Fähigkeiten machine-learning
🧠
建構機器學習系統需要從資料預處理到生產部署做出複雜的選擇。本技能提供經過實戰驗證的完整機器學習生命週期模式。
Unterstützt: Claude Codex Code(CC)
1
Die Skill-ZIP herunterladen
2
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
3
Einschalten und loslegen
Teste es
Verwendung von "machine-learning". Help me build a spam classifier with 10K labeled emails
Erwartetes Ergebnis:
- Problem type: Binary classification
- Recommended metrics: AUC-ROC (primary), F1 (secondary)
- Good starting models: Logistic Regression, Random Forest, or SVM
- For 10K samples, use stratified split to maintain class balance
- Consider TF-IDF or transformer embeddings for text features
- Apply SMOTE if class imbalance exceeds 10:1 ratio
Sicherheitsaudit
Sicherv3 • 1/10/2026
Pure documentation skill with no executable code. Contains only markdown guidance for ML development patterns. No scripts, network calls, file system access beyond its own files, or command execution capabilities.
2
Gescannte Dateien
374
Analysierte Zeilen
0
befunde
3
Gesamtzahl Audits
Keine Sicherheitsprobleme gefunden
Auditiert von: claude Audit-Verlauf anzeigen →
Qualitätsbewertung
41
Architektur
100
Wartbarkeit
81
Inhalt
34
Community
100
Sicherheit
87
Spezifikationskonformität
Was du bauen kannst
建構機器學習專案結構
遵循從資料準備到模型部署的經過驗證的模式
將模型部署到生產環境
學習服務模式、監控策略和維護排程
為應用程式添加機器學習功能
使用 REST API 和批次推論整合機器學習能力
Probiere diese Prompts
問題定義
幫助我為 [使用案例描述] 定義正確的機器學習問題類型和成功指標。
資料預處理
針對 [資料類型] 搭配 [特定挑戰]，最佳預處理實踐是什麼？
模型選擇
針對 [資料大小] 筆記錄搭配 [問題類型]，推薦適當的模型並解釋權衡取捨。
生產部署
針對 [使用案例] 搭配需求 [延遲、吞吐量]，什麼部署模式最適合？
Bewährte Verfahren
- 始終在交叉驗證驗證後使用留置測試集進行最終評估
- 僅在訓練資料上擬合預處理步驟，然後轉換測試資料以防止資料洩漏
- 使用版本控制追蹤實驗，包括程式碼、資料和模型產出物
Vermeiden
- 對不平衡的分類問題僅使用準確率作為指標
- 在分割資料前對整個資料集擬合預處理步驟
- 部署模型時未監控資料漂移和效能退化
Häufig gestellte Fragen
此技能支援哪些機器學習框架？
Framework-agnostic guidance applicable to scikit-learn, TensorFlow, PyTorch, XGBoost, and similar libraries.
此技能可以處理多大的資料量？
The skill provides guidance for small (<10K), medium (10K-1M), and large (>1M) datasets with appropriate algorithm recommendations.
此技能如何與其他技能整合？
Works with performance (latency), testing (ML testing), database-optimization (feature stores), and debugging skills.
使用此技能時我的資料安全嗎？
Yes. This skill only provides guidance patterns. No data is stored, transmitted, or processed externally.
為什麼我的模型在新資料上表現不佳？
Common causes: data leakage during preprocessing, overfitting to validation set, distribution shift between training and production data.
這與 AutoML 工具相比如何？
This skill explains concepts and patterns. AutoML tools automate algorithm selection. Understanding both approaches together is most effective.