Machine Learning

torchdrug es un toolkit nativo de PyTorch para machine learning molecular y de proteínas. Usa la skill de torchdrug para elegir tareas, datasets y modelos modulares para redes neuronales de grafos, modelado de proteínas, razonamiento sobre grafos de conocimiento, generación molecular y retrosíntesis. Es la mejor opción para desarrollar modelos a medida y trabajar con configuraciones reproducibles, no solo para demos cerradas.

Guía de torch-geometric para redes neuronales gráficas con PyTorch Geometric. Úsala para ayuda de instalación de torch-geometric, uso de torch-geometric, clasificación de grafos, clasificación de nodos, predicción de enlaces, grafos heterogéneos, capas `MessagePassing` personalizadas y escalado de GNN en flujos de trabajo de Machine Learning.

La skill de transformers te ayuda a usar Hugging Face Transformers para cargar modelos, hacer inferencia, tokenizar y realizar fine-tuning. Es una guía práctica de transformers para tareas de Machine Learning en texto, visión, audio y flujos multimodales, con rutas claras para crear baselines rápidas y entrenar modelos a medida.

Guía de stable-baselines3 para flujos de trabajo de Machine Learning: entrena agentes de RL, conecta entornos Gymnasium y elige PPO, SAC, DQN, TD3, DDPG o A2C con menos incertidumbre. Es ideal para aprendizaje por refuerzo estándar de agente único, prototipado rápido y un uso práctico de stable-baselines3.

Skill de shap para interpretabilidad de modelos y IA explicable. Úsalo para entender predicciones, calcular atribuciones de características, elegir gráficos de SHAP y depurar el comportamiento del modelo en análisis de datos, tanto en modelos de árboles, lineales, de deep learning como de caja negra.

scvi-tools es un framework de Python para el análisis probabilístico de datos de célula única. Usa esta skill de scvi-tools para corrección de lotes, embeddings latentes, expresión diferencial con incertidumbre, transfer learning e integración multimodal. Encaja especialmente bien en flujos de trabajo de RNA-seq de célula única, ATAC, CITE-seq, multiome y espacial, sobre todo en casos de uso avanzados de Machine Learning.

scvelo es una skill en Python para el análisis de RNA velocity en datos de RNA-seq de célula única. Úsala para estimar transiciones entre estados celulares a partir de mRNA no empalmado y empalmado, inferir la dirección de las trayectorias, calcular tiempo latente e identificar genes impulsores. Es especialmente útil para scvelo en análisis de datos cuando necesitas direccionalidad más allá del clustering estándar o del pseudotiempo.

Skill de scikit-survival para análisis de supervivencia y modelado de tiempo hasta el evento en Python. Usa esta guía para datos censurados, modelos de Cox, bosques aleatorios de supervivencia, gradient boosting, Survival SVM y métricas de supervivencia como el índice de concordancia y el puntaje de Brier.

scikit-learn te ayuda a crear flujos de trabajo clásicos de machine learning en Python. Usa este skill de scikit-learn para clasificación, regresión, clustering, preprocesado, evaluación de modelos, ajuste de hiperparámetros y pipelines. Es una guía práctica de scikit-learn para datos tabulares y desarrollo repetible de modelos.