when-developing-ml-models-use-ml-expert

Diese Fähigkeit hilft Entwicklern, häufige Probleme beim maschinellen Lernen wie divergierende Verlustwerte, Overfitting und langsame Konvergenz zu diagnostizieren und zu beheben. Sie bietet systematisches Debugging, um Ursachen zu identifizieren und Lösungen für Trainingsprobleme zu generieren. Nutzen Sie sie bei schlechter Validierungsleistung oder Trainingsinstabilität, um die Modellkonvergenz wiederherzustellen.

Diese Fähigkeit bietet einen strukturierten Workflow für die Entwicklung, das Training und das Deployment von Machine-Learning-Modellen und unterstützt Architekturen wie CNNs und RNNs. Nutzen Sie sie, wenn Sie ein neues Modell erstellen, ein bestehendes Modell neu trainieren oder ein Modell für den Produktiveinsatz vorbereiten müssen. Sie verarbeitet die gesamte Pipeline – vom Training mit Frameworks wie TensorFlow/PyTorch bis zur Erstellung einsatzbereiter Pakete und Evaluierungsberichte.

Diese Fähigkeit hilft bei der Fehlersuche und Optimierung von Problemen im maschinellen Lernen wie Loss-Divergenz, Overfitting und langsamer Konvergenz. Sie bietet systematische Diagnose, identifiziert Ursachen und liefert Lösungen mit Leistungsvergleichen. Nutzen Sie sie bei Trainingsfehlern, schlechter Validierungsleistung oder wenn Sie Optimierungsempfehlungen benötigen.

Diese Skill bietet eine produktionsgetestete Einrichtung für Content Collections – ein TypeScript-first-Tool, das Markdown/MDX-Dateien in typsichere Datensammlungen mit Zod-Validierung umwandelt. Verwenden Sie ihn beim Erstellen von Blogs, Dokumentationsseiten oder inhaltsstarken Vite + React-Anwendungen, um Typsicherheit und automatische Inhaltsvalidierung zu gewährleisten. Er behandelt alles von der Vite-Plugin-Konfiguration und MDX-Kompilierung bis hin zur Deployment-Optimierung und Schema-Validierung.