von affaan-m
pytorch-patterns hilft dir, PyTorch-Code mit geräteunabhängigen Mustern, reproduzierbaren Experimenten und explizitem Tensor-Handling zu schreiben, zu prüfen und zu debuggen. Nutze den pytorch-patterns Skill für sauberere Training-Loops, Modell-Refactorings und praxisnahe PyTorch-Hinweise.
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 huggingface
huggingface-vision-trainer hilft dir bei der Installation und Nutzung eines Hugging Face Skills für Vision-Trainingsjobs: Objekterkennung, Bildklassifikation und SAM/SAM2-Segmentierung. Abgedeckt werden Dataset-Vorbereitung, Cloud-GPU-Setup, Evaluation, Trackio-Logging und das Hochladen der Ergebnisse zum Hub. Ideal für Backend-Automatisierung und wiederholbare Trainings-Workflows.
von huggingface
huggingface-llm-trainer hilft dir, Sprach- und Vision-Modelle auf Hugging Face Jobs mit TRL oder Unsloth zu trainieren oder feinzujustieren. Nutze diese huggingface-llm-trainer Skill für SFT, DPO, GRPO, Reward Modeling, Dataset-Checks, GPU-Auswahl, Speichern auf dem Hub, Trackio-Monitoring und GGUF-Export in Backend-Entwicklungs-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
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
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.
von K-Dense-AI
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.
von K-Dense-AI
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.
von K-Dense-AI
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.
