Wie ist die gereihte Liste sortiert?

Die Liste ist nach beobachteter Suchnachfrage geordnet. Direkte Treffer zum Thema erscheinen zuerst, und es gibt eine Obergrenze, wie viele Skills ein einzelner Anbieter belegen kann.

Was deckt das Thema Machine Learning ab?

Es deckt den Data-Mining-Prozess ab: Problem rahmen, Daten vorbereiten, trainieren, evaluieren, dann deployen und Drift beobachten. Die Unterthemen sind Problem, Daten, Training, Evaluation, Deployment und Monitoring.

Mit welchem Unterthema sollte ich beginnen?

Beginne mit dem Unterthema, das zu deinem aktuellen Schritt im Prozess passt. Wenn du die Vorhersage noch nicht gerahmt oder eine einfache Baseline etabliert hast, fang mit Problem an; wenn du bereits ein Modell hast, schau dir Evaluation, Deployment oder Monitoring an.

← Alle Themen durchsuchenAufgaben

Agent Skills für Maschinelles Lernen

Machine-Learning-Skills helfen einem AI Agent, die Schritte eines Data-Mining-Prozesses auszuführen, vom Formulieren eines Vorhersageproblems bis zur Überwachung eines eingesetzten Modells. Skills in diesem Thema decken sechs Unterthemen ab: Problem-Framing (welche Vorhersage eine Entscheidung ändern würde und was eine dumme Baseline erreicht), Daten (was das Modell sehen darf und was zurückgehalten werden muss), Training (ein Modell anpassen, ohne sich am Trainingssatz selbst zu täuschen), Evaluation (Zahlen, die auch mit den Daten der nächsten Woche noch halten würden), Deployment (Vorhersagen ins Produkt bringen) und Monitoring (Modelle verrotten; jemand muss es bemerken). Nutze die Rangliste, indem du das Unterthema findest, das zu deinem aktuellen Schritt passt, und dann einen Skill wählst, dessen Beschreibung genau diesen Schritt adressiert. Die Liste ist nach beobachteter Suchnachfrage geordnet, mit direkten Treffern zuerst und einer Obergrenze pro einzelner Quelle.

8 zum Start21 beste Optionen

Hier anfangen.

Machine learning follows a data-mining process: frame the problem, prepare data, train, evaluate, then deploy and watch drift.

Dies sind die relevantesten Ergebnisse. Öffne einen Skill, lies die Anleitung und prüfe die Eignung.

