ml-pipeline
نگهدارنده jeffallan
طراحی و پیادهسازی زیرساخت خط لولهٔ تولیدی ML
- نسخه فعلی
- نامشخص
- مجوز
- MIT
- دسترسی شبکه
- نامشخص / ارزیابینشده
- وضعیت بررسی
- تأیید نشده
چه مسئلهای را حل میکند؟
زیرساخت تولیدی ML را برای آموزش، experiment tracking، feature store، model registry و خودکارسازی چرخهٔ عمر model ایجاد میکند.
چه زمانی مناسب است؟
برای ساخت ML pipeline یا پیکربندی ابزارهای MLOps مانند Kubeflow، Airflow، MLflow، Feast، DVC یا Prefect استفاده کنید.
زیرساخت خط لولهٔ ML در سطح تولید را طراحی و پیادهسازی میکند: experiment tracking را با MLflow یا Weights & Biases پیکربندی میکند، DAGهای Kubeflow یا Airflow برای orchestration آموزش میسازد، schemaهای feature store با Feast ایجاد میکند، model registryها را استقرار میدهد و جریانهای retraining و validation را خودکار میکند. برای ساخت ML pipeline، orchestration جریان آموزش، خودکارسازی چرخهٔ عمر model، پیادهسازی feature store، مدیریت سامانههای experiment tracking، راهاندازی DVC برای versioning داده، tuning hyperparameter یا پیکربندی ابزارهای MLOps مانند Kubeflow، Airflow، MLflow یا Prefect استفاده کنید.
نصب و بهروزرسانی
این دستورها فقط برای کپی نمایش داده میشوند و روی سرور RefHub اجرا نمیشوند. پیش از اجرا، منبع بالادستی پیوندشده را بررسی کنید.
دستور نصب
npx skills add jeffallan/claude-skills --skill ml-pipeline -yسازگاری با ایجنتها
هنوز تست سازگاری ثبت نشده است
تا وقتی شواهد تست ثبت نشده، سازگاری این مهارت با ایجنتها را تأییدشده فرض نکنید.