Este repositorio contiene una selección curada de habilidades (skills) de Machine Learning, Ciencia de Datos y MLOps para el asistente de programación agentico Antigravity.
Está diseñado para servir como un espacio de trabajo atómico y autocontenido que optimiza el Token Budget durante el desarrollo de proyectos puramente de datos.
El repositorio incluye 30 elementos organizados de la siguiente manera:
- ml_theory_and_model_selection.md: Guía teórica centralizada sobre taxonomía de ML, clasificación y regresión, agrupamiento (clustering), reducción de dimensionalidad, arquitecturas de Deep Learning (CNN, LSTM, Transformers) y selección de métricas.
scikit-learn: Modelado predictivo y ML clásico (regresión, clasificación, bosques aleatorios, SVM).ml-engineer: Sistemas de Deep Learning en producción (PyTorch 2.x, TensorFlow, entrenamiento distribuido).data-scientist: Análisis exploratorio de datos (EDA), estadística aplicada e hipótesis.statsmodels: Modelado estadístico riguroso en Python.vector-database-engineer: Índices vectoriales y similitud semántica.rag-implementation: Ingesta y flujos RAG de extremo a extremo.rag-engineer: Patrones avanzados de arquitectura RAG.
polars: Manipulación rápida de datos con DataFrames de Polars.matplotlib: Generación de gráficos estáticos y curvas de aprendizaje.plotly: Visualizaciones dinámicas e interactivas.dbt-transformation-patterns: Ingeniería y modelado de datos modular con dbt.database-design: Diseño de esquemas de bases de datos relacionales y de almacenamiento.postgresql-optimization: Optimización de consultas SQL complejas e indexación.
ml-pipeline-workflow: Tuberías de automatización de MLOps de extremo a extremo.docker-expert: Contenedores reproducibles para modelos y runners.gitops-workflow: Despliegue continuo de microservicios de inferencia.observability-engineer: Observabilidad y detección de desviaciones de datos (data drift).grafana-dashboards: Monitoreo de salud e infraestructura.cost-optimization: Optimización de costes de almacenamiento e instancias GPU.
senior-architect&backend-architect: Estructuración de capas de datos y servicios.architecture-decision-records: Registro de trade-offs de diseño (ADRs).mermaid-expert: Diagramas de flujo y arquitectura en markdown.code-reviewer: Auditoría de calidad de código analítico.systematic-debugging: Depuración científica paso a paso de bugs complejos.planning-with-files: Gestión estructurada de hitos de experimentación.satori&explain-like-socrates: Frameworks cognitivos de razonamiento.
tdd-workflow: Desarrollo Guiado por Pruebas (TDD) para código desacoplado.python-testing-patterns: Pruebas de software en Python utilizandopytest.
Puedes copiar las skills de este repositorio a tu carpeta de configuración local de Antigravity:
C:\Users\<tu-usuario>\.gemini\config\skills
Y agregarlas a tu archivo $whitelist en tu script de filtrado para mantenerlas siempre activas durante tus sesiones de Ciencia de Datos.