mcpField
M
Machine Learning

Machine Learning

github.com/midudevデータ・データベース7.0k64 回インストール1 週間前に更新
リポジトリ

Machine Learning について

scikit-learn、PyTorch などを使ってモデルを構築・評価する人向けの Python 機械学習スキルです。特徴量エンジニアリングからモデル提供まで、基本的な MLOps も扱います。

主な機能

  1. 01scikit-learn による前処理と学習
  2. 02PyTorch のモデルと学習ループ
  3. 03特徴量エンジニアリング手法
  4. 04モデルの評価と比較
  5. 05基本的な MLOps の実践

活用シーン

  1. 01モデル学習パイプラインの構築
  2. 02モデル性能の調整と評価
  3. 03特徴量の準備と欠損値処理
  4. 04実験の追跡とモデル提供

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/midudev/autoskills --skill machine-learning

インストール後、Claude Code で/machine-learningを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

assets/
config.yaml
schema.json
references/
GUIDE.md
PATTERNS.md
scripts/
validate.py

詳細

Python 機械学習スキル

概要

scikit-learn、PyTorch、および関連ツールを含む Python ライブラリを使用して、機械学習モデルを構築します。

対象トピック

Scikit-learn
  • データの前処理
  • モデル選択
  • 学習パイプライン
  • 交差検証
  • ハイパーパラメーターの調整
PyTorch の基礎
  • テンソル演算
  • ニューラルネットワークのモジュール
  • 学習ループ
  • DataLoader の使用
  • GPU による高速化
特徴量エンジニアリング
  • 特徴量選択
  • 次元削減
  • 特徴量のスケーリング
  • エンコーディング手法
  • 欠損データの処理
モデル評価
  • 指標の選択
  • 混同行列
  • ROC 曲線
  • 学習曲線
  • モデルの比較
MLOps の基礎
  • モデルのシリアライズ
  • 実験の追跡（MLflow）
  • モデルのバージョン管理
  • モデルのサービング
  • 再現性

前提条件

  • Python の基礎
  • NumPy と Pandas
  • 統計学の基礎

学習成果

  • ML モデルを学習させる
  • モデルのパフォーマンスを評価する
  • ML パイプラインを構築する
  • モデルを本番環境にデプロイする

コメント

Markdown 対応