Machine Learning

torchdrug est une boîte à outils native PyTorch pour le machine learning des molécules et des protéines. Utilisez le skill torchdrug pour choisir les tâches, les jeux de données et les modèles modulaires dédiés aux graph neural networks, à la modélisation des protéines, au raisonnement sur les knowledge graphs, à la génération moléculaire et à la rétrosynthèse. Il convient surtout au développement de modèles sur mesure et à des configurations reproductibles, pas seulement à des démonstrations prêtes à l’emploi.

Guide du skill torch-geometric pour les réseaux de neurones graphiques PyTorch Geometric. Utilisez-le pour l’aide à l’installation de torch-geometric, l’utilisation de torch-geometric, la classification de graphes, la classification de nœuds, la prédiction de liens, les graphes hétérogènes, les couches MessagePassing personnalisées et la mise à l’échelle des GNN dans des workflows de Machine Learning.

Le skill transformers vous aide à utiliser Hugging Face Transformers pour le chargement de modèles, l’inférence, la tokenisation et le fine-tuning. C’est un guide pratique de transformers pour les tâches de machine learning, couvrant le texte, la vision, l’audio et les workflows multimodaux, avec des parcours clairs pour démarrer vite avec une base simple ou aller vers un entraînement personnalisé.

Guide du skill stable-baselines3 pour les workflows de Machine Learning : entraînez des agents RL, connectez des environnements Gymnasium et choisissez entre PPO, SAC, DQN, TD3, DDPG ou A2C avec moins d’hésitation. Idéal pour le reinforcement learning mono-agent standard, le prototypage rapide et une utilisation concrète de stable-baselines3.

Skill shap pour l’interprétabilité des modèles et l’IA explicable. Utilisez-le pour comprendre les prédictions, calculer les attributions de variables, choisir les graphiques SHAP et déboguer le comportement des modèles pour l’analyse de données sur les modèles d’arbres, linéaires, de deep learning et de type boîte noire.

scvi-tools est un framework Python pour l’analyse probabiliste de données single-cell. Utilisez ce skill scvi-tools pour la correction de batch, les embeddings latents, l’expression différentielle avec incertitude, le transfert d’apprentissage et l’intégration multimodale. Il convient particulièrement aux workflows single-cell RNA-seq, ATAC, CITE-seq, multiome et spatiaux, surtout pour des cas d’usage avancés en Machine Learning.

scvelo est une compétence Python dédiée à l’analyse de la vélocité ARN dans les données de séquençage RNA-seq à cellule unique. Utilisez-la pour estimer les transitions d’état cellulaire à partir des ARNm épissés et non épissés, inférer la direction des trajectoires, calculer le temps latent et identifier les gènes moteurs. Elle est particulièrement utile pour l’analyse de données avec scvelo lorsque vous avez besoin d’une information directionnelle au-delà du clustering standard ou du pseudotemps.

Skill scikit-survival pour l’analyse de survie et la modélisation du temps avant événement en Python. Utilisez ce guide pour les données censurées, les modèles de Cox, les forêts de survie aléatoires, le gradient boosting, les Survival SVM et des métriques de survie comme l’indice de concordance et le score de Brier.

scikit-learn vous aide à construire des workflows de machine learning classique en Python. Utilisez ce skill scikit-learn pour la classification, la régression, le clustering, le prétraitement, l’évaluation des modèles, le réglage des hyperparamètres et les pipelines. C’est un guide pratique scikit-learn pour les données tabulaires et le développement reproductible de modèles.