par phuryn
Réalisez une analyse cohortale de la rétention utilisateur, de l’érosion de l’engagement et de l’adoption des fonctionnalités par cohorte. Cet outil cohort-analysis est conçu pour les workflows d’analyse de données qui exigent validation, calcul, visualisation et insights clairs à partir de données structurées sur le comportement des utilisateurs.
par phuryn
ab-test-analysis vous aide à évaluer les résultats de tests A/B avec rigueur statistique, notamment la validation de la taille d’échantillon, les intervalles de confiance, les tests de significativité et les recommandations pour lancer, prolonger ou arrêter. Utilisez-la pour la revue d’expériences, l’interprétation de split tests et la prise de décision dans des workflows d’analyse de données.
par K-Dense-AI
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.
par K-Dense-AI
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.
par K-Dense-AI
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.
par K-Dense-AI
scientific-critical-thinking aide à évaluer les affirmations scientifiques, le plan d’étude, les biais, les facteurs de confusion et la qualité des preuves. Utilisez-le pour l’analyse critique, l’appui à une revue de littérature, les contrôles GRADE ou Cochrane du risque de biais, et pour une évaluation de type Peer Review de ce qu’un article peut réellement étayer avec scientific-critical-thinking.
par K-Dense-AI
PyMC est un skill de modélisation bayésienne pour construire, ajuster, vérifier et comparer des modèles probabilistes en Python. Utilisez pymc pour la régression hiérarchique, l’analyse multiniveau, les séries temporelles, les données manquantes, l’erreur de mesure et la comparaison de modèles avec LOO ou WAIC.
par K-Dense-AI
La compétence peer-review vous aide à rédiger des évaluations formelles et fondées sur des preuves de manuscrits et de demandes de subvention. Utilisez-la pour examiner la méthodologie, les statistiques, la reproductibilité, l’éthique et les normes de reporting comme CONSORT, STROBE ou PRISMA, avec des retours constructifs que les auteurs et les éditeurs peuvent exploiter.
par K-Dense-AI
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.
