Ml

pytorch-patterns hilft dir, PyTorch-Code mit geräteunabhängigen Mustern, reproduzierbaren Experimenten und explizitem Tensor-Handling zu schreiben, zu prüfen und zu debuggen. Nutze den pytorch-patterns Skill für sauberere Training-Loops, Modell-Refactorings und praxisnahe PyTorch-Hinweise.

vector-index-tuning hilft dabei, Vektor-Suchindizes auf Latenz, Recall und Speicherverbrauch abzustimmen. Nutzen Sie die Skill, um Indextypen auszuwählen, HNSW-Einstellungen anzupassen und Quantisierungsoptionen für RAG-Workflows zu vergleichen.

huggingface-vision-trainer hilft dir bei der Installation und Nutzung eines Hugging Face Skills für Vision-Trainingsjobs: Objekterkennung, Bildklassifikation und SAM/SAM2-Segmentierung. Abgedeckt werden Dataset-Vorbereitung, Cloud-GPU-Setup, Evaluation, Trackio-Logging und das Hochladen der Ergebnisse zum Hub. Ideal für Backend-Automatisierung und wiederholbare Trainings-Workflows.

huggingface-trackio hilft dabei, ML-Trainingsläufe mit Trackio zu verfolgen. Nutze diese Skill-Guide, um Metriken aus Python zu protokollieren, Trainingsalarme einzurichten und Läufe mit der trackio CLI abzurufen oder zu analysieren. Sie unterstützt Echtzeit-Dashboards, die Synchronisierung mit Hugging Face Spaces und JSON-Ausgabe für Automatisierungen und ist damit für Experiment-Tracking und Datenanalyse nützlich.

huggingface-llm-trainer hilft dir, Sprach- und Vision-Modelle auf Hugging Face Jobs mit TRL oder Unsloth zu trainieren oder feinzujustieren. Nutze diese huggingface-llm-trainer Skill für SFT, DPO, GRPO, Reward Modeling, Dataset-Checks, GPU-Auswahl, Speichern auf dem Hub, Trackio-Monitoring und GGUF-Export in Backend-Entwicklungs-Workflows.

Die huggingface-best Skill hilft dir, das beste Modell für eine Aufgabe zu finden, indem sie Hugging Face-Benchmark-Leaderboards prüft und nach Gerätegrenzen sowie Modellgröße filtert. Nutze sie für Modell-Empfehlungen in Coding, Reasoning, Chat, OCR, RAG, Speech, Vision oder multimodalen Workflows, wenn du eine praktische Shortlist statt einer allgemeinen Modellliste brauchst.

Die hf-cli-Skill hilft dir dabei, die Hugging Face Hub CLI (`hf`) für Authentifizierung, Downloads, Uploads, Repo- und Bucket-Verwaltung, das Prüfen von Datensätzen und Modellen sowie weitere Hub-Workflows zu nutzen. Sie ist besonders nützlich für Backend-Development-Teams, die wiederholbare, skriptbare hf-cli-Nutzung und einen praxisnahen hf-cli-Leitfaden suchen.

azure-ai-ml-py ist das Azure Machine Learning SDK v2 für Python. Nutzen Sie diesen Skill, um azure-ai-ml-py zu installieren, sich mit MLClient zu verbinden und Azure-ML-Workspaces, Jobs, Modelle, Datensätze, Compute-Ressourcen und Pipelines zu verwalten. Das passt besonders gut für Backend-Automatisierung und wiederholbare Azure-ML-Workflows.

azure-mgmt-weightsandbiases-dotnet ist das .NET Azure Resource Manager SDK für Weights & Biases auf Azure Marketplace. Verwenden Sie diesen azure-mgmt-weightsandbiases-dotnet Skill für die Backend-Entwicklung, um das Preview-Paket zu installieren, Azure Identity zu konfigurieren und die Bereitstellung von W&B-Instanzen, SSO sowie den Ressourcen-Lebenszyklus aus C# zu verwalten.

azure-ai-textanalytics-py ist ein Skill für Azure AI Text Analytics in Python. Er hilft bei Sentimentanalyse, Entitätserkennung, Extraktion von Schlüsselphrasen, Spracherkennung, PII-Erkennung und Healthcare-NLP. Nutzen Sie ihn, wenn Sie einen schnellen Weg zur Einrichtung des Azure-Clients, zur Authentifizierung und zur praxisnahen Nutzung von Text Analytics für Apps, Notebooks oder Data-Analysis-Workflows brauchen.

ml-pipeline-workflow ist ein praxisnaher Leitfaden für die Konzeption durchgängiger MLOps-Pipelines für Datenaufbereitung, Training, Validierung, Deployment und Monitoring – inklusive Orchestrierungsmustern für wiederholbare Workflow-Automatisierung.