Jupyter

Open Notebook est un espace de recherche auto-hébergé et open source pour l’analyse de documents, la prise de notes, le chat avec sources, la recherche et les résumés façon podcast. Utilisez le skill open-notebook pour organiser des notebooks, ingérer des PDF, des pages web, de l’audio, de la vidéo et des fichiers Office, et prendre en charge des workflows privés orientés API pour l’analyse de données.

histolab est une skill Python dédiée au prétraitement des images en lame entière (WSI) en pathologie numérique. Elle prend en charge la détection de tissu, l’extraction de tuiles et la normalisation des colorations pour les lames H&E, ce qui la rend utile pour la préparation de jeux de données, l’analyse rapide par tuiles et des workflows légers d’analyse de données. Installez et utilisez histolab avec des conseils pratiques sur les masques, les tilers et la gestion des lames.

Le skill statsmodels vous aide à utiliser statsmodels pour l’analyse de données en Python quand vous avez besoin de modèles statistiques, d’inférence et de diagnostics. Il prend en charge l’ajustement de modèles OLS, GLM, pour variables discrètes, séries temporelles et modèles mixtes, avec tableaux de coefficients, p-values, intervalles de confiance et vérifications d’hypothèses. Utilisez ce guide statsmodels pour l’économétrie, la prévision et un reporting solide et défendable.

La compétence statistical-analysis vous aide à choisir, exécuter et présenter des tests défendables pour l’analyse de données, notamment les hypothèses, les tailles d’effet, la puissance statistique et les résultats au format APA. Utilisez-la pour la recherche universitaire, les expérimentations et les études observationnelles lorsque le choix du test et la clarté du compte rendu comptent davantage que le codage d’un modèle précis.

skill scanpy pour l’analyse de données RNA-seq single-cell en Python. Utilisez-le pour le contrôle qualité, la normalisation, la PCA, UMAP/t-SNE, le clustering, l’identification de gènes marqueurs, l’analyse de trajectoire et des graphiques de qualité publication. Idéal pour les workflows exploratoires de scRNA-seq centrés sur AnnData, avec des indications claires sur l’usage de scanpy et son installation.

Skill matplotlib pour le traçage en Python, avec un contrôle complet sur les axes, les libellés, les légendes, les mises en page et les formats d’export. À utiliser pour les figures scientifiques, les analyses multi-panneaux, les types de graphiques personnalisés et les visualisations reproductibles lorsque vous avez besoin de plus de précision qu’un prompt de graphique générique. C’est un guide solide sur matplotlib pour l’analyse de données et des graphiques prêts pour la publication.

La skill MATLAB vous aide à générer, déboguer et adapter du code MATLAB ou GNU Octave pour les opérations matricielles, l’analyse de données, la visualisation, les statistiques, l’optimisation et le calcul scientifique. Utilisez-la pour obtenir du code MATLAB exécutable, pour MATLAB dédié à l’analyse de données, pour la traduction MATLAB vers Python, ou pour des scripts compatibles Octave quand vous voulez moins d’essais-erreurs qu’avec une requête générique.

labarchive-integration aide à gérer les workflows de l’API REST de LabArchives pour l’accès aux carnets, les entrées, les pièces jointes, les sauvegardes, les rapports et les intégrations avec Protocols.io, Jupyter et REDCap. Utilisez cette compétence labarchive-integration pour le développement API lorsque vous avez besoin de conseils pratiques sur les identifiants, la configuration et l’automatisation ELN reproductible.

imaging-data-commons vous aide à interroger et télécharger des données publiques d’imagerie du cancer du NCI Imaging Data Commons avec idc-index. Utilisez-le pour travailler avec imaging-data-commons sur des jeux de données CT, IRM, PET et pathologie, notamment pour la recherche de métadonnées, l’aperçu dans le navigateur, les vérifications de licence et les workflows d’analyse de données ou d’entraînement IA. Aucune authentification requise.

gget est une skill de bioinformatique pour accéder rapidement et de façon unifiée à plus de 20 bases de données génomiques et outils d’analyse depuis le CLI ou Python. Utilisez-la pour obtenir des informations sur les gènes, faire des recherches liées à BLAST, consulter des structures AlphaFold, des données d’expression, des associations avec des maladies et des analyses de type enrichment. Elle convient bien à l’exploration rapide et aux workflows d’analyse de données avec gget.

Le skill exploratory-data-analysis transforme des fichiers scientifiques en rapports d’EDA adaptés au format. Il détecte le type de fichier, résume la structure et la qualité, extrait les métadonnées clés et suggère les analyses à poursuivre. Utilisez-le pour l’exploratory-data-analysis dans l’analyse de données, en chimie, bioinformatique, microscopie, spectroscopie, protéomique, métabolomique et d’autres formats de fichiers scientifiques.

astropy est une boîte à outils Python pour les workflows d’astronomie et d’astrophysique. Utilisez ce skill astropy pour les coordonnées célestes, les unités, les fichiers FITS, les échelles de temps, les tables, le WCS, la cosmologie et l’analyse de données avec astropy. Il aide pour les tâches pratiques d’astronomie comme les transformations de coordonnées, la conversion d’unités et le traitement des données.

Le skill jupyter-notebook vous aide à créer, refactorer et structurer des notebooks .ipynb pour des expérimentations, des tutoriels et l’analyse de données. Il s’appuie sur des modèles intégrés et sur l’outil d’aide new_notebook.py pour produire des notebooks propres, reproductibles, avec des sections claires, des cellules exécutables et moins d’erreurs JSON.