Rang 01
Direkt
ml-pipeline-workflow
Erstellt End-to-End-MLOps-Pipelines von Data Ingestion und -Aufbereitung über Modelltraining, -validierung, -deployment und -monitoring, mit DAG-Orchestrierungsmustern und Referenzleitfäden.
von wshobson/agents
- Problem
- Data
- Training
10.692 · Beliebtheit
Agent Skill ansehen
Rang 02
Direkt
finetuning
Offiziell
Fine-Tuning von Modellen auf Microsoft Foundry mit SFT (überwacht), DPO (Präferenz) oder RFT (Verstärkung mit Gradern). Umfasst Datensatzvorbereitung, Übermittlung von Trainingsjobs, Deployment und Evaluierung. USE FOR: fine-tune, SFT, DPO, RFT, training data, grader, distillation, fine-tuned model, training job, large file upload, calibrate grader, deploy fine-tuned model, evaluate fine-tuned model. DO NOT USE FOR: general model deployment without fine-tuning (use deploy-model), agent creation (use agents), prompt optimization without training (use prompt-optimizer).
von microsoft/azure-skills
- Problem
- Data
- Training
Agent Skill ansehen
Rang 03
Direkt
azure-ai-ml-py
Offiziell
| Azure Machine Learning SDK v2 für Python. Verwenden für ML-Workspaces, Jobs, Modelle, Datasets, Compute und Pipelines. Auslöser: "azure-ai-ml", "MLClient", "workspace", "model registry", "training jobs", "datasets".
von microsoft/skills
Agent Skill ansehen
Rang 04
Direkt
agent-platform-eval-flywheel
Offiziell
>- Misst und verbessert die Qualität von KI-Modellen und Agents auf Google Cloud mithilfe der Eval Quality Flywheel-Methodik. Verwenden beim Evaluieren eines Agents oder Modells, beim Erstellen eines Eval-Datasets, beim Auswählen oder Schreiben von Evaluierungsmetriken, beim Analysieren von Fehlern, beim Vergleichen von Ergebnissen vor und nach einer Korrektur oder wenn eine Anleitung zur Eval-Methodik der Agent Platform benötigt wird – einschließlich Dataset-Schema, LLM-as-judge-Bewertung und häufigen Fehlerursachen. Für Fine-Tuning verwende agent-platform-tuning. Für allgemeines Produktions-Deployment verwende agent-platform-deploy.
von google/skills
- Training
- Deployment
Agent Skill ansehen
Rang 05
Direkt
bigquery-ai-ml
Offiziell
>- Nutzt die integrierten Machine-Learning- und GenAI-Funktionen von BigQuery für fortgeschrittene Datenanalysen. Verwenden, wenn Sie SQL-Abfragen schreiben müssen, die Zeitreihenprognosen erstellen, Werte vorhersagen, Ausreißer oder Anomalien erkennen, Schlüsseltreiber finden, semantische Suche oder Vektorsuche durchführen, Text klassifizieren, Ähnlichkeit berechnen, Inhalte zusammenfassen, Sprache übersetzen, Modelle bewerten, nach semantischen Bedingungen filtern oder generative KI-Funktionen in BigQuery nutzen. Nicht für allgemeine Anfragen zur Verwaltung von BigQuery-Datasets, -Tabellen oder -Jobs verwenden.
von google/skills
Agent Skill ansehen
Rang 06
Direkt
microsoft-foundry
Offiziell
Microsoft Foundry Agents, Modelle und Ressourcen end to end erstellen, bereitstellen, evaluieren, optimieren, feinabstimmen und verwalten. VERWENDEN FÜR: azd ai agent, azd provision/deploy, hosted agent scaffold/develop/run/deploy/troubleshoot, prompt agent create, create agent, update agent, add tool to agent, invoke agent, agent.yaml, evaluate agent, batch eval, continuous eval, continuous monitoring, agent CI/CD, optimize prompt, improve prompt, prompt optimizer, optimize agent instructions, Agent Optimizer scaffold, dataset curation from traces, deploy model, model fine-tuning (SFT/DPO/RFT), Foundry project, RBAC, role assignment, permissions, quota, capacity, region, deployment failure, AI Services, create Foundry resource, knowledge index, customize deployment, onboard, availability, training-data, grader, distillation, large file upload. NICHT VERWENDEN FÜR: Azure Functions, App Service, allgemeines Azure-Deployment (azure-deploy verwenden), allgemeine Azure-Vorbereitung (azure-prepare verwenden).
von microsoft/azure-skills
- Data
- Training
Agent Skill ansehen
Rang 07
Direkt
agent-platform-model-registry
Offiziell
>- Agent Platform Model Registry Management. Verwenden, wenn Sie Machine-Learning-Modelle (und ihre Versionen) im Agent Platform Model Registry hochladen, auflisten, beschreiben, aktualisieren oder löschen müssen. Nicht verwenden für Modelltraining, Modell-Deployment auf Endpunkte oder die Verwaltung von Nicht-Agent-Platform-Modellen.
von google/skills
Agent Skill ansehen
Rang 08
Direkt
agent-platform-deploy
Offiziell
>- Open Models oder eigene Gewichte aus dem Model Garden auf Agent Platform Endpoints deployen, den Status eines laufenden Deployment-Vorgangs prüfen oder Ressourcen durch Undeployen von Modellen und Löschen von Endpoints aufräumen. Verwenden, wenn darum gebeten wird, ein Modell aktiv zu deployen, den Model Garden CATALOG verfügbarer Modelle aufzulisten, zu prüfen, ob ein bestimmtes Modell deploybar ist (`gcloud ai model-garden models list-deployment-config`), Deployment-Kosten abzufragen, Deployment-Fehler (wie Quota-Limits) zu beheben oder Endpoints zu undeployen/aufzuräumen. Auch verwenden beim Kopieren und Deployen eines 1P Tuned Model. Nicht verwenden für reine Listing-/Discovery-Fragen der Form "ist X deployed?", "list my endpoints" oder "which regions have models running?" — dafür `agent-platform-endpoint-management` verwenden. Nicht verwenden für öffentliche Vertex AI Deployments (dafür die `vertex-deploy` Skill verwenden) oder zum Ausführen von Modell-Evaluierungen (dafür die `agent-platform-eval-flywheel` Skill verwenden).
von google/skills
- Deployment
Agent Skill ansehen

