Data & IA

Skills pour LLM, bases vectorielles, training de modeles et scraping web.

910 skills

# Skill Source Description Δ
1 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 181 860 1370
2 data-visualization anthropics/knowledge-work-plugins Créer des visualisations de données efficaces avec Python selon les meilleures pratiques. 30 072 970
3 instrument-data-to-allotrope anthropics/knowledge-work-plugins Convertir des fichiers instruments au format standardisé Allotrope Simple Model pour LIMS. 30 072 970
4 nextflow-development anthropics/knowledge-work-plugins Déployer et exécuter des pipelines bioinformatiques nf-core sur données locales ou publiques. 30 072 970
5 single-cell-rna-qc anthropics/knowledge-work-plugins Automatiser le contrôle qualité de données single-cell RNA-seq selon les bonnes pratiques scverse. 30 072 970
6 analyze anthropics/knowledge-work-plugins Analyser des données et répondre à toute question métrique, de la simple requête au rapport formel. 30 072 970
7 create-viz anthropics/knowledge-work-plugins Générer des visualisations de données professionnelles avec Python selon les meilleures pratiques. 30 072 970
8 explore-data anthropics/knowledge-work-plugins Profiler un dataset pour révéler sa structure, qualité et patterns clés. 30 072 970
9 validate-data anthropics/knowledge-work-plugins Valider une analyse de données pour détecter erreurs, biais et incohérences avant partage. 30 072 970
10 start anthropics/knowledge-work-plugins Orienter un chercheur en biologie vers les outils et workflows disponibles du plugin bio-recherche. 30 072 970
11 statistical-analysis anthropics/knowledge-work-plugins Analyser des données statistiques avec tendances, distributions et tests d'hypothèses. 30 072 970
12 scvi-tools anthropics/knowledge-work-plugins Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools. 30 072 970
13 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 118 372 710
14 browser-use browser-use/browser-use Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. 118 372 710
15 airflow-dag-patterns wshobson/agents Orchestrer des pipelines de données Apache Airflow avec patterns, opérateurs et déploiement. 40 989 587
16 data-quality-frameworks wshobson/agents Implémenter des frameworks de qualité de données avec Great Expectations, dbt et contrats. 40 989 587
17 dbt-transformation-patterns wshobson/agents Structurer et optimiser des pipelines de transformation dbt en couches analytiques. 40 989 587
18 spark-optimization wshobson/agents Optimiser les jobs Apache Spark avec partitionnement, mémoire et gestion des shuffles. 40 989 587
19 risk-metrics-calculation wshobson/agents Calculer la VaR, CVaR et métriques de risque pour la gestion de portefeuille. 40 989 587
20 recsys-pipeline-architect wshobson/agents Concevoir et scaffolder des pipelines de recommandation en six étapes pour tout système top-K. 40 989 587
21 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 40 989 587
22 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 40 989 587
23 prompt-engineering-patterns wshobson/agents Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. 40 989 587
24 ml-pipeline-workflow wshobson/agents Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production. 40 989 587
25 backtesting-frameworks wshobson/agents Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading. 40 989 587
26 spark-environment-setup wshobson/agents Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13. 40 989 587
27 spark-memory-thermal-ops wshobson/agents Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement. 40 989 587
28 spark-training-gotchas wshobson/agents Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10. 40 989 587
29 checkpoint-promotion wshobson/agents Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes. 40 989 587
30 dataset-curation wshobson/agents Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM. 40 989 587
31 eval-harness-first wshobson/agents Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle. 40 989 587
32 finetuning-method-selection wshobson/agents Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering. 40 989 587
33 grpo-rlvr-training wshobson/agents Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables. 40 989 587
34 lora-qlora-recipes wshobson/agents Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé. 40 989 587
35 preference-optimization wshobson/agents Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO). 40 989 587
36 quantized-export wshobson/agents Exporter un checkpoint promu au bon format quantifié selon la cible matérielle. 40 989 587
37 trace-to-training-data wshobson/agents Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi. 40 989 587
38 vision-sft wshobson/agents Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale. 40 989 587
39 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 40 989 587
40 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 40 989 587
41 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 40 989 587
42 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 40 989 587
43 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 40 989 587
44 cuda-streams pytorch/pytorch Auditer et choisir la bonne stratégie de synchronisation CUDA entre streams pour éviter les fuites mémoire. 104 843 429
45 cognee topoteretes/cognee Gérer des graphes de connaissances avec Cognee via ingestion, enrichissement et recherche. 32 458 428
46 defuddle kepano/obsidian-skills Extraire le contenu lisible et épuré de pages web via Defuddle CLI. 49 705 299
47 prompt-master nidhinjs/prompt-master Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. 14 568 256
48 arize-dataset github/awesome-copilot Gérer et exporter des datasets versionnés dans l'espace Arize via CLI. 40 143 221
49 power-bi-dax-optimization github/awesome-copilot Analyser et optimiser des formules DAX Power BI pour de meilleures performances. 40 143 221
50 power-bi-model-design-review github/awesome-copilot Auditer et optimiser la conception d'un modèle de données Power BI. 40 143 221

À propos de cette sélection

L'outillage autour de l'IA générative a mûri vite, mais de façon inégale. Les abstractions haut niveau prolifèrent pendant que le bas niveau (embeddings, kernels GPU, pipelines de fine-tuning) reste souvent sous-documenté et morcelé. Les skills data & IA réunis ici couvrent précisément cette zone. Un ingénieur ML qui veut déboguer un kernel Metal ou optimiser un graphe PyTorch trouvera des ressources issues directement des équipes PyTorch. Un dev backend qui bascule vers du RAG trouvera de quoi brancher Qdrant, construire ses pipelines de vecteurs et interroger des modèles via l'API Claude d'Anthropic. Python domine largement le corpus, ce qui reflète l'état réel de l'écosystème. Les profils data engineers habitués à Astronomer ont aussi leur place, avec des skills couvrant l'orchestration de workflows au plus près de la prod.