when-developing-ml-models-use-ml-expert
Создавайте готовые к производству модели машинного обучения с автоматизированными рабочими процессами
Разработка моделей машинного обучения требует экспертизы в подготовке данных, выборе архитектуры, обучении и развертывании. Этот навык автоматизирует весь конвейер машинного обучения с лучшими практиками, позволяя получить готовые к производству модели менее чем за 90 минут.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"when-developing-ml-models-use-ml-expert" 사용 중입니다. Train a neural network on my dataset 'housing_data.csv' to predict house prices
예상 결과:
- ✓ Loaded 10,000 rows with 15 features from housing_data.csv
- ✓ Applied data cleaning: removed 50 outliers, filled 120 missing values
- ✓ Selected regression architecture: 3-layer DNN with dropout
- ✓ Training completed: 85 epochs, final MSE: 0.023
- ✓ Model exported: model.h5 (2.3MB), scaler.pkl (1.2KB)
- ✓ Deployment package created with inference script
"when-developing-ml-models-use-ml-expert" 사용 중입니다. Build a CNN to classify images from 'cats_dogs.csv' with image paths and labels
예상 결과:
- ✓ Dataset loaded: 25,000 images, 2 classes
- ✓ Data augmentation enabled: rotation, zoom, horizontal flip
- ✓ CNN architecture: 2 conv blocks with max pooling, dense head
- ✓ Training: 100 epochs, best val_accuracy: 0.94 at epoch 67
- ✓ Model exported as TFLite for mobile deployment (8.2MB)
보안 감사
낮은 위험This 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.
중간 위험 문제 (2)
낮은 위험 문제 (1)
위험 요인
📁 파일 시스템 액세스 (2)
🌐 네트워크 접근 (1)
⚙️ 외부 명령어 (1)
품질 점수
만들 수 있는 것
Быстрое прототипирование моделей
Быстро обучайте и проверяйте несколько архитектур моделей, чтобы найти лучшую.
Развертывание моделей в производство
Упакуйте обученные модели с конвейерами предобработки и скриптами вывода.
Распределенное обучение
Обучайте большие модели на нескольких узлах с параллелизмом данных.
이 프롬프트를 사용해 보세요
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.
모범 사례
- Всегда проверяйте качество данных перед обучением — чистые данные дают лучшие модели
- Следите за кривыми обучения на предмет переобучения и корректируйте dropout или регуляризацию
- Тестируйте пакет развертывания локально перед выпуском в производство
피하기
- Не пропускайте исследование данных — понимание ваших данных предотвращает сбои моделей
- Избегайте обучения слишком большого количества эпох без ранней остановки для предотвращения переобучения
- Никогда не развертывайте модели без предварительного тестирования на отложенных проверочных данных