Toutes les ressources premium et membres pour 8,99 €/mois, en abonnement sans engagement. Voir les offres

PalateKit

Se connecter
Menu

Demander une ressource

Décrivez en une phrase la ressource qui vous manque. Nous vous écrirons quand elle sera publiée.

0 / 280

Une page, une vidéo ou une image en ligne.

Débloquer PalateKit

Tout débloquer

Offre

Le paiement vaut acceptation de nos conditions générales de vente.

Paiement sécurisé par Stripe. Reçus et factures envoyés par e-mail.

Content de vous revoir

Connectez-vous pour installer, télécharger ou sauvegarder cette ressource. Un compte gratuit suffit pour les ressources gratuites.

Pipelines d'entraînement ML : suivi, orchestration, registre v1.0.0

Utilisez cette ressource pour construire une infrastructure de pipelines ML en production

Nouveau

  • 477 téléchargements
  • 218 mentions J'aime
  • 184 sauvegardes

Gratuit

Installer avec la CLI

Dans un terminal, depuis le dossier voulu :

npx --yes palatekit@latest install mlops-training-pipelines

Sans option, la skill va dans ~/.agents/skills/ ; ajoutez --agent claude-code (ou codex, cursor…) pour viser un agent.

Première fois : connectez la CLI avec

npx --yes palatekit@latest login

L'agent configure le suivi d'expériences avec MLflow ou Weights & Biases, écrit des DAG Kubeflow ou Airflow pour l'entraînement, conçoit un magasin de caractéristiques avec Feast et automatise le réentraînement et la validation des modèles. Il couvre aussi DVC pour le versionnage des données.

Choisie surtout par

Mise à jour le 2 novembre 2026

Carte de la skill « Pipelines d'entraînement ML : suivi, orchestration, registre »

Caractéristiques

Fonctionne dans
Guides d'installation
Génère avec
Le modèle de votre agent
Licence
MIT

Ressources similaires

Tout voir

Ce que vous obtenez

  • references/training-pipelines.md et pipeline-orchestration.md : DAG d'entraînement et orchestration
  • references/experiment-tracking.md, feature-engineering.md, model-validation.md : suivi, caractéristiques et validation

Pour qui

  • Vous automatisez le réentraînement d'un modèle chaque semaine
  • Vos expériences ML ne sont suivies nulle part

Pas pour qui

    Étiquettes

    • mlops
    • mlflow
    • pipeline
    • entraînement

    À propos

    Vous dites

    « Écris un DAG Airflow qui entraîne le modèle chaque nuit, journalise les métriques dans MLflow et refuse la mise en production sous un seuil. »

    Carte de la skill « Pipelines d'entraînement ML : suivi, orchestration, registre »

    Skill publiée par jeffallan sous licence MIT. Fichiers livrés dans leur version d'origine, en anglais.

    Voir plus

    Comment l'utiliser

    1. Installez la skill dans le dossier de skills de votre agent
    2. Demandez à votre agent de construire une infrastructure de pipelines ML en production
    3. Relisez et ajustez le résultat

    Aperçu du contenu

    Fichiers

    • LICENSE1,1 Ko
    • NOTICE-PALATEKIT.md0,5 Ko
    • references/experiment-tracking.md22,2 Ko
    • references/feature-engineering.md18 Ko
    • references/model-validation.md30,7 Ko
    • references/pipeline-orchestration.md23,9 Ko
    • references/training-pipelines.md22,7 Ko
    • SKILL.md7,4 Ko

    Origine et licence

    Référencée sans modification

    Auteur
    jeffallan
    Source
    github.com/jeffallan/claude-skills/tree/b7f220d32a0925c9bbfd24995e208e76bb74507c/skills/ml-pipeline
    Licence
    MIT

    Notice

    « ml-pipeline » (jeffallan, MIT) livré dans sa version d'origine : fiche en français et en anglais par PalateKit.

    Avis des utilisateurs

    –

    Aucune note pour l'instant

    Chargement des avis…

    Supprimer votre avis ?

    Votre note et votre commentaire seront retirés de la fiche.