when-developing-ml-models-use-ml-expert
Créer des modèles ML avec un workflow expert
Les projets de modèles ML nécessitent un chemin reproductible, de la préparation des données au déploiement. Cette compétence fournit à Claude, Codex et Claude Code un workflow structuré pour l'entraînement, l'évaluation et le packaging.
Installer avec mon Agent
Copiez cette demande dans votre Agent. Elle contient la page Skill de référence et le manifeste.
Review the Skillstore skill "when-developing-ml-models-use-ml-expert" from https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert.md and its manifest at https://skillstore.io/api/skills/dnyoussef-when-developing-ml-models-use-ml-expert/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.
Tester
Utilisation de « when-developing-ml-models-use-ml-expert ». Entraîner un modèle de classification pour prédire l'attrition client.
Résultat attendu:
- Résumé d'audit des données avec valeurs manquantes, types de caractéristiques et équilibre de la cible.
- Réseau neuronal dense recommandé avec callbacks d'entraînement et métriques de validation.
- Checklist de déploiement couvrant le fichier de modèle, le fichier de scaler, le rapport et le point d'entrée d'inférence.
Utilisation de « when-developing-ml-models-use-ml-expert ». Évaluer si mon modèle entraîné est prêt pour la mise en production.
Résultat attendu:
- Résumé des métriques de test avec indicateurs de surapprentissage et écarts de validation.
- Plan de rapport d'évaluation avec détails de classification et historique d'entraînement.
- Notes de préparation à la mise en production pour la sécurité des artefacts, la reproductibilité et la documentation.
Utilisation de « when-developing-ml-models-use-ml-expert ». Créer un plan d'export compatible mobile pour un modèle TensorFlow.
Résultat attendu:
- Plan d'export TensorFlow Lite avec artefacts de prétraitement requis.
- Inventaire du package de déploiement pour l'inférence locale et l'intégration mobile.
- Limites opérationnelles pour la latence, la taille du modèle et la gestion des artefacts de confiance.
Audit de sécurité
Risque moyenMost static findings are Markdown backtick fences or safe relative artifact writes in SKILL.md, so they are adjudicated as false positives. One semantic issue remains: the generated inference script loads serialized ML artifacts without a trust-boundary warning, which can be unsafe with untrusted files.
Préoccupations de sécurité confirmées (1)
Facteurs de risque
⚙️ Commandes externes (32)
📁 Accès au système de fichiers (8)
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.
Copier le lien du rapport
https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportBadge Markdown
[](https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert?utm_source=security_passport_badge)Badge HTML
<a href="https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/dnyoussef-when-developing-ml-models-use-ml-expert/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Carte intégrable
<iframe src="https://skillstore.io/embed/skills/dnyoussef-when-developing-ml-models-use-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>Citations académiques (APA · BibTeX · CFF)
Citation APA
DNYoussef. (2026). when-developing-ml-models-use-ml-expert security audit report (audit version 8) [Author version 1.0.0]. Skillstore. https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert/audits/8Citation BibTeX
@techreport{dnyoussef-dnyoussef-when-developing-ml-models-use-ml-expert-2026,
author = {DNYoussef},
title = {when-developing-ml-models-use-ml-expert security audit report (audit version 8)},
institution = {Skillstore},
year = {2026},
number = {8},
url = {https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert/audits/8},
note = {Author version 1.0.0}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "when-developing-ml-models-use-ml-expert security audit report (audit version 8)"
version: "1.0.0"
type: report
authors:
- name: "DNYoussef"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/dnyoussef-when-developing-ml-models-use-ml-expert/audits/8"
identifiers:
- type: other
value: "skillstore:dnyoussef-when-developing-ml-models-use-ml-expert:audit:8"
description: "Skillstore immutable audit report identifier"
Score Skillstore
Pourquoi ce score Niveau de confiance des preuves: ÉlevéCe que vous pouvez créer
Prototyper un classificateur
Créer un premier modèle d'apprentissage supervisé avec des séparations de données propres, des caractéristiques normalisées et des métriques de validation de référence.
Préparer les artefacts de déploiement
Exporter les modèles entraînés, enregistrer les ressources de prétraitement et assembler un dossier de déploiement avec un point d'entrée d'inférence.
Comparer des architectures de modèles
Évaluer la complexité de la tâche, le nombre de caractéristiques et la taille des données avant de sélectionner une approche par réseau neuronal ou modèle classique.
Essayez ces prompts
Utilise cette compétence pour créer un modèle de classification de base à partir de mon jeu de données. Demande d'abord la colonne cible, l'objectif de métrique et le format de déploiement.
Utilise cette compétence pour nettoyer mes données tabulaires, séparer les ensembles d'entraînement, de validation et de test, sélectionner une architecture de modèle et définir les callbacks d'entraînement.
Utilise cette compétence pour concevoir un workflow ML de production avec des rapports d'évaluation, le packaging des artefacts de modèle et la génération d'un script d'inférence.
Utilise cette compétence pour examiner mon pipeline ML afin de détecter le surapprentissage, les fuites de données, le choix des métriques, la sécurité des artefacts et la préparation au déploiement.
Bonnes pratiques
- Définir la métrique cible et le seuil d'acceptation avant le début de l'entraînement.
- Conserver les données d'entraînement, de validation et de test séparées tout au long du prétraitement et de l'évaluation.
- Consigner les paramètres du modèle, l'historique d'entraînement, les hypothèses sur les données et les versions des artefacts.
Éviter
- Ne pas évaluer uniquement sur les données d'entraînement ni ajuster à répétition sur l'ensemble de test.
- Ne pas packager les artefacts de modèle sans documenter les exigences de prétraitement.
- Ne pas charger d'artefacts sérialisés provenant de sources non fiables pendant l'inférence.
Foire aux questions
Quel type de travail ML cette compétence prend-elle en charge ?
Peut-elle choisir entre TensorFlow et PyTorch ?
Entraîne-t-elle automatiquement un modèle ?
Peut-elle aider au déploiement en production ?
Quelles entrées dois-je fournir ?
Est-elle sûre pour les jeux de données sensibles ?
Détails du développeur
Auteur
DNYoussefLicence
MIT
Version de l’auteur
v1.0.0
Révision Skillstore
r1
Réf
c579efd02184f1128d6741d16e6c8d951d7d4208
Récence de maintenance
22/07/2026
Utilisation
3 téléchargements · 183 vues
Structure de fichiers