Jupyter

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.

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.

Die statsmodels-Skill hilft Ihnen, statsmodels für die Datenanalyse in Python zu nutzen, wenn Sie statistische Modelle, Inferenz und Diagnostik brauchen. Sie eignet sich für OLS, GLM, diskrete Outcomes, Zeitreihen und Mixed Models, inklusive Koeffiziententabellen, p-Werten, Konfidenzintervallen und Annahmenprüfungen. Nutzen Sie diesen statsmodels-Leitfaden für Ökonometrie, Prognosen und belastbare Berichte.

Die statistical-analysis-Skill hilft dir, belastbare Tests für Data Analysis auszuwählen, durchzuführen und sauber zu berichten – inklusive Annahmen, Effektstärken, Power und APA-konformer Ergebnisse. Sie eignet sich für akademische Forschung, Experimente und Beobachtungsstudien, wenn die Wahl des passenden Tests und eine klare Ergebnisdarstellung wichtiger sind als das Coden eines bestimmten Modells.

scanpy-Skill für die Analyse von Single-Cell-RNA-seq-Daten in Python. Geeignet für QC, Normalisierung, PCA, UMAP/t-SNE, Clustering, Markergen-Analyse, Trajektorienanalyse und Plots in Publikationsqualität. Am besten für explorative scRNA-seq-Workflows rund um AnnData, mit klaren Hinweisen zur Nutzung von scanpy und zur Installation.

matplotlib-Skill für Python-Plots mit voller Kontrolle über Achsen, Beschriftungen, Legenden, Layouts und Exportformate. Nutze ihn für wissenschaftliche Abbildungen, mehrteilige Analysen, benutzerdefinierte Diagrammtypen und reproduzierbare Visualisierungen, wenn du mehr Präzision brauchst als ein generischer Chart-Prompt bietet. Ein starker matplotlib-Leitfaden für Data Analysis und publikationsreife Plots.

Die matlab-Skill hilft dir dabei, MATLAB- oder GNU-Octave-Code für Matrixoperationen, Datenanalyse, Visualisierung, Statistik, Optimierung und wissenschaftliches Rechnen zu erstellen, zu debuggen und anzupassen. Nutze sie für lauffähige MATLAB-Beispiele, MATLAB für Datenanalyse, die Übersetzung von MATLAB nach Python oder Octave-kompatible Skripte, wenn du weniger Herumprobieren willst als mit einem allgemeinen Prompt.

labarchive-integration unterstützt bei Workflows mit der LabArchives REST API für den Zugriff auf Notizbücher, Einträge, Anhänge, Backups, Berichte und Integrationen mit Protocols.io, Jupyter und REDCap. Verwenden Sie dieses labarchive-integration Skill für API-Entwicklung, wenn Sie praxisnahe Hilfe zu Anmeldedaten, Konfiguration und wiederholbarer ELN-Automatisierung benötigen.

imaging-data-commons hilft dir, öffentliche Krebs-Bilddaten aus dem NCI Imaging Data Commons mit `idc-index` abzufragen und herunterzuladen. Nutze es für imaging-data-commons-Anwendungen über CT-, MR-, PET- und Pathologie-Datensätze hinweg, einschließlich Metadatensuche, Browser-Vorschau, Lizenzprüfung sowie Workflows für KI-Training oder Datenanalyse. Keine Authentifizierung erforderlich.

gget ist eine Bioinformatik-Skill für den schnellen, einheitlichen Zugriff auf mehr als 20 genomische Datenbanken und Analysewerkzeuge über CLI oder Python. Nutzen Sie ihn für Geninformationen, BLAST-nahe Abfragen, AlphaFold-Strukturen, Expressionsdaten, Krankheitsassoziationen und Analysen im Stil von Enrichment-Workflows. Er eignet sich für schnelle Exploration und für gget in Data-Analysis-Workflows.

Die exploratory-data-analysis-Skill verwandelt wissenschaftliche Dateien in formatbewusste EDA-Berichte. Sie erkennt den Dateityp, fasst Struktur und Qualität zusammen, extrahiert wichtige Metadaten und schlägt Folgeanalysen vor. Nutzen Sie sie für exploratory-data-analysis zur Datenanalyse in Chemie, Bioinformatik, Mikroskopie, Spektroskopie, Proteomik, Metabolomik und anderen wissenschaftlichen Dateiformaten.

astropy ist ein Python-Toolkit für Astronomie- und Astrophysik-Workflows. Nutzen Sie diese astropy Skill für Himmelskoordinaten, Einheiten, FITS-Dateien, Zeitskalen, Tabellen, WCS, Kosmologie und astropy für die Datenanalyse. Es hilft bei praktischen Astronomieaufgaben wie Koordinatentransformationen, Einheitenumrechnung und Datenverarbeitung.

Das jupyter-notebook Skill hilft dir dabei, .ipynb-Notebooks für Experimente, Tutorials und Datenanalysen zu erstellen, umzustrukturieren und sauber zu gliedern. Es nutzt mitgelieferte Vorlagen und den Helper `new_notebook.py`, um klare Abschnitte, ausführbare Zellen und weniger JSON-Fehler in reproduzierbaren Notebooks zu erzeugen.