# databricks-ml-training

Скилл databricks-ml-training для обучения моделей машинного обучения на Databricks с поддержкой XGBoost, scikit-learn, LightGBM и PyTorch. Интегрирует MLflow, Unity Catalog и Feature Store для полного цикла от тренировки до batch-скоринга.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 354 установки · ★ 408 у репозитория
- Автор: databricks
- Лицензия: не указана · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/databricks/databricks-agent-skills/tree/HEAD/skills/databricks-ml-training/SKILL.md
- Обновлён: 2026-10-24
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/databricks-ml-training

## Что делает

Скилл нужен, чтобы запускать обучение моделей прямо на кластере Databricks вместо локального Python-процесса агента. Тренирует классификаторы и регрессоры с помощью XGBoost, scikit-learn, LightGBM или PyTorch, используя MLflow для отслеживания экспериментов и параметров. Модель регистрируется в Unity Catalog, откуда её можно применить для batch-скоринга через Spark UDF или для real-time сервинга через отдельный скилл `databricks-model-serving`.

Внутри скилла — поддержка гиперпараметрической оптимизации через Optuna, alias-версионирование моделей (`@prod`, `@challenger`), feature engineering с Feature Store (UC feature tables, point-in-time joins, materialize features, streaming Kafka features) и кастомные PyFunc модели. Нужна Databricks CLI версии 0.294.0 и выше; обучение всегда должно запускаться на кластере как serverless job, а не локально.

НЕ используй для управления endpoints (`databricks-model-serving`) и оценки моделей через MLflow evaluation (`databricks-mlflow-evaluation`) — для этого есть отдельные скиллы.

## Требования
- Работает с: Databricks

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ml-training -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/databricks-ml-training/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/databricks-ml-training/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ml-training -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/databricks-ml-training/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ml-training -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/databricks-ml-training/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install databricks/databricks-agent-skills skills/databricks-ml-training
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/databricks-ml-training/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ml-training -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/databricks/databricks-agent-skills --path skills/databricks-ml-training
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/databricks-ml-training/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ml-training -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/databricks/databricks-agent-skills/tree/HEAD/skills/databricks-ml-training/SKILL.md

## Когда брать
- обучить классификатор на таблицах Databricks с гиперпараметрической оптимизацией
- зарегистрировать модель в Unity Catalog и переключить версию продакшена через alias
- применить модель для batch-скоринга всех записей в Delta таблице
- построить feature pipeline с point-in-time joins и онлайн-сторе
- логировать эксперименты в MLflow с автоматической фиксацией кода и метрик

## Примеры запросов агенту
- Обучи XGBoost классификатор на таблице `silver_turbine_features` с Optuna гиперпараметрической оптимизацией и зарегистрируй в UC
- Запусти скоринг лучшей модели `ai_demo_gen.wind_farm.turbine_failure@prod` на всех новых записях и положи результаты в `gold_predictions`
- Создай feature view с rolling window агрегациями и примени к обучению с feature store backtracking

## Похожие
- [databricks-expert](https://affpapa.org/nevibecode/skills/databricks-expert.md) — скилл · 215 установок
- [data-engineering-patterns-fabric-databricks](https://affpapa.org/nevibecode/skills/data-engineering-patterns-fabric-databricks.md) — скилл · 1600 установок
- [databricks-2025](https://affpapa.org/nevibecode/skills/databricks-2025.md) — скилл · 168 установок
- [azure-databricks-platform-architect](https://affpapa.org/nevibecode/agents/azure-databricks-platform-architect.md) — субагент · ★ 6505 у репозитория
- [databricks](https://affpapa.org/nevibecode/rules/databricks.md) — правило · ★ 3589 у репозитория
- [databricks-cli](https://affpapa.org/nevibecode/plugins/databricks-cli.md) — плагин · ★ 1104 у репозитория

Из того же набора: [databricks/databricks-agent-skills](https://affpapa.org/nevibecode/by/databricks/databricks-agent-skills.md) — 30 карточек

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