Training & Fine-tuning

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

278 skills

#	Skill	Source	Description
1	aoti-debug	pytorch/pytorch	Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode.	102 323
2	pt2-bug-basher	pytorch/pytorch	Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd.	102 323
3	backtesting-frameworks	wshobson/agents	Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading.	38 718
4	grpo-rlvr-training	wshobson/agents	Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables.	38 718
5	lora-qlora-recipes	wshobson/agents	Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé.	38 718
6	ml-pipeline-workflow	wshobson/agents	Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production.	38 718
7	preference-optimization	wshobson/agents	Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO).	38 718
8	quantized-export	wshobson/agents	Exporter un checkpoint promu au bon format quantifié selon la cible matérielle.	38 718
9	spark-environment-setup	wshobson/agents	Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13.	38 718
10	spark-memory-thermal-ops	wshobson/agents	Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement.	38 718
11	spark-training-gotchas	wshobson/agents	Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10.	38 718
12	vision-sft	wshobson/agents	Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale.	38 718
13	arize-annotation	github/awesome-copilot	Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize.	37 703
14	arize-experiment	github/awesome-copilot	Gérer et exporter des expériences d'évaluation de modèles IA via Arize.	37 703
15	datanalysis-credit-risk	github/awesome-copilot	Nettoyer et sélectionner des variables pour modélisation de risque crédit.	37 703
16	scvi-tools	anthropics/knowledge-work-plugins	Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools.	23 435
17	statistical-analysis	anthropics/knowledge-work-plugins	Analyser des données statistiques avec tendances, distributions et tests d'hypothèses.	23 435
18	huggingface-community-evals	huggingface/skills	Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval.	10 913
19	huggingface-llm-trainer	huggingface/skills	Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs.	10 913
20	huggingface-lora-space-builder	huggingface/skills	Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA.	10 913
21	huggingface-trackio	huggingface/skills	Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel.	10 913
22	huggingface-vision-trainer	huggingface/skills	Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face.	10 913
23	huggingface-zerogpu	huggingface/skills	Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU.	10 913
24	train-sentence-transformers	huggingface/skills	Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage.	10 913
25	trl-training	huggingface/skills	Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling.	10 913
26	accessing-mlflow	nvidia/model-optimizer	Interroger et comparer des runs MLflow via langage naturel et MCP.	3 426
27	compare-results	nvidia/model-optimizer	Comparer baseline et candidat quantisé pour évaluer la dégradation de précision.	3 426
28	day0-release	nvidia/model-optimizer	Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication.	3 426
29	eagle3-new-model	nvidia/model-optimizer	Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF.	3 426
30	eagle3-review-logs	nvidia/model-optimizer	Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré.	3 426
31	eagle3-triage	nvidia/model-optimizer	Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes.	3 426
32	eagle3-validate	nvidia/model-optimizer	Valider un pipeline EAGLE3 et produire un rapport de qualité complet.	3 426
33	evaluation	nvidia/model-optimizer	Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher.	3 426
34	ptq	nvidia/model-optimizer	Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ.	3 426
35	quant-recipe-search	nvidia/model-optimizer	Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA.	3 426
36	azure-ai-ml-py	microsoft/skills	Gérer les ressources Azure ML via le SDK Python v2.	2 878
37	azure-ai-vision-imageanalysis-py	microsoft/skills	Analyser des images Azure AI pour extraire texte, objets, légendes et tags.	2 878
38	cudaq-guide	nvidia/skills	Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU.	2 858
39	cuopt-install	nvidia/skills	Installer cuOpt via pip, conda ou Docker pour Python, C ou REST.	2 858
40	cuopt-numerical-optimization-api	nvidia/skills	Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt.	2 858
41	cupynumeric-install	nvidia/skills	Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU.	2 858
42	cupynumeric-migration-readiness	nvidia/skills	Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU.	2 858
43	deepstream-import-vision-model	nvidia/skills	Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT.	2 858
44	deepstream-profile-pipeline	nvidia/skills	Créer et profiler des pipelines DeepStream optimisés avec mesures Nsight Systems automatisées.	2 858
45	deepstream-sop	nvidia/skills	Construire et déboguer un pipeline DeepStream GPU pour la détection d'actions industrielles.	2 858
46	digital-health-clinical-asr-build	nvidia/skills	Construire un benchmark ASR clinique avec termes médicaux, audio synthétisé et manifest NeMo.	2 858
47	digital-health-clinical-asr-eval	nvidia/skills	Évaluer et router des transcriptions ASR cliniques selon quatre métriques de qualité.	2 858
48	digital-health-clinical-asr-finetune	nvidia/skills	Affiner un modèle ASR clinique avec NeMo SFT pour réduire les erreurs médicales.	2 858
49	digital-health-clinical-asr-setup	nvidia/skills	Configurer et valider l'accès à la pile ASR clinique hébergée par NVIDIA.	2 858
50	earth2studio-create-diagnostic	nvidia/skills	Intégrer un modèle de diagnostic ML tiers dans Earth2Studio via une API standardisée.	2 858

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.