von Shubhamsaboo
visualization-expert ist eine schlanke Skill für Diagrammauswahl, Best Practices der Datenvisualisierung und Beispielcode mit matplotlib oder plotly. Sie hilft dabei, passendere Diagramme zu wählen, Dashboards zu beurteilen und klare, barrierearme Visualisierungsrichtlinien aus einer einzelnen SKILL.md-Datei anzuwenden.
von K-Dense-AI
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.
von K-Dense-AI
qutip ist eine Python-Skill für Quantensimulation in der Physik und eignet sich für offene Quantensysteme, Dissipation, Zeitentwicklung und Quantenoptik. Nutzen Sie diesen qutip-Leitfaden für Mastergleichungen, Lindblad-Dynamik, Dekohärenz, Cavity QED, Simulationen von Zuständen und Operatoren sowie Beispiele aus Scientific Python. Nicht geeignet für schaltungsbasierte Quantencomputer.
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
Seaborn ist ein seaborn-Skill für statistische Visualisierung in Python mit pandas-freundlichen Eingaben und starken Standardwerten. Verwenden Sie ihn für schnelles Explorieren von Verteilungen, Zusammenhängen, kategorialen Vergleichen, Boxplots, Violinplots, Pairplots und Heatmaps. Auf matplotlib aufgebaut, für statische, publikationsreife Diagramme.
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.
von K-Dense-AI
scientific-visualization ist eine Meta-Skill für publikationsreife Abbildungen. Verwenden Sie sie für Plots zur Zeitschrifteneinreichung mit mehrteiligen Layouts, Signifikanzmarkierungen, Fehlerbalken, farbenblind-sicheren Paletten und Nature/Science/Cell-ähnlicher Formatierung. Sie orchestriert matplotlib, seaborn und plotly für wissenschaftliche Visualisierung im Bereich Data Visualization.
von K-Dense-AI
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.
von K-Dense-AI
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.
von K-Dense-AI
geopandas-Skill für die georäumliche Analyse von Vektordaten in Python, inklusive Shapefiles, GeoJSON- und GeoPackage-Dateien. Damit können Sie räumliche Daten lesen, bereinigen, zusammenführen, puffern, zuschneiden, reprojizieren und exportieren – mit weniger Rätselraten.
