluation des modèles ?

Oui. Elle recommande des métriques par type de problème et met l’accent sur les tests de mise à l’écart, la validation croisée, les contrôles de surapprentissage et l’analyse des erreurs.

Est-elle spécifique à un seul framework de machine learning ?

Non, mais les exemples de prétraitement inclus sont les plus proches des workflows Python et scikit-learn.

Inclut-elle des conseils pour la production ?

Oui. Elle couvre les schémas de service, le versionnement, les contrôles CI/CD, les signaux de surveillance, les stratégies de repli et les déclencheurs de réentraînement.