# ml-developer

Субагент ml-developer для проектирования ML-пайплайнов, подбора гиперпараметров и обучения моделей в локальных блокнотах и скриптах.

- субагент · `type=agent` · Claude Code, Codex, Cursor · ★ 850 у репозитория
- Автор: Claude Code
- Лицензия: не указана · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/ruvnet/agentic-flow/tree/HEAD/agentic-flow/.claude/agents/data/data-ml-model.md
- Обновлён: 2026-10-26
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/agents/ml-developer

## Что делает

Этот субагент ориентирован на задачи машинного обучения. Он работает напрямую с блокнотами Jupyter и Python-скриптами в каталогах `data/`, `models/` и `src/ml/`. В связке с утилитой `claude-flow@alpha` агент сохраняет статистику запусков, подбирает параметры сеток и отслеживает успешные паттерны экспериментов.

Инструменты субагента изолированы: доступ к поиску в сети отключён, а работа ведётся только с локальными файлами размером до 100 МБ. Лимит непрерывного выполнения ограничен 1800 секундами, а оперативная память — двумя гигабайтами.

Выкат модели в прод, масштабное переобучение и удаление исходных данных агент не выполнит без явного подтверждения человеком.

## Установка

### Claude Code (родная платформа)

**Вручную: положить файлы**
- Файл: `.claude/agents/data-ml-model.md` — Для всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию

### Codex

**Вручную: положить файлы**
- Файл: `.codex/agents/data-ml-model.toml` — Codex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/

### Cursor

**Вручную: положить файлы**
- Файл: `.cursor/agents/data-ml-model.md` — Cursor понимает и .claude/agents/

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/ruvnet/agentic-flow/tree/HEAD/agentic-flow/.claude/agents/data/data-ml-model.md

## Когда брать
- обучить классификатор или регрессионную модель на локальных датасетах
- подобрать гиперпараметры с сохранением истории экспериментов
- подготовить пайплайн обучения в Jupyter Notebook или Python-скриптах
- делегировать предобработку данных субагенту data-etl

## Примеры запросов агенту
- Собери классификатор оттока клиентов по таблице data/churn.csv
- Обучи модель прогнозирования временных рядов в блокноте notebooks/forecast.ipynb
- Настрой пайплайн подбора параметров для модели в src/ml/train.py

## Похожие
- [developer-kit-ai](https://affpapa.org/nevibecode/plugins/developer-kit-ai.md) — плагин · ★ 372 у репозитория
- [experiment-pipeline](https://affpapa.org/nevibecode/skills/experiment-pipeline.md) — скилл · 405 установок
- [optim-agent](https://affpapa.org/nevibecode/skills/optim-agent.md) — скилл · ★ 796 у репозитория
- [jupyter-notebook](https://affpapa.org/nevibecode/skills/jupyter-notebook.md) — скилл · 6100 установок
- [adaptive-wfo-epoch](https://affpapa.org/nevibecode/skills/adaptive-wfo-epoch.md) — скилл · 146 установок
- [jupyter-to-marimo](https://affpapa.org/nevibecode/skills/jupyter-to-marimo.md) — скилл · 3600 установок

Из того же набора: [ruvnet/agentic-flow](https://affpapa.org/nevibecode/by/ruvnet/agentic-flow.md) — 76 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
