Data Analysis

social-graph-ranker ist die gewichtete Graph-Ranking-Schicht für die Entdeckung warmer Vorstellungen, Bridge-Scoring und die Analyse von Lücken im Netzwerk über X und LinkedIn hinweg. Verwenden Sie die social-graph-ranker Skill, wenn Sie eine wiederverwendbare Ranking-Engine für Lead Research benötigen, nicht einen vollständigen Outbound- oder Netzwerkpflege-Workflow.

regex-vs-llm-structured-text Skill zur Auswahl von Regex oder LLM bei der Extraktion strukturierter Texte. Starte mit deterministischem Parsen, ergänze LLM-Validierung für grenzwertige Unsicherheitsfälle und nutze eine günstigere, zuverlässigere Pipeline für Dokumente, Formulare, Rechnungen und Datenanalysen.

clickhouse-io ist eine auf ClickHouse spezialisierte Skill für Schemadesign, analytisches SQL, Ingestion-Muster und Performance-Tuning. Nutzen Sie sie, um MergeTree-Entscheidungen, Partitionierung, materialisierte Sichten und die workload-spezifische Abfrageoptimierung gezielt zu steuern.

data-analyst ist ein schlankes GitHub-Skill, das Agents bei SQL, pandas und grundlegender statistischer Analyse für die Datenexploration anleitet. Am besten geeignet für Nutzer, die codegestützte Abfragen, Transformationen und Interpretationen aus einer einzigen SKILL.md-Prompt-Schicht erhalten möchten.

retro ist eine Retro-Skill für Engineering-Teams. Sie analysiert Commit-Verlauf, Arbeitsmuster und frühere Erkenntnisse, um ein strukturiertes wöchentliches Retro mit Kontinuität zu erstellen. Nutze retro für Sprint-Reviews, Fragen wie „Was haben wir geliefert?“ und Check-ins im Project Management.

startup-metrics-framework unterstützt Gründer, Analysten und operative Teams dabei, Startup-KPIs wie CAC, LTV, Burn Multiple, Runway und Wachstumskennzahlen für SaaS-, Marketplace-, Consumer- und B2B-Startups zu berechnen.

Nutze die market-sizing-analysis Skill, um strukturierte TAM-, SAM- und SOM-Schätzungen mit Top-down-, Bottom-up- und Value-Theory-Methoden zu erstellen. Behandelt Einsatzkontext, wichtige Dateien, Eingaben, Workflow und die praktische Nutzung für Startup-Marktgrößenanalysen und Data Analysis.

startup-financial-modeling unterstützt Agents beim Aufbau von 3- bis 5-jährigen Finanzmodellen für Startups – mit Cohort-Umsätzen, Kostenstruktur, Burn, Runway und Fundraising-Szenarien. Besonders geeignet für Gründer:innen und Finance-Verantwortliche, die vor der Installation Kontext, klare Eingaben und praxisnahe Nutzungshinweise aus der SKILL.md brauchen.

risk-metrics-calculation unterstützt bei der Berechnung von Portfoliorisikokennzahlen wie VaR, CVaR, Sharpe, Sortino, Beta, Volatilität und Drawdown. Damit lassen sich Renditereihen in strukturiertes Risikoreporting, Python-Umsetzungsmuster und praxisnahe Interpretationen für Finance-Workflows überführen.

Die Skill backtesting-frameworks unterstützt bei der Konzeption und Prüfung von Backtests für Handelsstrategien mit stärkeren Kontrollen gegen Look-ahead Bias, Survivorship Bias, Overfitting, Transaktionskosten und Walk-forward-Validierung im Finanzbereich.

spark-optimization ist ein praxisnaher Leitfaden, um langsame Apache-Spark-Jobs zu analysieren – mit Fokus auf Partitionierung, Shuffle, Skew, Caching und Speicher-Tuning. Nutzen Sie ihn, um die Skill aus wshobson/agents zu installieren, `SKILL.md` zu lesen und auf Basis von Symptomen in der Spark UI, Cluster-Einstellungen und Query-Mustern fundierte Optimierungen abzuleiten.

torchdrug ist ein PyTorch-nahes Toolkit für maschinelles Lernen mit Molekülen und Proteinen. Nutzen Sie den torchdrug Skill, um Tasks, Datensätze und modulare Modelle für Graph Neural Networks, Proteinmodellierung, Knowledge-Graph-Reasoning, Molekülgenerierung und Retrosynthese auszuwählen. Am besten geeignet für die Entwicklung eigener Modelle und reproduzierbare Konfigurationen, nicht nur für vorgefertigte Demos.

torch-geometric Skill-Guide für PyTorch Geometric Graph Neural Networks. Nutzen Sie ihn für Hilfe bei der Installation von torch-geometric, zur Anwendung von torch-geometric, für Graphklassifikation, Node-Klassifikation, Link Prediction, heterogene Graphen, benutzerdefinierte MessagePassing-Layer und das Skalieren von GNNs in Machine-Learning-Workflows.

