Machine Learning

datarobot-automation ajuda a automatizar operações do DataRobot por meio do Composio Rube MCP, com descoberta de ferramentas e verificações de conexão antes da execução.

bigml-automation ajuda agentes a automatizar tarefas do BigML por meio do Composio Rube MCP, buscando primeiro as ferramentas atuais, verificando a conexão com o BigML e usando os schemas retornados antes da execução.

senior-ml-engineer ajuda agentes a planejar sistemas de ML em produção: model deployment, MLOps pipelines, monitoramento, drift detection, arquitetura RAG e integração com LLM. Inclui guias de referência e scripts iniciais para deployment, monitoramento e RAG, que as equipes devem adaptar antes de usar em produção.

senior-data-scientist é uma skill do Claude para desenho de testes A/B, raciocínio causal, feature engineering e avaliação de ML tabular. Use-a para orientar dimensionamento de amostras, escolha de métricas, verificações de vazamento, revisão com SHAP e tracking no estilo MLflow; os scripts são templates de scaffold, não engines completas.

torchdrug é um toolkit nativo de PyTorch para machine learning com moléculas e proteínas. Use a skill torchdrug para escolher tarefas, datasets e modelos modulares para redes neurais em grafos, modelagem de proteínas, raciocínio em grafos de conhecimento, geração molecular e retrossíntese. Ela é mais indicada para desenvolvimento de modelos customizados e configurações reproduzíveis do que para demos prontas.

Guia do skill torch-geometric para redes neurais gráficas com PyTorch Geometric. Use para ajuda na instalação do torch-geometric, uso do torch-geometric, classificação de grafos, classificação de nós, previsão de links, grafos heterogêneos, camadas customizadas de MessagePassing e escalabilidade de GNNs em fluxos de Machine Learning.

A skill transformers ajuda você a usar o Hugging Face Transformers para carregamento de modelos, inferência, tokenização e fine-tuning. É um guia prático de transformers para tarefas de Machine Learning em fluxos de texto, visão, áudio e multimodais, com caminhos claros para partir de baselines rápidas ou treinamento personalizado.

Guia da skill stable-baselines3 para fluxos de trabalho de Machine Learning: treine agentes de RL, conecte ambientes Gymnasium e escolha entre PPO, SAC, DQN, TD3, DDPG ou A2C com menos suposições. É ideal para reinforcement learning padrão de agente único, prototipação rápida e uso prático do stable-baselines3.

Skill shap para interpretabilidade de modelos e IA explicável. Use para entender previsões, calcular atribuições de variáveis, escolher gráficos SHAP e depurar o comportamento do modelo em análise de dados em modelos de árvores, lineares, deep learning e black-box.

scvi-tools é um framework em Python para análise probabilística de dados de célula única. Use esta skill do scvi-tools para correção de lote, embeddings latentes, expressão diferencial com incerteza, transfer learning e integração multimodal. Ela é uma ótima opção para fluxos de trabalho com single-cell RNA-seq, ATAC, CITE-seq, multiome e espacial, especialmente em casos de uso avançados de Machine Learning.

scvelo é um skill em Python para análise de RNA velocity em dados de RNA-seq de célula única. Use-o para estimar transições de estado celular a partir de mRNA não emendado e emendado, inferir a direção da trajetória, calcular tempo latente e identificar genes drivers. É especialmente útil para scvelo for Data Analysis quando você precisa de direção além de clustering padrão ou pseudotempo.

Skill scikit-survival para análise de sobrevivência e modelagem time-to-event em Python. Use este guia para dados censurados, modelos de Cox, random survival forests, gradient boosting, Survival SVMs e métricas de sobrevivência como concordance index e Brier score.

O scikit-learn ajuda você a criar fluxos de trabalho clássicos de machine learning em Python. Use este skill de scikit-learn para classificação, regressão, clustering, pré-processamento, avaliação de modelos, ajuste de hiperparâmetros e pipelines. É um guia prático de scikit-learn para dados tabulares e desenvolvimento de modelos reproduzível.