Training & Fine-tuning

Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.

302 skills

#	Skill	Source	Description
1	aoti-debug	pytorch/pytorch	Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode.	102 091
2	metal-kernel	pytorch/pytorch	Implémenter des kernels Metal natifs pour opérateurs PyTorch sur Apple Silicon.	102 091
3	pt2-bug-basher	pytorch/pytorch	Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd.	102 091
4	backtesting-frameworks	wshobson/agents	Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading.	38 402
5	checkpoint-promotion	wshobson/agents	Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes.	38 402
6	dataset-curation	wshobson/agents	Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM.	38 402
7	eval-harness-first	wshobson/agents	Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle.	38 402
8	finetuning-method-selection	wshobson/agents	Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering.	38 402
9	grpo-rlvr-training	wshobson/agents	Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables.	38 402
10	lora-qlora-recipes	wshobson/agents	Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé.	38 402
11	ml-pipeline-workflow	wshobson/agents	Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production.	38 402
12	preference-optimization	wshobson/agents	Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO).	38 402
13	quantized-export	wshobson/agents	Exporter un checkpoint promu au bon format quantifié selon la cible matérielle.	38 402
14	spark-environment-setup	wshobson/agents	Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13.	38 402
15	spark-training-gotchas	wshobson/agents	Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10.	38 402
16	trace-to-training-data	wshobson/agents	Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi.	38 402
17	vision-sft	wshobson/agents	Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale.	38 402
18	arize-annotation	github/awesome-copilot	Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize.	37 302
19	arize-experiment	github/awesome-copilot	Gérer et exporter des expériences d'évaluation de modèles IA via Arize.	37 302
20	datanalysis-credit-risk	github/awesome-copilot	Nettoyer et sélectionner des variables pour modélisation de risque crédit.	37 302
21	scvi-tools	anthropics/knowledge-work-plugins	Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools.	23 208
22	statistical-analysis	anthropics/knowledge-work-plugins	Analyser des données statistiques avec tendances, distributions et tests d'hypothèses.	23 208
23	huggingface-community-evals	huggingface/skills	Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval.	10 885
24	huggingface-llm-trainer	huggingface/skills	Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs.	10 885
25	huggingface-lora-space-builder	huggingface/skills	Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA.	10 885
26	huggingface-trackio	huggingface/skills	Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel.	10 885
27	huggingface-vision-trainer	huggingface/skills	Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face.	10 885
28	huggingface-zerogpu	huggingface/skills	Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU.	10 885
29	train-sentence-transformers	huggingface/skills	Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage.	10 885
30	transformers-js	huggingface/skills	Exécuter des modèles ML directement en JavaScript, côté client ou serveur, sans Python.	10 885
31	trl-training	huggingface/skills	Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling.	10 885
32	accessing-mlflow	nvidia/model-optimizer	Interroger et comparer des runs MLflow via langage naturel et MCP.	3 356
33	compare-results	nvidia/model-optimizer	Comparer baseline et candidat quantisé pour évaluer la dégradation de précision.	3 356
34	day0-release	nvidia/model-optimizer	Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication.	3 356
35	eagle3-new-model	nvidia/model-optimizer	Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF.	3 356
36	eagle3-review-logs	nvidia/model-optimizer	Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré.	3 356
37	eagle3-triage	nvidia/model-optimizer	Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes.	3 356
38	eagle3-validate	nvidia/model-optimizer	Valider un pipeline EAGLE3 et produire un rapport de qualité complet.	3 356
39	evaluation	nvidia/model-optimizer	Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher.	3 356
40	launching-evals	nvidia/model-optimizer	Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator.	3 356
41	ptq	nvidia/model-optimizer	Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ.	3 356
42	quant-recipe-search	nvidia/model-optimizer	Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA.	3 356
43	azure-ai-ml-py	microsoft/skills	Gérer les ressources Azure ML via le SDK Python v2.	2 844
44	azure-ai-vision-imageanalysis-java	microsoft/skills	Analyser des images Azure avec détection d'objets, OCR et génération de légendes en Java.	2 844
45	amc-run-sample-calibration	nvidia/skills	Tester et valider une installation AMC avec le dataset d'échantillon fourni.	2 747
46	cudaq-guide	nvidia/skills	Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU.	2 747
47	cufolio	nvidia/skills	Optimiser un portefeuille financier avec accélération GPU via Mean-CVaR et cuOpt.	2 747
48	cuopt-install	nvidia/skills	Installer cuOpt via pip, conda ou Docker pour Python, C ou REST.	2 747
49	cuopt-numerical-optimization-api	nvidia/skills	Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt.	2 747
50	cuopt-numerical-optimization-formulation	nvidia/skills	Formuler des problèmes d'optimisation numérique LP, MILP et QP avec rigueur.	2 747

À propos de cette sélection

Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier. Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.