정보
학생-성공-스코어카드 스킬은 참여도 및 수료율과 같은 주요 교육 성과를 모니터링하기 위한 지표 체계를 제공합니다. 이 스킬을 통해 개발자는 구조화된 지표, 세분화 및 위험 신호 시스템을 바탕으로 핵심 성과 지표(KPI)를 설정하고, 이탈 위험을 진단하며, 학생 진행 상황을 보고할 수 있습니다. 주요 기능으로는 정의된 지표 스택, 위험 추적, 대시보드 및 개입 기록을 위한 템플릿이 포함됩니다.
빠른 설치
Claude Code
추천npx skills add Microck/ordinary-claude-skills -a claude-code/plugin add https://github.com/Microck/ordinary-claude-skillsgit clone https://github.com/Microck/ordinary-claude-skills.git ~/.claude/skills/student-success-scorecardClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
GitHub 저장소
Frequently asked questions
What is the student-success-scorecard skill?
student-success-scorecard is a Claude Skill by Microck. Skills package instructions and resources that Claude loads on demand, so Claude can perform student-success-scorecard-related tasks without extra prompting.
How do I install student-success-scorecard?
Use the install commands on this page: add student-success-scorecard to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does student-success-scorecard belong to?
student-success-scorecard is in the Other category, tagged general.
Is student-success-scorecard free to use?
Yes. student-success-scorecard is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
연관 스킬
LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.
이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.