13 weitere Agent Skills anzeigen

Rang 09
Möglich
google-cloud-solution-agentic-ai-data-science-workflow
Offiziell
>- Designs a tailored multi-product agentic data science architecture on Google Cloud that incorporates opinionated best practices. Use when architecting multi-product solutions for agent-based data analytics or ML workloads. Don't use for simple queries, non-agentic pipelines, general cloud reviews, or writing agent code.
von google/skills
Voraussetzungen (angegeben): Network access
Agent Skill ansehen
Rang 10
Möglich
ai-research-reproduction
Beachtenswert
Rigor Reproduce-kompatibler Skill-Slug für die Reproduktion README-first Deep-Learning-Repositories. Verwenden, wenn der Nutzer einen End-to-End-, minimal-vertrauenswürdigen Ablauf möchte, der zuerst das Repository liest, das kleinste dokumentierte Inferenz- oder Evaluierungsziel auswählt, Intake, Setup, vertrauenswürdige Ausführung, optionales vertrauenswürdiges Training, optionale Repository-Analyse und optionale Auflösung von Paper-Lücken koordiniert, konservative Patch-Regeln durchsetzt, Evidenz, Annahmen, Abweichungen und menschliche Entscheidungspunkte festhält und das standardisierte `repro_outputs/`-Bundle schreibt. Nicht verwenden für Paper-Zusammenfassungen, generische Umgebungsse
von lllllllama/rigorpilot-skills
- Deployment
310.973 · Beliebtheit
Agent Skill ansehen
Rang 11
Möglich
minimal-run-and-audit
Beachtenswert
Rigor Run Skill für README-first-Reproduktion von Deep-Learning-Repos. Verwenden, wenn die Aufgabe speziell darin besteht, Evidenz aus dem ausgewählten Smoke-Test oder dokumentierten Inferenz- oder Evaluierungsbefehl zu erfassen oder zu normalisieren und standardisierte `repro_outputs/`-Dateien zu schreiben, einschließlich Patch-Notizen, wenn Repository-Dateien geändert wurden. Nicht für Trainingsausführung, initiale Repo-Aufnahme, generisches Umgebungs-Setup, Paper-Suche, Zielauswahl, versteckte Änderungen der wissenschaftlichen Bedeutung oder eigenständige End-to-End-Orchestrierung verwenden.
von lllllllama/rigorpilot-skills
- Problem
- Deployment
450.032 · Beliebtheit
Agent Skill ansehen
Rang 12
Möglich
run-train
Rigor-Train-Skill für Deep-Learning-Forschungsrepositorien. Verwende dies, wenn ein dokumentierter oder ausgewählter Trainingsbefehl konservativ für Startup-Verifikation, Kurzlauf-Verifikation, vollständigen Kickoff oder Resume ausgeführt werden soll, mit Befehl, Config, Seed, Log, Checkpoint, Status und Metrik-Evidenz geschrieben nach…
von lllllllama/rigorpilot-skills
- Training
- Deployment
310.547 · Beliebtheit
Agent Skill ansehen
Rang 13
Möglich
explore-run
Rigor Improve / Rigor Explore run Leaf Skill für begrenzte explorative Evidenz in Deep-Learning-Forschungsrepos. Verwenden, wenn der Forscher explizit explorative Runs autorisiert wie Small-Subset-Validierung, kurze Guess-and-Check-Zyklen, Batch-Sweeps, Idle-GPU-Suche oder schnelle…
von lllllllama/rigorpilot-skills
- Problem
- Training
310.529 · Beliebtheit
Agent Skill ansehen
Rang 14
Möglich
analyze-project
Rigor Analyze / Rigor Audit Read-only-Skill für Deep-Learning-Forschungsrepositorien. Verwenden, wenn der Nutzer ein Repository lesen und verstehen, die Modellstruktur und Trainings- oder Inferenz-Einstiegspunkte inspizieren, Konfigurationen und Einfügepunkte prüfen oder verdächtige Implementierungsmuster markieren möchte, ohne …
