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.
von K-Dense-AI
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.
von K-Dense-AI
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.
von K-Dense-AI
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.
