Machine Learning

optimize-for-gpuは、用途に合ったライブラリ選定で、CPU中心のPythonをNVIDIA GPU向けコードへ移行するのを支援します。配列、データフレーム、MLパイプライン、グラフ分析、画像処理、地理空間処理、ベクトル検索、カスタムカーネルに使えます。CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA、Warpの選定を、実践的な使い方と移行の観点からガイドします。

hypogenic は、LLM の支援で表形式データやテキスト由来データセットの仮説を生成・検証するためのスキルです。データ分析における hypogenic を、経験的な問いを分類解釈、コンテンツ分析、欺瞞検出向けの構造化された検証可能なワークフローへと落とし込みます。単なるブレストではなく、根拠に基づく仮説が必要な場面で使ってください。

diffdockは、PDB構造、またはタンパク質配列とSMILES、SDF、MOL2形式のリガンドから、タンパク質-リガンド結合ポーズを予測するドッキングスキルです。構造ベース創薬、バーチャルスクリーニング、信頼度付きポーズ解析にdiffdockスキルを活用できます。結合親和性の予測には対応していません。

pytdc は Therapeutics Data Commons 向けのスキルで、ADME、毒性、DTI、DDI、生成、scaffold split、薬理予測のための、AIでそのまま扱いやすい創薬データセットとベンチマークを提供します。

PyTorch プロジェクトを LightningModules と Trainers で整理するための pytorch-lightning スキルです。インストール、学習、検証、ログ記録、チェックポイント保存、さらにマルチ GPU や TPU をまたぐ分散実行まで、この pytorch-lightning ガイドを活用できます。

pymooは、単一目的・多目的最適化、Paretoフロント、制約付き問題、ベンチマークテストに使えるPythonスキルです。このpymooガイドでは、NSGA-II、NSGA-III、MOEA/Dなどのアルゴリズムの選び方、インストールと使用の流れ、そして複数の指標を両立させたいData Analysisでのpymooの活用方法を確認できます。

pyhealthを使うと、Dataset → Task → Model → Trainer → Metrics の流れで臨床・医療分野の深層学習パイプラインを構築できます。このpyhealthスキルは、MIMIC-III/IV、eICU、OMOP、SleepEDF、ChestXray14、EHRShot、予測、薬剤推薦、睡眠段階分類、ICDコーディング、EEGイベント、医療コードマッピングに対応します。

pufferlib は、高速な並列シミュレーション、ベクトル化ロールアウト、マルチエージェント学習に対応した高性能強化学習スキルです。この pufferlib ガイドでは、インストール方法、pufferlib の使い方、Gymnasium、PettingZoo、Atari、Procgen、NetHack 風環境を使った RL パイプラインの調整までを確認できます。スループット重視で、スケーラブルな PPO ワークフロー向けのコード生成に最適です。

molfeat は、ML とデータ分析向けの分子特徴量化スキルです。SMILES や RDKit 分子を、QSAR、仮想スクリーニング、類似検索、化学空間解析に使えるフィンガープリント、記述子、事前学習済み埋め込みへ変換するのに役立ちます。この molfeat ガイドを使えば、実務で使いやすい表現を選び、再利用しやすい特徴量化パイプラインを構築できます。

genimlは、BEDファイル、scATAC-seq出力、クロマチンアクセシビリティデータを対象にしたゲノム区間の機械学習向けスキルです。Region2Vec、BEDspace、scEmbed、コンセンサスピークなど、領域レベルのMLワークフローで使えます。埋め込み、クラスタリング、ゲノム領域の前処理方針を知りたいときに適しています。

ESM3 の生成と ESM C 埋め込みを含む、タンパク質言語モデル向けの esm スキルです。ローカル推論または Forge API を使ったタンパク質配列設計、逆折りたたみ、機能予測、コード生成ワークフローに、この esm ガイドを活用できます。

CELLxGENE Census をプログラムからクエリするための cellxgene-census skill です。発現データ、メタデータ、埋め込み、さらに組織・疾患・細胞種をまたぐクロスデータセットのパターン探索に使えます。集団規模のシングルセル解析やリファレンスアトラス比較に最適で、自分のデータには scanpy や scvi-tools を使うのが向いています。

aeonは、scikit-learn互換のPythonスキルで、時系列機械学習に使えます。分類、回帰、クラスタリング、予測、異常検知、セグメンテーション、類似検索など、時間情報を含むデータのワークフローに対応します。汎用的な表形式MLでは足りず、単変量・多変量の時系列分析で専門的な手法が必要な場合に適しています。

detecting-deepfake-audio-in-vishing-attacks は、セキュリティチームが vishing、詐欺、なりすまし事案における AI 生成音声を分析するのに役立ちます。スペクトル特徴と MFCC ベースの特徴を抽出し、疑わしいサンプルにスコアを付け、レビュー用のフォレンジック形式レポートを出力します。Security Audit やインシデント対応のワークフローに適しています。

NLP、文体解析、行動シグナル、関係性コンテキストを使って、AIでビジネスメール詐欺（BEC）を検知します。この detecting-business-email-compromise-with-ai skill は、SOC、不正対策、Security Audit チームが疑わしいメールをスコアリングし、リスクシグナルを説明し、隔離・警告・エスカレーションの判断を下すのに役立ちます。