登录
软件下载 帮助文档 新闻资讯

Skill UI

浏览并发现 16567+ 精选技能
全部 编程开发 人工智能 设计创意 产品商业 数据科学 市场营销 职场通用 效率工具 硬件工程 语言学习
搜索 数据复现 ，共找到 30 条记录
默认排序 最新上传 最多下载

Azure ML SDK：机器学习资源管理

azure-ai-ml-py
sickn33/antigravity-awesome-skills
70
该SDK是用于Python的Azure Machine Learning客户端库，可用于管理完整的机器学习资源生命周期。它支持用户程序化地创建和管理工作区、注册数据资产、模型版本控制、配置计算集群，并构建端到端的、可复现的MLOps训练管道。
查看详情

Azure ML SDK：机器学习资源管理

azure-ai-ml-py
sickn33/antigravity-awesome-skills
70
该SDK是用于Python的Azure Machine Learning客户端库，可用于管理完整的机器学习资源生命周期。它支持用户程序化地创建和管理工作区、注册数据资产、模型版本控制、配置计算集群，并构建端到端的、可复现的MLOps训练管道。
查看详情

Hugging Face云工作流执行

hugging-face-jobs
sickn33/antigravity-awesome-skills
120
用于在Hugging Face的托管云基础设施上执行复杂的计算工作负载。无需本地环境配置，支持使用云端的CPU、GPU或TPU资源。适用于大规模数据处理、批处理推理、可复现的模型训练和周期性自动化任务，并将结果持久化到Hugging Face Hub。
查看详情

机器学习全生命周期流程管理

ml-pipeline-workflow
sickn33/antigravity-awesome-skills
282
本技能提供完整的MLOps管道编排指南，覆盖机器学习的整个生命周期。它指导用户从数据摄取、特征工程、模型训练，到系统级的模型验证和部署自动化，确保构建出可复现、高可用、可监控的生产级机器学习系统。
查看详情

大模型链评估与回归测试

langchain-eval-harness
jeremylongshore/claude-code-plugins-plus-skills
387
本工具提供了一套全面的、可复现的LLM链和智能体评估系统。它集成了黄金数据集管理、LangSmith评估、RAGAS指标、deepeval LLM判别等功能。适用于为新构建的链条设置质量基线、诊断模型切换后的性能退化，以及在CI/CD流程中设置回归检测门禁。
查看详情

AAAI产出物提交与评估指南

aaai-artifact-evaluation
brycewang-stanford/Awesome-Journal-Skills
267
本指南为作者提供了准备AAAI会议补充产出物（Artifacts）的最佳实践。它详尽指导如何构建技术附录、打包可复现的代码和数据集，并严格遵守匿名化要求（移除作者元数据和路径）。核心目标是确保外部审稿人能够使用简单、通用的方法，轻松验证论文中的所有研究结论和技术主张。
查看详情

AI论文可复现性审核指南

aaai-reproducibility
brycewang-stanford/Awesome-Journal-Skills
386
本指南帮助研究人员提高AI学术论文的实验可复现性，适用于投稿至顶级AI会议（如AAAI）。它指导作者建立“主张-证据”对照表，详细记录模型参数、随机种子、计算成本和数据集许可，确保研究的严谨性和可验证性。
查看详情

学术研究产出物提交指南

acl-artifact-evaluation
brycewang-stanford/Awesome-Journal-Skills
60
本指南详细介绍了NLP研究论文的证据包（如代码、数据集、提示词、模型输出）的打包和提交要求。它强调了科研的可复现性、如何遵循负责任的NLP清单，以及在学术会议（如ACL）上进行匿名化处理和后续公开发布的完整流程。
查看详情

多媒体研究结果可复现性指南

acmmm-reproducibility
brycewang-stanford/Awesome-Journal-Skills
96
本指南旨在帮助研究人员确保多媒体领域的实验结果具备高度可复现性。它详细阐述了从代码提交、数据版本、媒体预处理参数到硬件环境记录等关键步骤，确保独立评审人员能够重现论文报告的全部结果。
查看详情

人工智能研究可复现性指南

cikm-reproducibility
brycewang-stanford/Awesome-Journal-Skills
176
本指南概述了复杂人工智能和知识图谱研究的可复现性最佳实践。它详细指导研究者如何记录和固定从数据预处理、模型训练到大模型提示词等所有环节的细节，确保即使使用了专有数据，研究结果也能被同行充分验证。
查看详情

AI论文成果包与评估指南

colm-artifact-evaluation
brycewang-stanford/Awesome-Journal-Skills
68
本指南为AI/LLM研究论文作者提供一套完整的成果包构建和评估流程。它详细指导如何打包代码、模型权重、数据集和提示词等成果，确保研究结果在匿名评审和公开发布时具备高度的可复现性、透明度和合规性。
查看详情

大语言模型评估严谨指南

colm-experiments
brycewang-stanford/Awesome-Journal-Skills
496
本指南提供了设计和审计大语言模型（LLM）实证评估的最佳实践。它涵盖了数据污染、基线公平性、模型版本漂移和解码参数敏感性等关键陷阱，指导用户构建一套严谨、可复现、科学可靠的LLM评估体系，适用于学术研究和模型评测。
查看详情
123下一页
语言
简体中文
English