작성자 K-Dense-AI
optimize-for-gpu는 CPU 중심 Python을 NVIDIA GPU 코드로 전환할 때 적절한 라이브러리 선택을 도와줍니다. 배열, 데이터프레임, ML 파이프라인, 그래프 분석, 이미지 처리, 지리공간 작업, 벡터 검색, 커스텀 커널에 활용할 수 있습니다. CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA, Warp를 어떤 상황에 써야 하는지 실용적인 optimize-for-gpu 사용법과 마이그레이션 조언으로 안내합니다.
작성자 K-Dense-AI
hypogenic은 LLM 지원을 바탕으로 표나 텍스트에서 파생된 데이터셋에 대해 가설을 생성하고 검증하는 skill입니다. 분류 해석, 콘텐츠 분석, 허위 탐지처럼 경험적 질문을 구조화된 검증 가능 워크플로로 바꿔 데이터 분석에서의 hypogenic을 돕습니다. 단순한 브레인스토밍이 아니라 증거에 기반한 가설이 필요할 때 사용하세요.
작성자 K-Dense-AI
DiffDock는 PDB 구조 또는 단백질 서열과 SMILES, SDF, MOL2 형식의 리간드를 바탕으로 단백질-리간드 결합 포즈를 예측하는 도킹 기술입니다. 구조 기반 신약 설계, 가상 스크리닝, 신뢰도 점수가 포함된 포즈 분석에 DiffDock 기술을 활용할 수 있습니다. 결합 친화도 예측 용도는 아닙니다.
작성자 K-Dense-AI
pytdc는 Therapeutics Data Commons를 위한 스킬로, ADME, 독성, DTI, DDI, 생성, scaffold 분할, 약리 예측에 바로 사용할 수 있는 약물 발견 데이터셋과 벤치마크를 제공합니다.
작성자 K-Dense-AI
LightningModules와 Trainers로 PyTorch 프로젝트를 체계화하는 pytorch-lightning 스킬입니다. 이 pytorch-lightning 가이드는 설치, 학습, 검증, 로깅, 체크포인팅, 그리고 multi-GPU 또는 TPU 워크플로 전반의 분산 실행에 활용할 수 있습니다.
작성자 K-Dense-AI
pymoo는 단일 목적 및 다중 목적 최적화, 파레토 프런트, 제약 조건이 있는 문제, 벤치마크 테스트를 위한 Python 스킬입니다. 이 pymoo 가이드를 통해 NSGA-II, NSGA-III, MOEA/D 같은 알고리즘을 선택하고, 설치 및 사용 워크플로를 따라가며, 여러 지표의 균형이 필요할 때 Data Analysis에 pymoo를 활용해 보세요.
작성자 K-Dense-AI
pyhealth로 Dataset → Task → Model → Trainer → Metrics 흐름에 맞춰 임상·헬스케어 딥러닝 파이프라인을 구축할 수 있습니다. 이 pyhealth 스킬은 MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, 예측, 약물 추천, 수면 단계 분류, ICD 코딩, EEG 이벤트, 의료 코드 매핑에 활용할 수 있습니다.
작성자 K-Dense-AI
pufferlib은 빠른 병렬 시뮬레이션, 벡터화된 rollout, 멀티 에이전트 학습을 위한 고성능 강화학습 스킬입니다. 이 pufferlib 가이드를 통해 pufferlib 사용법을 설치하고 이해하며, Gymnasium, PettingZoo, Atari, Procgen, NetHack 스타일 환경에 맞게 RL 파이프라인을 조정할 수 있습니다. 처리량과 확장 가능한 PPO 워크플로에 초점을 둔 코드 생성에 적합합니다.
작성자 K-Dense-AI
molfeat은 ML과 데이터 분석을 위한 분자 피처화 스킬입니다. SMILES나 RDKit 분자를 fingerprint, descriptor, pretrained embedding으로 변환해 QSAR, virtual screening, similarity search, chemical space analysis에 활용할 수 있습니다. 이 molfeat 가이드는 실무에 맞는 표현 방식을 고르고 재사용 가능한 피처화 파이프라인을 만드는 데 도움을 줍니다.
작성자 K-Dense-AI
geniml은 BED 파일, scATAC-seq 출력, 그리고 염색질 접근성 데이터에 대한 유전체 구간 머신러닝용 스킬입니다. Region2Vec, BEDspace, scEmbed, consensus peaks 등 구간 수준 ML 워크플로에 활용할 수 있습니다. 유전체 구간의 임베딩, 클러스터링, 전처리 가이드가 필요할 때 적합합니다.
작성자 K-Dense-AI
ESM3 생성과 ESM C 임베딩을 포함한 단백질 언어 모델용 esm 스킬입니다. 이 esm 가이드는 로컬 추론이나 Forge API를 활용한 단백질 서열 설계, 역접힘, 기능 예측, 코드 생성 워크플로에 사용할 수 있습니다.
작성자 K-Dense-AI
CELLxGENE Census를 프로그래밍 방식으로 조회하기 위한 cellxgene-census 스킬입니다. 발현 데이터, 메타데이터, 임베딩, 그리고 조직·질병·세포 유형 전반의 교차 데이터셋 패턴을 탐색할 때 유용합니다. 대규모 단일세포 분석과 레퍼런스 아틀라스 비교에 가장 적합하며, 직접 보유한 데이터에는 `scanpy` 또는 `scvi-tools`를 사용하는 것이 좋습니다.
작성자 K-Dense-AI
aeon은 시계열 머신러닝을 위한 scikit-learn 호환 Python 스킬입니다. 분류, 회귀, 군집화, 예측, 이상 탐지, 세분화, 유사도 검색 등 다양한 시계열 데이터 워크플로에 활용할 수 있습니다. 일반적인 표 형식 ML로는 부족하고, 단변량·다변량 분석에 특화된 방법이 필요할 때 적합합니다.
작성자 mukul975
detecting-deepfake-audio-in-vishing-attacks는 보안 팀이 vishing, 사기, 사칭 사례에서 AI 생성 음성을 분석하는 데 도움을 줍니다. 스펙트럼 및 MFCC 기반 특징을 추출하고, 의심스러운 샘플에 점수를 매기며, 검토용 포렌식 스타일 보고서를 생성합니다. Security Audit와 사고 대응 워크플로에 적합합니다.
작성자 mukul975
NLP, 문체 분석, 행동 신호, 관계 맥락을 활용해 AI로 비즈니스 이메일 침해(BEC)를 탐지하세요. 이 detecting-business-email-compromise-with-ai skill은 SOC, 사기 대응, 보안 감사 팀이 의심스러운 이메일을 점수화하고, 위험 신호를 설명하며, 격리·경고·에스컬레이션 여부를 결정하는 데 도움을 줍니다.
