Machine Learning

torchdrug は、分子およびタンパク質の機械学習に特化した PyTorch ネイティブのツールキットです。torchdrug skill を使えば、グラフニューラルネットワーク、タンパク質モデリング、知識グラフ推論、分子生成、逆合成に向けて、タスク、データセット、モジュール型モデルを見極められます。用意されたデモを見るだけでなく、カスタムモデル開発と再現性の高い設定を重視する場合に最適です。

PyTorch Geometric のグラフニューラルネットワーク向け torch-geometric スキルガイドです。torch-geometric のインストール支援、torch-geometric の使い方、グラフ分類、ノード分類、リンク予測、異種グラフ、カスタム MessagePassing レイヤー、Machine Learning ワークフローでの GNN のスケーリングに役立ちます。

transformersスキルは、Hugging Face Transformersを使ったモデルの読み込み、推論、トークナイゼーション、ファインチューニングを支援します。テキスト、画像、音声、マルチモーダルの各ワークフローで使える実践的なtransformersガイドとして、素早いベースライン構築からカスタム学習までをわかりやすく整理しています。

Machine Learningワークフロー向けの stable-baselines3 スキルガイドです。RLエージェントの学習、Gymnasium環境の接続、PPO・SAC・DQN・TD3・DDPG・A2C の選択を、迷いを減らしながら進められます。標準的な単一エージェント強化学習、素早いプロトタイピング、実践的な stable-baselines3 の活用に最適です。

モデルの解釈性と説明可能AIのための shap スキルです。予測の理解、特徴量の寄与度の算出、SHAPプロットの選択、モデル挙動のデバッグに使えます。ツリー、線形、深層学習、ブラックボックスモデルを対象に、データ分析の文脈で活用できます。

scvi-tools は、確率的なシングルセル解析のための Python フレームワークです。この scvi-tools スキルは、バッチ補正、潜在埋め込み、不確実性つき差次的発現、転移学習、マルチモーダル統合に活用できます。single-cell RNA-seq、ATAC、CITE-seq、multiome、空間解析のワークフローに特に適しており、高度な Machine Learning のユースケースでは特に強みを発揮します。

scvelo は、単一細胞 RNA-seq データにおける RNA velocity 解析のための Python スキルです。未スプライス／スプライス済み mRNA から細胞状態遷移を推定し、軌道の方向性を推論し、latent time を算出し、driver genes を特定するのに使えます。標準的なクラスタリングや pseudotime だけでは方向性が足りない Data Analysis での scvelo に特に有用です。

Python で生存分析と time-to-event モデリングを行うための scikit-survival スキルです。打ち切りデータ、Cox モデル、Random Survival Forest、Gradient Boosting、Survival SVM、さらに concordance index や Brier score などの生存分析指標まで、導入判断に必要なポイントをこのガイドで確認できます。

scikit-learn は、Python で古典的な機械学習ワークフローを構築するのに役立ちます。この scikit-learn スキルでは、分類、回帰、クラスタリング、前処理、モデル評価、ハイパーパラメータ調整、パイプラインを扱えます。表形式データで再現性の高いモデル開発を進めるための、実用的な scikit-learn ガイドです。