# ml-pipeline

Плагин ml-pipeline проводит ML-задачу через строгий 16-шаговый процесс: от проверки данных до оценки модели. Он нужен, когда агент начинает обучение слишком рано.

- плагин · `type=plugin` · Claude Code, Codex · ★ 1596 у репозитория
- Автор: Jananthan Paramsothy
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/hashgraph-online/awesome-codex-plugins/tree/HEAD/plugins/jananthan30/ml-pipeline
- Обновлён: 2026-10-29
- Проверка безопасности: автоматическая, 2026-11-16 (текст и 2 файла скриптов) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/plugins/ml-pipeline

## Что делает

\`ml-pipeline` заставляет агента сначала изучить данные, определить задачу прогнозирования, сделать профиль и EDA, а затем подготовить выборки и перейти к модели. Процесс разделён на этапы с разрешениями: агент показывает результаты, графики и следующий шаг, после чего ждёт явного подтверждения. Работа ведётся в `marimo`, а графики `matplotlib` сохраняются в `ml_pipeline/figures/`.

Плагин отслеживает прогресс и одобрения в `ml_pipeline/PIPELINE.md`. В Claude Code хуки проверяют команды, записи файлов и изменения ноутбуков: они блокируют обучение до нужных разрешений, запрещают утечку через тестовую выборку и предупреждают о подозрительно хорошем показателе. Встроенные `guard.split()` и `guard.final_test()` учитывают временные и групповые данные, а тестовый набор разрешают оценить один раз. В Codex действуют те же правила через инструкции, но хуков нет. Без подтверждения Gate A обучение не запустится.

## Установка

### Claude Code (родная платформа)

**Через маркетплейс плагинов**
В чате агента (не в терминале):
```text
/plugin marketplace add hashgraph-online/awesome-codex-plugins
```
В чате агента (не в терминале):
```text
/plugin install ml-pipeline@awesome-codex-plugins
```

## Когда брать
- проверить сырые данные до обучения модели
- найти пропуски, дубликаты и признаки утечки
- разделить данные до feature engineering и preprocessing
- не допустить оценки на тестовой выборке раньше времени
- зафиксировать шаги и одобрения ML-эксперимента

## Примеры запросов агенту
- Запусти `/ml-pipeline` для задачи обучения модели на `data.csv`.
- Проведи ML-анализ через 16 шагов и остановись на каждом разрешении.
- Проверь, нет ли утечки данных, нарушений разбиения и преждевременного вызова `.fit()`.

## Похожие
- [ml-pipeline-workflow](https://affpapa.org/nevibecode/skills/ml-pipeline-workflow.md) — скилл · 11122 установки
- [cost-aware-llm-pipeline](https://affpapa.org/nevibecode/skills/cost-aware-llm-pipeline.md) — скилл · 6400 установок
- [recsys-pipeline-architect](https://affpapa.org/nevibecode/skills/recsys-pipeline-architect.md) — скилл · 4200 установок
- [tao-run-automl-deft-pipeline](https://affpapa.org/nevibecode/skills/tao-run-automl-deft-pipeline.md) — скилл · 1600 установок
- [deepstream-generate-pipeline](https://affpapa.org/nevibecode/skills/deepstream-generate-pipeline.md) — скилл · 791 установка
- [marketing-pipeline-share-ai-content-automation](https://affpapa.org/nevibecode/skills/marketing-pipeline-share-ai-content-automation.md) — скилл · 767 установок

Из того же набора: [hashgraph-online/awesome-codex-plugins](https://affpapa.org/nevibecode/by/hashgraph-online/awesome-codex-plugins.md) — 391 карточка

_Часть страницы не вошла по размеру — она есть в HTML-версии._

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