von lllllllama/rigorpilot-skills
- Deployment
311.205 · Beliebtheit
Agent Skill ansehen
Rang 15
Möglich
safe-debug
Rigor Debug / Rigor Audit-Skill für Deep-Learning-Forschungsarbeit. Verwenden, wenn der Nutzer einen Traceback, Terminalfehler, CUDA OOM, Checkpoint-Ladefehler, Shape-Mismatch, NaN-Loss-Symptom oder Trainingsfehler einfügt und eine konservative Diagnose vor jeglichem Patchen möchte, wobei Debug-Fixes klar getrennt sind…
von lllllllama/rigorpilot-skills
- Training
- Deployment
310.743 · Beliebtheit
Agent Skill ansehen
Rang 16
Möglich
repo-intake-and-plan
Rigor-Intake-Helfer für README-first-Reproduktion von Deep-Learning-Repos. Verwenden, wenn die Aufgabe speziell darin besteht, ein Repository zu scannen, das README und gängige Projektdateien zu lesen, dokumentierte Befehle zu extrahieren, Kandidaten für Inferenz, Evaluation und Training zu klassifizieren und die kleinste vertrauenswürdige… zurückzugeben.
von lllllllama/rigorpilot-skills
- Deployment
450.252 · Beliebtheit
Agent Skill ansehen
Rang 17
Möglich
env-and-assets-bootstrap
Rigor Setup Skill für README-first Reproduktion von Deep-Learning-Repos. Verwenden, wenn die Aufgabe speziell darin besteht, eine konservative Conda-first-Umgebung, Checkpoint- und Dataset-Pfadannahmen, Cache-Ort-Hinweise und Setup-Notizen vorzubereiten, bevor ein Lauf auf einem README-dokumentierten Repository erfolgt. Nicht verwenden für…
von lllllllama/rigorpilot-skills
450.087 · Beliebtheit
Agent Skill ansehen
Rang 18
Möglich
paper-context-resolver
Rigor Paper Context-Helfer für README-first-Reproduktion von Deep-Learning-Repos. Nur nutzen, wenn README und Repository-Dateien eine enge, reproduktionskritische Lücke lassen und die Aufgabe darin besteht, ein bestimmtes Paper-Detail zu klären, etwa Dataset-Split, Preprocessing, Evaluationsprotokoll, Checkpoint-Mapping oder…
von lllllllama/rigorpilot-skills
- Data
- Deployment
451.036 · Beliebtheit
Agent Skill ansehen
Rang 19
Möglich
azure-aigateway
Offiziell
Konfiguriert Azure API Management als AI Gateway für KI-Modelle, MCP-Tools und Agents. WANN: semantisches Caching, Token-Limit, Content Safety, Load Balancing, KI-Modell-Governance, MCP-Rate-Limiting, Jailbreak-Erkennung, Azure OpenAI Backend hinzufügen, AI Foundry-Modell hinzufügen, AI Gateway testen, LLM-Policies,…
von microsoft/azure-skills
- Deployment
544.026 · Beliebtheit
Agent Skill ansehen
Rang 20
Möglich
airunway-aks-setup
Offiziell
Richtet AI Runway auf AKS ein – vom nackten Cluster bis zum laufenden Modell. Behandelt Cluster-Verifizierung, Controller-Installation, GPU-Bewertung, Provider-Einrichtung und erstes Deployment. WENN: \"setup AI Runway\", \"onboard AKS cluster\", \"install AI Runway\", \"airunway setup\", \"deploy model to AKS\", \"GPU…
von microsoft/azure-skills
- Deployment
337.927 · Beliebtheit
Agent Skill ansehen
Rang 21
Möglich
developing-genkit-js
Entwickelt KI-gestützte Anwendungen mit Genkit in Node.js/TypeScript. Verwenden, wenn der Nutzer nach Genkit, AI agents, Flows oder Tools in JavaScript/TypeScript fragt oder wenn Genkit-Fehler, Validierungsprobleme, Typfehler oder API-Probleme auftreten.
von genkit-ai/skills
58.870 · Beliebtheit
Agent Skill ansehen

