Decision-Grade Data Science

Es una colección de 7 skills con una idea muy clara: que la IA no te dé un resultado bonito pero falso. Antes de aceptar cualquier análisis, obliga a pasar por una cadena de controles: auditar los datos, diseñar bien el experimento, validar de forma independiente, diagnosticar fallos y entregar algo reproducible.

Piénsalo como un revisor de calidad de datos: no hace el trabajo por ti, pero se asegura de que cada paso sea honesto y comprobable antes de dar por bueno un resultado.

Las 7 skills:

El flujo: contrato de decisión → auditar datos → base sin trampas → experimentos controlados → validación independiente → diagnóstico → reproducción.

Filosofía: "de datos desordenados a decisiones defendibles". Es para trabajo donde un notebook bonito o una puntuación alta no basta.

Cuando un análisis tiene consecuencias reales (decisiones de negocio, informes):

• "Analiza estos datos, pero con rigor" → el orquestador.
• "¿Mis datos tienen algún problema?" → auditing-data-and-ground-truth.
• "¿Este modelo hace trampa?" → designing-leakage-safe-experiments.
• "No me fío del resultado" → validating-models-and-claims.
• "El modelo falla, ¿por qué?" → diagnosing-ml-failures.

Sí, si tus análisis importan y no quieres llevarte sorpresas desagradables.

No te sirve si solo buscas una exploración rápida o no trabajas con datos. Además, es más popular como método que como repo (pocas estrellas): su valor es la disciplina que aporta.

Veredicto: ✅ SÍ, es limpia.

• Qué es: 7 skills en markdown (instrucciones y plantillas). Los scripts son de pruebas internas del propio proyecto (evals), no de la skill.
• Sin acceso a datos ni permisos de más: el propio SECURITY.md lo deja claro: "estas skills dan instrucciones y plantillas; no conceden permiso para acceder a datos, ejecutar trabajos costosos, modificar producción ni publicar resultados".
• Sin telemetría.
• Licencia: MIT. Repo pequeño pero con SECURITY.md, tests, evals y changelog: señales de seriedad.

• Auditar la calidad de tus datos y etiquetas.
• Diseñar experimentos sin trampas.
• Validar modelos y conclusiones.
• Diagnosticar por qué falla un modelo.
• Entregar resultados reproducibles.
• Poner orden en un proyecto de datos ambiguo.

Copia la carpeta skills/* a .agents/skills/ de tu asistente (o instálalas como skills estándar de markdown).

• Repositorio: https://github.com/aiopshwang/data-analysis-ml-agent-skills
• Metodología: docs/methodology.md en el repo