Scikit Learn

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.

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.

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.