von K-Dense-AI
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.
von K-Dense-AI
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.
von K-Dense-AI
Die transformers-Skill hilft dir bei der Nutzung von Hugging Face Transformers für Modellladen, Inferenz, Tokenisierung und Fine-Tuning. Sie ist ein praxisnaher transformers-Leitfaden für Machine-Learning-Aufgaben über Text-, Bild-, Audio- und multimodale Workflows hinweg, mit klaren Wegen für schnelle Baselines und eigenes Training.
von K-Dense-AI
Der stable-baselines3 Skill-Guide für Machine-Learning-Workflows: RL-Agents trainieren, Gymnasium-Umgebungen anbinden und zwischen PPO, SAC, DQN, TD3, DDPG oder A2C mit weniger Rätselraten wählen. Am besten geeignet für klassisches Single-Agent-Reinforcement-Learning, schnelles Prototyping und den praktischen Einsatz von stable-baselines3.
von K-Dense-AI
shap Skill für Modellinterpretierbarkeit und Explainable AI. Verwenden Sie ihn, um Vorhersagen zu verstehen, Feature-Attributions zu berechnen, SHAP-Plots auszuwählen und das Modellverhalten in der Datenanalyse für Tree-, lineare, Deep-Learning- und Black-Box-Modelle zu debuggen.
von K-Dense-AI
scvi-tools ist ein Python-Framework für probabilistische Single-Cell-Analysen. Verwenden Sie diesen scvi-tools Skill für Batch-Korrektur, latente Embeddings, differentielle Expression mit Unsicherheit, Transfer Learning und multimodale Integration. Er eignet sich besonders gut für Single-Cell-RNA-seq-, ATAC-, CITE-seq-, Multiome- und Spatial-Workflows, vor allem bei fortgeschrittenen Machine-Learning-Anwendungsfällen.
von K-Dense-AI
scvelo ist ein Python-Skill für die RNA-Velocity-Analyse in Single-Cell-RNA-seq-Daten. Nutzen Sie ihn, um Zellzustandsübergänge aus ungespleißter und gespleißter mRNA zu schätzen, die Richtung von Trajektorien abzuleiten, die latente Zeit zu berechnen und Treiber-Gene zu identifizieren. Besonders hilfreich ist scvelo für Data Analysis, wenn Sie mehr Richtungsinformation benötigen als bei klassischem Clustering oder Pseudotime.
von K-Dense-AI
scikit-survival Skill für Survival Analysis und Time-to-Event-Modellierung in Python. Nutzen Sie diesen Leitfaden für zensierte Daten, Cox-Modelle, Random Survival Forests, Gradient Boosting, Survival SVMs und Überlebensmetriken wie den Concordance Index und den Brier Score.
von K-Dense-AI
scikit-learn hilft Ihnen, klassische Machine-Learning-Workflows in Python aufzubauen. Nutzen Sie diese scikit-learn-Skill für Klassifikation, Regression, Clustering, Vorverarbeitung, Modellauswertung, Hyperparameter-Tuning und Pipelines. Sie ist ein praxisnaher scikit-learn-Leitfaden für tabellarische Daten und reproduzierbare Modellentwicklung.