Nutze die sympy-Skill für exakte symbolische Mathematik in Python, einschließlich Algebra, Analysis, Matrizen, physikalischer Formeln, Zahlentheorie, Geometrie und Codegenerierung. Sie hilft dir, Ausdrücke exakt zu halten, die passenden SymPy-Module auszuwählen und typische Fehler durch zu viel Fließkommaarithmetik zu vermeiden. Besonders geeignet für alle, die einen praktischen sympy-Leitfaden für symbolische Workflows und sympy für Data Analysis suchen.

Die rdkit-Skill unterstützt präzise Cheminformatik-Workflows: SMILES, SDF, MOL, PDB und InChI parsen, Deskriptoren berechnen, Fingerprints erzeugen, Substruktursuche ausführen, Reaktionen handhaben und 2D-/3D-Koordinaten erstellen. Verwenden Sie diesen rdkit-Leitfaden für erweiterte Kontrolle, benutzerdefinierte Sanitization und rdkit für Data-Analysis-Workflows.

qiskit ist eine IBM-Quantum-Computing-Skill für das Erstellen von Schaltkreisen, die Auswahl von Backends, das Transpilieren für Hardware und das Ausführen von Jobs auf Simulatoren oder IBM-Quantum-Geräten. Sie eignet sich besonders für qiskit-Anwendungen in Chemie, Optimierung und Machine Learning, vor allem wenn Sie praxisnahe Installations- und Ausführungshinweise brauchen statt einer rein theoretischen qiskit-Anleitung.

Open Notebook ist eine selbst gehostete, Open-Source-Research-Umgebung für Dokumentanalyse, Notizen, Chat mit Quellen, Suche und Zusammenfassungen im Podcast-Stil. Verwende die open-notebook skill, um Notizbücher zu organisieren, PDFs, Webseiten, Audio, Video und Office-Dateien zu importieren und private, API-first Workflows für Data Analysis zu unterstützen.

hypogenic ist ein Skill zum Generieren und Testen von Hypothesen auf tabellarischen oder aus Text abgeleiteten Datensätzen mit LLM-Unterstützung. Er unterstützt hypogenic für Data Analysis, indem er empirische Fragen in strukturierte, überprüfbare Workflows für Klasseninterpretation, Inhaltsanalyse und Täuschungserkennung übersetzt. Nutzen Sie ihn, wenn Sie evidenzgestützte Hypothesen brauchen und nicht nur Brainstorming.

Die hugging-science-Skill hilft dir, wissenschaftliche KI-Ressourcen aus dem Hugging Science-Katalog und der Hugging-Face-Organisation `hugging-science` zu finden und zu nutzen. Sie passt zu Biologie, Chemie, Klima, Genomik, Materialwissenschaften, Astronomie und ähnlichen Aufgaben, wenn du einen Datensatz, ein Modell, einen Space oder einen Blogbeitrag suchst, den du tatsächlich ausführen oder zitieren kannst. Nutze sie für hugging-science-Nutzung und hugging-science-Guide-Workflows statt für eine allgemeine Suche.

histolab ist ein Python-Skill für die Vorverarbeitung von Whole-Slide-Images in der digitalen Pathologie. Es unterstützt Gewebeerkennung, Tile-Extraktion und Farbnormalisierung für H&E-Schnitte und ist damit nützlich für das Aufbereiten von Datensätzen, schnelle kachelbasierte Analysen und schlanke Workflows zur Datenanalyse. Installiere und nutze histolab mit praxisnahen Hinweisen zu Masken, Tilern und Slide-Management.

diffdock ist ein Docking-Skill zur Vorhersage von Protein-Ligand-Bindungsposen aus PDB-Strukturen oder aus Proteinsequenzen plus Liganden in SMILES, SDF oder MOL2. Verwenden Sie den diffdock Skill für structure-based drug design, virtuelles Screening und Posenanalyse mit Konfidenzwertung. Er ist nicht für die Vorhersage der Bindungsaffinität gedacht.

dhdna-profiler extrahiert kognitive Muster und Denkfingerabdrücke aus Text oder Sprache. Nutzen Sie es, um zu analysieren, wie jemand denkt, entscheidet, Werte gewichtet und kommuniziert, Denkstile zu vergleichen oder die Frage „Wie ist mein Denkstil?“ zu beantworten. Besonders nützlich ist es für strukturierte Analysen, wiederholte Vergleiche und einen tieferen Einblick in den Geist hinter einem Text.

Die user-personas Skill erstellt 3 ausgearbeitete Personas auf Basis von Forschungsdaten mit JTBD, Pain Points, Gains und überraschenden Erkenntnissen. Nutze sie für user-personas in UX Research, Segmentierung, Onboarding-Strategien und Produktentscheidungen, wenn dir Umfragen, Interviews oder anderes Ausgangsmaterial vorliegen.

market-sizing hilft dabei, TAM, SAM und SOM mit Top-down- und Bottom-up-Methoden zu schätzen. Nutzen Sie es für Market-Research-Workflows, Marktentry-Entscheidungen, Investor-Decks und Launch-Planung, wenn Sie eine nachvollziehbare Argumentationskette, zu prüfende Annahmen und eine praxistaugliche erste Marktschätzung brauchen.