Machine Learning

optimize-for-gpu ayuda a convertir Python limitado por CPU en código para GPU NVIDIA con la elección correcta de librería. Úsalo para arrays, dataframes, pipelines de ML, análisis de grafos, imágenes, trabajo geoespacial, búsqueda vectorial y kernels personalizados. Orienta decisiones sobre CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA y Warp, con uso práctico de optimize-for-gpu y consejos de migración.

hypogenic es una skill para generar y probar hipótesis sobre conjuntos de datos tabulares o derivados de texto con apoyo de LLM. Ayuda con hypogenic para análisis de datos al convertir preguntas empíricas en flujos de trabajo estructurados y comprobables para interpretación de clasificaciones, análisis de contenido y detección de engaños. Úsala cuando necesites hipótesis respaldadas por evidencia, no solo lluvia de ideas.

diffdock es una skill de docking para predecir poses de unión proteína-ligando a partir de estructuras PDB o de secuencias de proteína junto con ligandos en SMILES, SDF o MOL2. Usa la skill diffdock para diseño de fármacos basado en estructura, cribado virtual y análisis de poses con puntuación de confianza. No sirve para predecir afinidad de unión.

pytdc es una skill para Therapeutics Data Commons, que ofrece conjuntos de datos y benchmarks listos para IA para descubrimiento de fármacos en ADME, toxicidad, DTI, DDI, generación, divisiones scaffold y predicción farmacológica.

Skill de pytorch-lightning para organizar proyectos de PyTorch con `LightningModules` y `Trainers`. Usa esta guía de pytorch-lightning para instalación, entrenamiento, validación, logging, checkpointing y ejecución distribuida en flujos de trabajo multi-GPU o TPU.

pymoo es una skill de Python para optimización de uno y varios objetivos, frentes de Pareto, problemas con restricciones y pruebas de referencia. Usa esta guía de pymoo para elegir algoritmos como NSGA-II, NSGA-III y MOEA/D, seguir el flujo de instalación y uso, y aplicar pymoo en análisis de datos cuando haya que equilibrar varias métricas.

PyHealth te ayuda a crear pipelines de deep learning clínico y de salud con un flujo de trabajo Dataset → Task → Model → Trainer → Metrics. Usa esta skill de PyHealth para MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, predicción, recomendación de fármacos, staging del sueño, codificación ICD, eventos de EEG y mapeo de códigos médicos.

pufferlib es una skill de aprendizaje por refuerzo de alto rendimiento para simulación paralela rápida, rollouts vectorizados y entrenamiento multiagente. Usa esta guía de pufferlib para instalarlo, entender cómo se utiliza pufferlib y adaptar pipelines de RL con Gymnasium, PettingZoo, Atari, Procgen o entornos al estilo NetHack. Ideal para generación de código centrada en alto rendimiento y flujos de PPO escalables.

molfeat es una skill de featurización molecular para ML y análisis de datos. Ayuda a convertir moléculas SMILES o de RDKit en fingerprints, descriptores y embeddings preentrenados para QSAR, cribado virtual, búsqueda de similitud y análisis del espacio químico. Usa esta guía de molfeat para elegir representaciones prácticas y crear pipelines de featurización reutilizables.

geniml es una skill para aprendizaje automático con intervalos genómicos sobre archivos BED, salidas de scATAC-seq y datos de accesibilidad de cromatina. Úsala para Region2Vec, BEDspace, scEmbed, picos consenso y otros flujos de trabajo de ML a nivel de región. Es una buena opción cuando necesitas embeddings, clustering o guía de preprocesamiento para regiones genómicas.

Skill de esm para modelos de lenguaje de proteínas, incluida la generación con ESM3 y los embeddings de ESM C. Usa esta guía de esm para diseño de secuencias de proteínas, folding inverso, predicción de función y flujos de trabajo de generación de código con inferencia local o la API de Forge.

Skill de cellxgene-census para consultar programáticamente el CELLxGENE Census. Úsalo para explorar datos de expresión, metadatos, embeddings y patrones entre conjuntos de datos a través de tejidos, enfermedades y tipos celulares. Es ideal para análisis de célula única a escala poblacional y comparaciones con atlas de referencia; para tus propios datos, usa scanpy o scvi-tools.

aeon es una herramienta de Python compatible con scikit-learn para machine learning de series temporales. Úsala para clasificación, regresión, clustering, pronóstico, detección de anomalías, segmentación, búsqueda de similitud y otros flujos de trabajo con datos temporales. Encaja tanto en análisis univariados como multivariados cuando necesitas métodos especializados más allá del ML tabular genérico.

detecting-deepfake-audio-in-vishing-attacks ayuda a los equipos de seguridad a analizar audio en busca de voz generada por IA en casos de vishing, fraude y suplantación de identidad. Extrae características espectrales y basadas en MFCC, puntúa muestras sospechosas y genera un informe de estilo forense para su revisión. Es ideal para flujos de trabajo de auditoría de seguridad y respuesta a incidentes.

Detecta el compromiso de correo empresarial con IA usando NLP, estilometría, señales de comportamiento y contexto relacional. Este skill de detección de compromiso de correo empresarial con IA ayuda a equipos de SOC, fraude y auditoría de seguridad a puntuar correos sospechosos, explicar las señales de riesgo y decidir si ponerlos en cuarentena, advertir o escalar el caso.