ml-pipeline-workflow は何をしますか？
データ準備からモデル学習、検証、本番デプロイメントまでのエンドツーエンドのMLOpsパイプラインを構築します。MLパイプラインの作成、MLOpsプラクティスの実装、またはモデル学習とデプロイメントワークフローの自動化に使用します。
概要
このスキルは、MLOpsワークフロー全体を自動化するための包括的なガイドを提供します。データの取り込みと前処理から、モデル学習、評価、本番環境へのデプロイメントに至るまで、各ステップを標準化された方法で実行できます。
主な機能
- データ準備: CSV、Parquet、画像などの様々なデータソースからのデータ読み込みと前処理
- 特徴量エンジニアリング: スケーリング、エンコーディング、新しい特徴量の作成
- モデル学習: scikit-learn、TensorFlow、PyTorchなどのフレームワークを使用した学習
- ハイパーパラメータチューニング: Grid Search、Random Search、Bayesian Optimization
- モデル評価: クロスバリデーション、メトリクス計算、モデル比較
- モデルデプロイメント: REST API、バッチ推論、エッジデプロイメント
使用方法
このスキルは、以下のようなシナリオで役立ちます：
- 新しいMLプロジェクトの開始時に、ベストプラクティスに従ったパイプラインを素早くセットアップする
- 既存のMLワークフローを自動化し、手動エラーを減らす
- チーム全体で一貫したMLOpsプロセスを確立する
サポートされるプラットフォーム
- Claude Code
- Cursor
- Codex
技術スタック
- Python 3.8+
- scikit-learn, TensorFlow, PyTorch
- MLflow (実験追跡)
- Docker (コンテナ化)
- Kubernetes (オーケストレーション)
- AWS SageMaker / GCP Vertex AI / Azure ML
例
# パイプラインの初期化
python pipeline.py init --project my-ml-project
# パイプラインの実行
python pipeline.py run --config config.yaml
# モデルのデプロイ
python pipeline.py deploy --model model.pkl --environment production
参考
ライセンス
MIT