AC automl-skill
Автоматизированный навык машинного обучения AutoML | Automated Machine Learning Skill. Низкокодовое моделирование машинного обучения на основе PyCaret, поддерживающее такие задачи, как классификация, регрессия, кластеризация, обнаружение аномалий, прогнозирование временных рядов, обработка естественного языка и поиск ассоциативных правил. В будущем будут интегрированы дополнительные библиотеки AutoML (такие как AutoGluon, FLAML и др.). Используйте этот навык, когда пользователю необходимо быстро создавать модели машинного обучения, автоматизировать выбор моделей, настраивать гиперпараметры, интегрировать модели, выполнять инжиниринг признаков или проводить эксперименты AutoML. Подходит для специалистов по данным, гражданских специалистов по данным, инженеров машинного обучения и тех, кто хочет быстро создавать прототипы. Ключевые слова для активации: AutoML, автоматизированное машинное обучение, PyCaret, классификация, регрессия, кластеризация, обнаружение аномалий, временные ряды, обработка естественного языка, поиск моделей, сравнение моделей, инжиниринг признаков, статистический тест, проверка значимости, A/B тестирование.
машинный переводПоказать оригиналСкрыть оригинал«AutoML 自动化机器学习技能 | Automated Machine Learning Skill. 基于 PyCaret 进行低代码机…»
AutoML 自动化机器学习技能 | Automated Machine Learning Skill. 基于 PyCaret 进行低代码机器学习建模，支持分类、回归、聚类、异常检测、时间序列预测、自然语言处理和关联规则挖掘等任务。 未来将集成更多 AutoML 库（如 AutoGluon、FLAML 等）。 当用户需要快速构建机器学习模型、自动化模型选择、超参数调优、模型集成、特征工程或进行 AutoML 实验时使用此技能。 适用于数据科学家、公民数据科学家、机器学习工程师和希望快速原型开发的人员。 触发关键词：AutoML、机器学习自动化、PyCaret、分类模型、回归模型、聚类、异常检测、时间序列、文本分类、模型调优、模型比较、特征选择、统计检验、显著性检验、A/B测试。 Trigger keywords in English: AutoML, automated machine learning, PyCaret, classification, regression, clustering, anomaly detection, time series forecasting, NLP, text mining, model tuning, model comparison, feature engineering, statistical test, significance testing, A/B testing.
Автоматизированный навык машинного обучения AutoML | Automated Machine Learning Skill.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 12. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 51/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 19
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3469 токенов
- medium Тестов 30, и все положительные: нет ни одного случая «должен отказать» или «должен переспросить»
- low Среди тестов нет случая на инъекцию через данные
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 625 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 37 заголовков
- +3Пошаговые инструкции: 19 пунктов
- +4Есть примеры (26 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (9 из 9)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.