Training & Fine-tuning

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

320 skills

#	Skill	Source	Description
1	aoti-debug	pytorch/pytorch	Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode.	103 008
2	metal-kernel	pytorch/pytorch	Implémenter des kernels Metal natifs pour opérateurs PyTorch sur Apple Silicon.	103 008
3	pt2-bug-basher	pytorch/pytorch	Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd.	103 008
4	backtesting-frameworks	wshobson/agents	Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading.	39 652
5	checkpoint-promotion	wshobson/agents	Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes.	39 652
6	dataset-curation	wshobson/agents	Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM.	39 652
7	eval-harness-first	wshobson/agents	Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle.	39 652
8	finetuning-method-selection	wshobson/agents	Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering.	39 652
9	grpo-rlvr-training	wshobson/agents	Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables.	39 652
10	lora-qlora-recipes	wshobson/agents	Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé.	39 652
11	ml-pipeline-workflow	wshobson/agents	Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production.	39 652
12	preference-optimization	wshobson/agents	Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO).	39 652
13	quantized-export	wshobson/agents	Exporter un checkpoint promu au bon format quantifié selon la cible matérielle.	39 652
14	spark-environment-setup	wshobson/agents	Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13.	39 652
15	spark-memory-thermal-ops	wshobson/agents	Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement.	39 652
16	spark-training-gotchas	wshobson/agents	Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10.	39 652
17	trace-to-training-data	wshobson/agents	Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi.	39 652
18	vision-sft	wshobson/agents	Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale.	39 652
19	arize-annotation	github/awesome-copilot	Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize.	39 002
20	arize-experiment	github/awesome-copilot	Gérer et exporter des expériences d'évaluation de modèles IA via Arize.	39 002
21	datanalysis-credit-risk	github/awesome-copilot	Nettoyer et sélectionner des variables pour modélisation de risque crédit.	39 002
22	scvi-tools	anthropics/knowledge-work-plugins	Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools.	24 016
23	statistical-analysis	anthropics/knowledge-work-plugins	Analyser des données statistiques avec tendances, distributions et tests d'hypothèses.	24 016
24	huggingface-community-evals	huggingface/skills	Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval.	11 047
25	huggingface-llm-trainer	huggingface/skills	Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs.	11 047
26	huggingface-lora-space-builder	huggingface/skills	Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA.	11 047
27	huggingface-trackio	huggingface/skills	Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel.	11 047
28	huggingface-vision-trainer	huggingface/skills	Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face.	11 047
29	huggingface-zerogpu	huggingface/skills	Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU.	11 047
30	train-sentence-transformers	huggingface/skills	Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage.	11 047
31	transformers-js	huggingface/skills	Exécuter des modèles ML directement en JavaScript, côté client ou serveur, sans Python.	11 047
32	trl-training	huggingface/skills	Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling.	11 047
33	accessing-mlflow	nvidia/model-optimizer	Interroger et comparer des runs MLflow via langage naturel et MCP.	3 804
34	compare-results	nvidia/model-optimizer	Comparer baseline et candidat quantisé pour évaluer la dégradation de précision.	3 804
35	day0-release	nvidia/model-optimizer	Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication.	3 804
36	eagle3-new-model	nvidia/model-optimizer	Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF.	3 804
37	eagle3-review-logs	nvidia/model-optimizer	Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré.	3 804
38	eagle3-triage	nvidia/model-optimizer	Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes.	3 804
39	eagle3-validate	nvidia/model-optimizer	Valider un pipeline EAGLE3 et produire un rapport de qualité complet.	3 804
40	evaluation	nvidia/model-optimizer	Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher.	3 804
41	ptq	nvidia/model-optimizer	Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ.	3 804
42	quant-recipe-search	nvidia/model-optimizer	Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA.	3 804
43	amc-run-sample-calibration	nvidia/skills	Tester et valider une installation AMC avec le dataset d'échantillon fourni.	3 290
44	cudaq-guide	nvidia/skills	Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU.	3 290
45	cudaq-importing	nvidia/skills	Convertir des circuits quantiques Qiskit ou autres frameworks vers CUDA-Q Python.	3 290
46	cuopt-install	nvidia/skills	Installer cuOpt via pip, conda ou Docker pour Python, C ou REST.	3 290
47	cuopt-numerical-optimization-api	nvidia/skills	Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt.	3 290
48	cuopt-numerical-optimization-formulation	nvidia/skills	Formuler des problèmes d'optimisation numérique LP, MILP et QP avec rigueur.	3 290
49	cupynumeric-install	nvidia/skills	Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU.	3 290
50	cupynumeric-migration-readiness	nvidia/skills	Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU.	3 290

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.