Machine Learning

torchdrug는 분자 및 단백질 머신러닝을 위한 PyTorch 네이티브 툴킷입니다. torchdrug 스킬을 사용해 그래프 신경망, 단백질 모델링, 지식 그래프 추론, 분자 생성, 역합성에 맞는 작업, 데이터셋, 모듈형 모델을 선택하세요. 단순한 데모가 아니라, 커스텀 모델 개발과 재현 가능한 설정에 특히 적합합니다.

PyTorch Geometric 그래프 신경망을 위한 torch-geometric 스킬 가이드입니다. torch-geometric 설치 도움, 사용법, 그래프 분류, 노드 분류, 링크 예측, 이종 그래프, 커스텀 MessagePassing 레이어, 그리고 머신러닝 워크플로에서 GNN 확장까지 다룰 때 활용하세요.

transformers 스킬은 Hugging Face Transformers를 사용해 모델 로딩, 추론, 토큰화, 파인튜닝을 수행하는 데 도움이 됩니다. 텍스트, 비전, 오디오, 멀티모달 워크플로 전반에서 머신러닝 작업을 위한 실용적인 transformers 가이드로, 빠른 베이스라인부터 커스텀 학습까지 자연스럽게 이어집니다.

Machine Learning 워크플로를 위한 stable-baselines3 스킬 가이드입니다. RL 에이전트를 학습하고, Gymnasium 환경을 연결하고, PPO, SAC, DQN, TD3, DDPG, A2C 중에서 덜 헤매며 선택할 수 있습니다. 표준 단일 에이전트 강화학습, 빠른 프로토타이핑, 그리고 실무적인 stable-baselines3 활용에 가장 잘 맞습니다.

모델 해석 가능성과 설명 가능한 AI를 위한 shap 스킬입니다. 예측 결과를 이해하고, 특징 기여도를 계산하고, SHAP 플롯을 선택하고, 트리·선형·딥러닝·블랙박스 모델 전반의 데이터 분석에서 모델 동작을 디버깅하는 데 활용할 수 있습니다.

scvi-tools는 확률적 단일세포 분석을 위한 Python 프레임워크입니다. 이 scvi-tools 스킬은 배치 보정, 잠재 임베딩, 불확실성을 반영한 차등 발현 분석, 전이 학습, 멀티모달 통합에 유용합니다. 특히 single-cell RNA-seq, ATAC, CITE-seq, multiome, spatial 워크플로에 잘 맞으며, 고급 Machine Learning 활용 사례에서 강점이 있습니다.

scvelo는 단일세포 RNA-seq 데이터의 RNA velocity 분석을 위한 Python 기술입니다. 이를 사용해 unspliced 및 spliced mRNA로부터 세포 상태 전이를 추정하고, 궤적 방향을 유추하며, latent time을 계산하고, driver gene을 식별할 수 있습니다. 표준 클러스터링이나 pseudotime만으로는 방향성이 부족할 때, scvelo를 활용한 데이터 분석에 특히 유용합니다.

Python에서 생존 분석과 이벤트 발생 시간(time-to-event) 모델링을 위한 scikit-survival 스킬입니다. 검열 데이터, Cox 모델, 랜덤 서바이벌 포레스트, 그래디언트 부스팅, Survival SVM, 그리고 concordance index와 Brier score 같은 생존 지표를 다룰 때 이 가이드를 활용하세요.

scikit-learn은 Python에서 전통적인 머신러닝 워크플로를 구축할 수 있게 도와줍니다. 이 scikit-learn 스킬은 분류, 회귀, 클러스터링, 전처리, 모델 평가, 하이퍼파라미터 튜닝, 파이프라인 구성에 활용할 수 있습니다. 표 형식 데이터와 반복 가능한 모델 개발에 적합한 실용적인 scikit-learn 가이드입니다.