Training & Fine-tuning

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

310 skills

#	Skill	Source	Description
1	aoti-debug	pytorch/pytorch	Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode.	102 612
2	metal-kernel	pytorch/pytorch	Implémenter des kernels Metal natifs pour opérateurs PyTorch sur Apple Silicon.	102 612
3	pt2-bug-basher	pytorch/pytorch	Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd.	102 612
4	backtesting-frameworks	wshobson/agents	Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading.	39 177
5	checkpoint-promotion	wshobson/agents	Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes.	39 177
6	dataset-curation	wshobson/agents	Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM.	39 177
7	eval-harness-first	wshobson/agents	Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle.	39 177
8	finetuning-method-selection	wshobson/agents	Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering.	39 177
9	grpo-rlvr-training	wshobson/agents	Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables.	39 177
10	lora-qlora-recipes	wshobson/agents	Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé.	39 177
11	ml-pipeline-workflow	wshobson/agents	Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production.	39 177
12	preference-optimization	wshobson/agents	Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO).	39 177
13	quantized-export	wshobson/agents	Exporter un checkpoint promu au bon format quantifié selon la cible matérielle.	39 177
14	spark-environment-setup	wshobson/agents	Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13.	39 177
15	spark-memory-thermal-ops	wshobson/agents	Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement.	39 177
16	spark-training-gotchas	wshobson/agents	Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10.	39 177
17	trace-to-training-data	wshobson/agents	Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi.	39 177
18	vision-sft	wshobson/agents	Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale.	39 177
19	arize-annotation	github/awesome-copilot	Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize.	38 295
20	arize-experiment	github/awesome-copilot	Gérer et exporter des expériences d'évaluation de modèles IA via Arize.	38 295
21	datanalysis-credit-risk	github/awesome-copilot	Nettoyer et sélectionner des variables pour modélisation de risque crédit.	38 295
22	scvi-tools	anthropics/knowledge-work-plugins	Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools.	23 698
23	statistical-analysis	anthropics/knowledge-work-plugins	Analyser des données statistiques avec tendances, distributions et tests d'hypothèses.	23 698
24	huggingface-community-evals	huggingface/skills	Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval.	10 965
25	huggingface-llm-trainer	huggingface/skills	Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs.	10 965
26	huggingface-lora-space-builder	huggingface/skills	Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA.	10 965
27	huggingface-trackio	huggingface/skills	Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel.	10 965
28	huggingface-vision-trainer	huggingface/skills	Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face.	10 965
29	huggingface-zerogpu	huggingface/skills	Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU.	10 965
30	train-sentence-transformers	huggingface/skills	Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage.	10 965
31	transformers-js	huggingface/skills	Exécuter des modèles ML directement en JavaScript, côté client ou serveur, sans Python.	10 965
32	trl-training	huggingface/skills	Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling.	10 965
33	accessing-mlflow	nvidia/model-optimizer	Interroger et comparer des runs MLflow via langage naturel et MCP.	3 494
34	compare-results	nvidia/model-optimizer	Comparer baseline et candidat quantisé pour évaluer la dégradation de précision.	3 494
35	day0-release	nvidia/model-optimizer	Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication.	3 494
36	eagle3-new-model	nvidia/model-optimizer	Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF.	3 494
37	eagle3-review-logs	nvidia/model-optimizer	Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré.	3 494
38	eagle3-triage	nvidia/model-optimizer	Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes.	3 494
39	eagle3-validate	nvidia/model-optimizer	Valider un pipeline EAGLE3 et produire un rapport de qualité complet.	3 494
40	evaluation	nvidia/model-optimizer	Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher.	3 494
41	ptq	nvidia/model-optimizer	Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ.	3 494
42	quant-recipe-search	nvidia/model-optimizer	Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA.	3 494
43	amc-run-sample-calibration	nvidia/skills	Tester et valider une installation AMC avec le dataset d'échantillon fourni.	3 114
44	cudaq-guide	nvidia/skills	Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU.	3 114
45	cuopt-install	nvidia/skills	Installer cuOpt via pip, conda ou Docker pour Python, C ou REST.	3 114
46	cuopt-numerical-optimization-api	nvidia/skills	Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt.	3 114
47	cuopt-numerical-optimization-formulation	nvidia/skills	Formuler des problèmes d'optimisation numérique LP, MILP et QP avec rigueur.	3 114
48	cupynumeric-install	nvidia/skills	Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU.	3 114
49	cupynumeric-migration-readiness	nvidia/skills	Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU.	3 114
50	deepstream-import-vision-model	nvidia/skills	Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT.	3 114

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.