Ml

pytorch-patterns는 디바이스에 구애받지 않는 패턴, 재현 가능한 실험, 명시적인 텐서 처리로 PyTorch 코드를 작성, 검토, 디버깅하도록 돕습니다. 더 깔끔한 학습 루프, 모델 리팩터링, 실용적인 PyTorch 가이드가 필요할 때 이 pytorch-patterns 스킬을 사용하세요.

vector-index-tuning은 지연 시간, 재현율, 메모리 사용량을 기준으로 벡터 검색 인덱스를 튜닝할 때 도움이 되는 스킬입니다. RAG 워크플로에서 인덱스 유형을 고르고, HNSW 설정을 조정하고, 양자화 옵션의 장단점을 비교할 때 활용할 수 있습니다.

huggingface-vision-trainer는 객체 탐지, 이미지 분류, SAM/SAM2 세그멘테이션 같은 비전 학습 작업에 사용할 Hugging Face 스킬을 설치하고 활용하는 데 도움을 줍니다. 데이터셋 준비, 클라우드 GPU 설정, 평가, Trackio 로깅, 결과를 Hub에 푸시하는 과정까지 다루며, 백엔드 자동화와 반복 가능한 학습 워크플로에 적합합니다.

huggingface-trackio는 Trackio로 ML 학습 실행을 추적하는 데 도움이 됩니다. 이 스킬을 사용하면 Python에서 메트릭을 기록하고, 학습 알림을 추가하고, trackio CLI로 실행을 조회하거나 분석할 수 있습니다. 실시간 대시보드, Hugging Face Space 동기화, 자동화를 위한 JSON 출력도 지원하므로, huggingface-trackio는 실험 추적과 데이터 분석에 유용합니다.

huggingface-llm-trainer는 TRL 또는 Unsloth를 사용해 Hugging Face Jobs에서 언어 모델과 비전 모델을 학습하거나 파인튜닝할 수 있게 해줍니다. 이 huggingface-llm-trainer skill은 SFT, DPO, GRPO, reward modeling, 데이터셋 점검, GPU 선택, Hub 저장, Trackio 모니터링, 그리고 백엔드 개발 워크플로를 위한 GGUF export에 활용할 수 있습니다.

huggingface-best 스킬은 Hugging Face 벤치마크 리더보드를 확인하고 기기 제한과 모델 크기를 기준으로 필터링해, 작업에 가장 적합한 모델을 찾는 데 도움을 줍니다. 코딩, 추론, 채팅, OCR, RAG, 음성, 비전, 멀티모달 작업에서, 일반적인 모델 목록이 아니라 실용적인 후보군이 필요할 때 사용하세요.

hf-cli 스킬은 Hugging Face Hub CLI(`hf`)로 인증, 다운로드, 업로드, repo 및 bucket 관리, dataset과 model 확인, 그리고 기타 Hub 워크플로를 다루는 데 도움을 줍니다. Backend Development 팀이 반복 가능하고 스크립트화된 hf-cli 사용법과 실용적인 hf-cli 가이드를 원할 때 특히 유용합니다.

azure-ai-ml-py는 Python용 Azure Machine Learning SDK v2입니다. 이 스킬을 사용해 azure-ai-ml-py를 설치하고, MLClient로 연결한 뒤, Azure ML 작업 영역, 작업, 모델, 데이터세트, 컴퓨트, 파이프라인을 관리할 수 있습니다. 백엔드 자동화와 반복 가능한 Azure ML 워크플로에 특히 잘 맞습니다.

azure-mgmt-weightsandbiases-dotnet은 Azure Marketplace의 Weights & Biases를 위한 .NET Azure Resource Manager SDK입니다. 이 azure-mgmt-weightsandbiases-dotnet 스킬은 백엔드 개발에서 프리뷰 패키지를 설치하고 Azure Identity를 구성하며, C#에서 W&B 인스턴스 프로비저닝, SSO, 리소스 수명 주기를 관리할 때 사용합니다.

azure-ai-textanalytics-py는 Python용 Azure AI Text Analytics 스킬입니다. 감성 분석, 개체 인식, 핵심 구문 추출, 언어 감지, PII 탐지, 의료 NLP에 도움이 됩니다. 앱, 노트북, 데이터 분석 워크플로에서 Azure 클라이언트 설정, 인증, 실전 텍스트 분석을 빠르게 시작해야 할 때 적합합니다.

ml-pipeline-workflow는 데이터 준비, 학습, 검증, 배포, 모니터링까지 아우르는 엔드투엔드 MLOps 파이프라인을 설계할 때 참고하기 좋은 실무형 가이드입니다. 반복 가능한 워크플로 자동화를 위한 오케스트레이션 패턴도 함께 다룹니다.