de auto-college21
Guide faisant autorité pour le machine learning classique avec scikit-learn : prétraitement, pipelines, sélection de modèles, évaluation et scripts d'exemple pour la production.
Ce skill est une référence complète pour l'utilisation de scikit-learn afin de construire, évaluer et déployer des modèles de ML classiques. Il couvre les algorithmes supervisés et non supervisés, les techniques de prétraitement, la composition de pipelines, l'évaluation de modèles et le réglage des hyperparamètres, ainsi que des scripts d'exemple pour des workflows de bout en bout.
Invoquez ce skill lorsque vous avez besoin d'aide pour construire des modèles de classification ou de régression, le clustering, la réduction de dimensionnalité, la mise en place de pipelines de prétraitement, le choix de métriques d'évaluation ou le réglage des hyperparamètres pour un ML prêt pour la production. Il est adapté aux data scientists et ingénieurs travaillant avec des données tabulaires ou structurées.
Utile pour les agents capables de fournir des extraits de code ou d'exécuter des environnements Python (Codex, agents de type Copilot, agents intégrés à Jupyter).
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