Was dieses Thema umfasst

Jedes Unterthema bündelt Agent Skills für eine bestimmte Situation.

Problem: What prediction would change a decision, and what a dumb baseline scores.
Data: What the model is allowed to see, and what must be held out.
Training: Fit a model without fooling yourself on the training set.
Evaluation: Numbers that would still hold on next week's data.
Deployment: Get predictions into the product.
Monitoring: Models rot; someone has to notice.

Häufige Fragen

Wie ist die gereihte Liste sortiert?: Die Liste ist nach beobachteter Suchnachfrage geordnet. Direkte Treffer zum Thema erscheinen zuerst, und es gibt eine Obergrenze, wie viele Skills ein einzelner Anbieter belegen kann.
Was deckt das Thema Machine Learning ab?: Es deckt den Data-Mining-Prozess ab: Problem rahmen, Daten vorbereiten, trainieren, evaluieren, dann deployen und Drift beobachten. Die Unterthemen sind Problem, Daten, Training, Evaluation, Deployment und Monitoring.
Mit welchem Unterthema sollte ich beginnen?: Beginne mit dem Unterthema, das zu deinem aktuellen Schritt im Prozess passt. Wenn du die Vorhersage noch nicht gerahmt oder eine einfache Baseline etabliert hast, fang mit Problem an; wenn du bereits ein Modell hast, schau dir Evaluation, Deployment oder Monitoring an.

Agent Skill installieren

Agent Skills sind SKILL.md-Dateien. Die meisten Agenten erkennen sie, sobald sie im richtigen Skills-Verzeichnis liegen:

Claude Code — copy the SKILL.md for ml-pipeline-workflow into ~/.claude/skills/ml-pipeline-workflow/ for yourself, or .claude/skills/ml-pipeline-workflow/ to share it with a project.
From the registry — run npx skills add wshobson/agents@ml-pipeline-workflow.
Or download ml-pipeline-workflow from its source and place that SKILL.md in the directory above.

Wie auswählen Prüfe Quelle und Anleitung des Skills vor der Installation. Die Labels Official und Notable beschreiben die Herkunft eines Skills.

Agent Skills für Maschinelles Lernen

ml-pipeline-workflow

finetuning

azure-ai-ml-py

agent-platform-eval-flywheel

bigquery-ai-ml

microsoft-foundry

agent-platform-model-registry

agent-platform-deploy

google-cloud-solution-agentic-ai-data-science-workflow

ai-research-reproduction

minimal-run-and-audit

run-train

explore-run

analyze-project

safe-debug

repo-intake-and-plan

env-and-assets-bootstrap

paper-context-resolver

azure-aigateway

airunway-aks-setup

developing-genkit-js