notebook-ml-architect

| audit | Analyze notebook for anti-patterns, leakage, reproducibility issues | | refactor | Transform notebook into modular Python pipeline | | template | Generate new notebook from EDA/classification/experiment template | | report | Create markdown summary from executed notebook | | convert | Extract Python script from notebook |

Step 1: Identify Sections Look for markdown headers that indicate logical sections:

Step 2: Extract Functions Convert repeated or complex cell code into functions:

Guida esperta per il controllo, il refactoring e la progettazione di notebook Jupyter di machine learning con modelli di qualità della produzione. Utilizzare quando: (1) analizzare la struttura del notebook e identificare anti-pattern, (2) rilevare perdite di dati e problemi di riproducibilità, (3) refactoring di notebook disordinati in pipeline modulari, (4) generare modelli per flussi di lavoro ML (EDA, classificazione, esperimenti), (5) aggiungere strumentazione di riproducibilità (seeding, logging, env capture), (6) convertire notebook in script Python, (7) generare report di riepilogo degli esperimenti. Trigger su: notebook ML, audit Jupyter, refactoring del notebook, perdita di dati, modello di esperimento, best practice ipynb, notebook su script, riproducibilità. Fonte: bjornmelin/dev-skills.