Machine Learning

optimize-for-gpu aide à faire passer du Python limité par le CPU vers du code NVIDIA GPU, en choisissant la bonne bibliothèque. Utilisez-le pour les tableaux, les dataframes, les pipelines ML, l’analyse de graphes, l’imagerie, les traitements géospatiaux, la recherche vectorielle et les noyaux personnalisés. Il guide les choix entre CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA et Warp, avec des conseils pratiques d’utilisation de optimize-for-gpu et de migration.

hypogenic est un outil pour générer et tester des hypothèses sur des jeux de données tabulaires ou issus de texte, avec l’aide d’un LLM. Il aide à appliquer hypogenic à l’analyse de données en transformant des questions empiriques en workflows structurés et testables pour l’interprétation de classifications, l’analyse de contenu et la détection de tromperie. À utiliser quand il vous faut des hypothèses étayées par des preuves, pas seulement du brainstorming.

diffdock est un skill de docking pour prédire les poses de liaison protéine-ligand à partir de structures PDB ou de séquences protéiques, avec des ligands en SMILES, SDF ou MOL2. Utilisez le skill diffdock pour la conception de médicaments fondée sur la structure, le criblage virtuel et l’analyse de poses avec score de confiance. Il ne sert pas à prédire l’affinité de liaison.

pytdc est une skill pour Therapeutics Data Commons, qui fournit des jeux de données et des benchmarks prêts pour l’IA pour la découverte de médicaments : ADME, toxicité, DTI, DDI, génération, splits par scaffold et prédiction pharmacologique.

Skill pytorch-lightning pour structurer des projets PyTorch avec LightningModules et Trainers. Utilisez ce guide pytorch-lightning pour l’installation, l’entraînement, la validation, le logging, les checkpoints et l’exécution distribuée sur des workflows multi-GPU ou TPU.

pymoo est un skill Python pour l’optimisation mono- et multi-objective, les fronts de Pareto, les problèmes sous contraintes et les tests de benchmark. Servez-vous de ce guide pymoo pour choisir des algorithmes comme NSGA-II, NSGA-III et MOEA/D, suivre le workflow d’installation et d’utilisation, et appliquer pymoo à l’analyse de données lorsque plusieurs métriques doivent être arbitrées.

pyhealth vous aide à construire des pipelines de deep learning pour le domaine clinique et la santé avec un workflow Dataset → Task → Model → Trainer → Metrics. Utilisez ce skill pyhealth pour MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, la prédiction, la recommandation de médicaments, le staging du sommeil, le codage ICD, les événements EEG et le mapping des codes médicaux.

pufferlib est une skill de reinforcement learning haute performance pour la simulation parallèle rapide, les rollouts vectorisés et l’entraînement multi-agent. Utilisez ce guide pufferlib pour l’installation, comprendre l’usage de pufferlib et adapter des pipelines RL avec Gymnasium, PettingZoo, Atari, Procgen ou des environnements de type NetHack. Idéal pour la génération de code axée sur le débit et les workflows PPO à grande échelle.

molfeat est un skill de featurisation moléculaire pour le ML et l’analyse de données. Il aide à convertir des molécules SMILES ou RDKit en fingerprints, descripteurs et embeddings préentraînés pour le QSAR, le criblage virtuel, la recherche de similarité et l’analyse de l’espace chimique. Utilisez ce guide molfeat pour choisir des représentations pratiques et construire des pipelines de featurisation réutilisables.

geniml est un skill dédié au machine learning sur intervalles génomiques à partir de fichiers BED, de sorties scATAC-seq et de données d’accessibilité de la chromatine. Utilisez-le pour Region2Vec, BEDspace, scEmbed, les consensus peaks et d’autres workflows de ML au niveau des régions. C’est un bon choix si vous avez besoin d’embeddings, de clustering ou d’aide au prétraitement pour des régions génomiques.

Skill esm pour les modèles de langage de protéines, avec génération ESM3 et embeddings ESM C. Utilisez ce guide esm pour la conception de séquences protéiques, l’inverse folding, la prédiction de fonction et les workflows de génération de code, avec une inférence locale ou l’API Forge.

Skill cellxgene-census pour interroger programmétiquement le CELLxGENE Census. Utilisez-le pour explorer des données d’expression, des métadonnées, des embeddings et des motifs inter-jeux de données à travers tissus, maladies et types cellulaires. Idéal pour l’analyse de cellules uniques à l’échelle de populations et la comparaison d’atlas de référence ; pour vos propres données, utilisez scanpy ou scvi-tools.

aeon est un skill Python compatible avec scikit-learn pour le machine learning sur séries temporelles. Utilisez-le pour la classification, la régression, le clustering, la prévision, la détection d’anomalies, la segmentation, la recherche de similarité et d’autres workflows sur données temporelles. Il convient aussi bien aux analyses univariées que multivariées lorsque vous avez besoin de méthodes spécialisées, au-delà du ML tabulaire générique.

detecting-deepfake-audio-in-vishing-attacks aide les équipes de sécurité à analyser l’audio pour repérer la parole générée par IA dans des cas de vishing, de fraude et d’usurpation d’identité. Il extrait des caractéristiques spectrales et basées sur les MFCC, attribue un score aux échantillons suspects et produit un rapport de type forensique pour examen. Idéal pour les workflows d’audit de sécurité et de réponse à incident.

Détectez le Business Email Compromise (BEC) avec l’IA grâce au NLP, à la stylométrie, aux signaux comportementaux et au contexte relationnel. Cette skill de détection du Business Email Compromise avec l’IA aide les équipes SOC, fraude et audit sécurité à évaluer les e-mails suspects, à expliquer les signaux de risque et à décider s’il faut mettre en quarantaine, avertir ou escalader.