Machine Learning

optimize-for-gpu hilft dabei, CPU-gebundenes Python mit der passenden Bibliothekswahl in NVIDIA-GPU-Code zu überführen. Geeignet für Arrays, DataFrames, ML-Pipelines, Graphanalyse, Bildverarbeitung, Geodaten, Vektorsuche und eigene Kernel. Das Skill unterstützt bei Entscheidungen rund um CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA und Warp und liefert praxisnahe Hinweise zur Nutzung von optimize-for-gpu sowie zur Migration.

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.

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.

pytdc ist eine Skill für Therapeutics Data Commons und stellt KI-taugliche Datensätze und Benchmarks für Drug Discovery bereit, darunter ADME, Toxizität, DTI, DDI, Generierung, Scaffold-Splits und pharmakologische Vorhersagen.

pytorch-lightning Skill zur Strukturierung von PyTorch-Projekten mit LightningModules und Trainers. Nutzen Sie diesen pytorch-lightning Leitfaden für Installation, Training, Validierung, Logging, Checkpointing und verteilte Ausführung über Multi-GPU- oder TPU-Workflows hinweg.

pymoo ist eine Python-Skill für Single- und Multi-Objective-Optimierung, Pareto-Fronten, Nebenbedingungen und Benchmark-Tests. Nutzen Sie diesen pymoo-Leitfaden, um Algorithmen wie NSGA-II, NSGA-III und MOEA/D auszuwählen, den Installations- und Nutzungsablauf nachzuvollziehen und pymoo für Data Analysis einzusetzen, wenn mehrere Kennzahlen gegeneinander abgewogen werden müssen.

pyhealth hilft dir, Deep-Learning-Pipelines für Klinik- und Gesundheitsdaten mit einem Dataset → Task → Model → Trainer → Metrics-Workflow aufzubauen. Nutze diesen pyhealth Skill für MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, Vorhersagen, Medikamentenempfehlungen, Sleep Staging, ICD-Codierung, EEG-Events und Medical Code Mapping.

pufferlib ist ein leistungsstarker Reinforcement-Learning-Skill für schnelle parallele Simulationen, vektorisierte Rollouts und Multi-Agent-Training. Nutzen Sie diesen pufferlib-Leitfaden, um pufferlib zu installieren, die Nutzung von pufferlib zu verstehen und RL-Pipelines mit Gymnasium-, PettingZoo-, Atari-, Procgen- oder NetHack-ähnlichen Umgebungen anzupassen. Ideal für Codegenerierung mit Fokus auf Durchsatz und skalierbare PPO-Workflows.

molfeat ist eine Skill für molekulare Featurisierung für ML und Data Analysis. Sie hilft dabei, SMILES oder RDKit-Moleküle in Fingerprints, Deskriptoren und vortrainierte Embeddings zu überführen – für QSAR, Virtual Screening, Similarity Search und die Analyse des chemischen Raums. Nutzen Sie diesen molfeat-Guide, um passende Repräsentationen auszuwählen und wiederverwendbare Featurization-Pipelines aufzubauen.

geniml ist ein Skill für Machine Learning mit genomischen Intervallen auf BED-Dateien, scATAC-seq-Ausgaben und Daten zur Chromatinzugänglichkeit. Nutzen Sie ihn für Region2Vec, BEDspace, scEmbed, Konsensus-Peaks und andere ML-Workflows auf Regionsebene. Er passt gut, wenn Sie Embeddings, Clustering oder Hinweise zur Vorverarbeitung für genomische Regionen benötigen.

esm-Skill für Proteinsprachmodelle, einschließlich ESM3-Generierung und ESM C-Embeddings. Verwenden Sie diesen esm-Leitfaden für Proteinsequenzdesign, inverses Folding, Funktionsvorhersage und Codegenerierungs-Workflows mit lokaler Inferenz oder der Forge API.

cellxgene-census-Skill zum programmgesteuerten Abfragen des CELLxGENE Census. Damit lassen sich Expressionsdaten, Metadaten, Embeddings und Muster über Datensätze hinweg in Geweben, Krankheiten und Zelltypen erkunden. Besonders geeignet für Single-Cell-Analysen auf Populationsebene und Vergleiche mit Referenzatlanten; für eigene Daten sind scanpy oder scvi-tools die bessere Wahl.

aeon ist eine mit scikit-learn kompatible Python-Skill für Machine Learning mit Zeitreihen. Verwende sie für Klassifikation, Regression, Clustering, Forecasting, Anomalieerkennung, Segmentierung, Similarity Search und andere Workflows mit zeitlichen Daten. Sie eignet sich für univariate und multivariate Analysen, wenn du spezielle Verfahren brauchst, die über generisches tabellarisches ML hinausgehen.

detecting-deepfake-audio-in-vishing-attacks unterstützt Security-Teams dabei, Audio in Fällen von Vishing, Betrug und Identitätsmissbrauch auf KI-generierte Sprache zu analysieren. Das Skill extrahiert spektrale und MFCC-basierte Merkmale, bewertet verdächtige Samples und erstellt einen forensisch anmutenden Bericht zur Prüfung. Ideal für Security-Audit- und Incident-Response-Workflows.

Erkenne Business Email Compromise mit KI mithilfe von NLP, Stilometrie, Verhaltenssignalen und Beziehungskontext. Dieser detecting-business-email-compromise-with-ai Skill hilft SOC-, Fraud- und Security-Audit-Teams dabei, verdächtige E-Mails zu bewerten, Risikosignale zu erklären und zu entscheiden, ob sie in Quarantäne verschoben, gewarnt oder eskaliert werden sollen.