senior-data-scientist
por alirezarezvanisenior-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.
Esta skill recebe 64/100, o que significa que é aceitável para listagem, mas deve ser apresentada como uma skill ampla de prompts e padrões, não como um toolkit de ciência de dados pronto para produção. Usuários do diretório conseguem entender quando acioná-la e podem obter uma estrutura útil de fluxo de trabalho a partir do SKILL.md, mas os scripts e as referências de apoio são genéricos demais para justificar alta confiança.
- O frontmatter traz uma descrição detalhada e fácil de acionar, cobrindo casos de uso como testes A/B, inferência causal, modelagem preditiva, feature engineering e interpretação de negócio.
- O SKILL.md inclui conteúdo prático de fluxo de trabalho e trechos de código, como cálculo de tamanho de amostra e padrões de análise de experimentos, dando aos agentes mais estrutura do que um prompt genérico de ciência de dados.
- O repositório inclui referências e scripts nomeados para desenho de experimentos, feature engineering e avaliação de modelos, sinalizando a cobertura de fluxo de trabalho pretendida, ainda que a profundidade da implementação seja irregular.
- Os arquivos de apoio parecem em grande parte boilerplate: as referências repetem princípios genéricos de produção, em vez de trazer orientação estatística específica do domínio.
- Os scripts têm cara de scaffolds, com comentários de placeholder como "Add validation logic" e métodos de processamento genéricos, não ferramentas completas para experimentos, feature engineering ou avaliação de modelos.
Visão geral da habilidade senior-data-scientist
Para que serve senior-data-scientist
A habilidade senior-data-scientist é uma Claude skill hospedada no GitHub para modelagem estatística, desenho de experimentos, inferência causal, engenharia de atributos e avaliação de modelos preditivos. Ela é mais indicada para quem quer que um assistente de IA raciocine como um cientista de dados sênior ao planejar testes A/B, revisar fluxos de ML tabular, escolher métricas de avaliação ou traduzir resultados de modelos em decisões de negócio.
Usuários e tarefas para os quais ela se encaixa melhor
Use esta habilidade quando você já tiver um problema concreto de analytics ou Machine Learning e precisar de ajuda estruturada: planejamento de tamanho de amostra, interpretação de testes de duas proporções, enquadramento de difference-in-differences, desenho de pipelines de features, estratégia de cross-validation, tradeoffs entre AUC-ROC e AUC-PR, explicação com SHAP ou acompanhamento de experimentos no estilo MLflow. O melhor encaixe é senior-data-scientist for Machine Learning em dados estruturados, especialmente classificação, regressão e análise de experimentos controlados.
O que a diferencia de um prompt genérico
Um prompt genérico pode gerar orientações amplas. A senior-data-scientist skill dá ao agente um enquadramento de domínio: validade experimental, premissas estatísticas, vazamento de features, desenho de avaliação e prontidão para produção. O SKILL.md upstream inclui exemplos orientados a código para testes A/B e fluxos de modelagem, enquanto os arquivos de apoio sugerem direções auxiliares para desenho de experimentos, engenharia de atributos e avaliação de modelos.
Cuidados importantes antes de adotar
Esta não é uma solução completa de data science pronta para plugar e usar. Os arquivos em scripts/ parecem utilitários em formato de scaffold, não motores estatísticos finalizados, e os arquivos em references/ são de alto nível. Instale para obter orientação do agente e estrutura de trabalho, não como substituto para validar fórmulas, rodar seus próprios notebooks ou revisar premissas estatísticas com sua equipe.
Como usar a habilidade senior-data-scientist
Instalação e revisão de arquivos de senior-data-scientist
Instale a partir do repositório com:
npx skills add alirezarezvani/claude-skills --skill senior-data-scientist
Depois da instalação, leia primeiro SKILL.md, porque é ali que está o conteúdo real do fluxo de trabalho. Em seguida, inspecione scripts/experiment_designer.py, scripts/feature_engineering_pipeline.py e scripts/model_evaluation_suite.py para entender os padrões de automação pretendidos. Trate references/experiment_design_frameworks.md, references/feature_engineering_patterns.md e references/statistical_methods_advanced.md como notas de orientação, não como documentação autoritativa.
Entradas que tornam a habilidade útil
A habilidade funciona melhor quando você fornece o contexto da decisão, não apenas o nome da técnica. Para experimentos, inclua taxa de base, efeito mínimo detectável, tráfego, unidade de atribuição, métrica primária, métricas de guardrail, duração esperada e se há múltiplas comparações envolvidas. Para trabalhos de ML, inclua definição do target, granularidade do dataset, riscos de vazamento, balanceamento de classes, restrições de divisão treino/teste, custo de negócio de falsos positivos versus falsos negativos e ambiente de deployment.
Prompt fraco: “Help me evaluate my model.”
Prompt mais forte: “Use the senior-data-scientist skill to review a binary churn model. We have 1.2M customer-month rows, 7% positive rate, time-based split by signup month, XGBoost baseline, AUC-ROC 0.81, AUC-PR 0.29, and retention offers cost $40. Check leakage risks, metric choice, thresholding, calibration, and what to log in MLflow.”
Fluxo prático de uso de senior-data-scientist
Comece pedindo ao agente que reformule as premissas antes de resolver. Depois, solicite um plano, cálculos ou pseudocódigo e uma checklist de validação. Para um teste A/B, faça com que ele separe desenho de análise: tamanho de amostra, unidade de randomização, elegibilidade, definição de métrica, poder estatístico e, só então, teste estatístico e interpretação. Para engenharia de atributos, peça um pipeline que diferencie campos brutos, features derivadas, transformações ajustadas somente no treino, tratamento de valores ausentes e monitoramento. Para seleção de modelos, solicite desenho de cross-validation, justificativa das métricas, análise de erros e monitoramento em produção.
Quando usar scripts em vez de prompts
Use os scripts como templates se você quiser criar ferramentas locais com logging, carregamento de configurações e estrutura de processo. Não presuma que eles farão desenho completo de experimentos, engenharia de atributos ou avaliação de modelos imediatamente. Para a maioria dos usuários, o valor imediato está em invocar a habilidade no chat com contexto rico e, depois, adaptar qualquer código Python, SQL ou R gerado ao seu próprio ambiente testado.
FAQ da habilidade senior-data-scientist
senior-data-scientist é boa para iniciantes?
Ela pode ajudar iniciantes a entender a forma do trabalho profissional em data science, mas pressupõe que você consiga descrever dados, métricas e objetivos de modelagem. Se você está começando em estatística, peça ao agente para explicar premissas e modos de falha em linguagem simples antes de pedir código.
Como isso é diferente de pedir ajuda de data science ao Claude?
A habilidade direciona o assistente para preocupações típicas de um cientista de dados sênior: desenho experimental, validade causal, avaliação de modelos, vazamento de features e interpretação de negócio. Isso a torna mais confiável para fluxos recorrentes de analytics do que um prompt aberto, mas você ainda precisa fornecer contexto de domínio e verificar as respostas.
Ela consegue executar pipelines completos de Machine Learning?
Não por conta própria. O repositório contém scripts Python em formato de scaffold e exemplos de fluxo de trabalho, não uma plataforma completa de AutoML ou MLOps. Use a habilidade senior-data-scientist para desenhar, criticar e gerar componentes de um pipeline; execute e valide esses componentes no seu próprio ambiente Python, R, SQL, Scikit-learn, XGBoost ou MLflow.
Quando eu não devo usar esta habilidade?
Evite usá-la como única autoridade para decisões reguladas, análises clínicas, modelos de risco financeiro ou alegações causais com identificação fraca. Ela também não é uma boa escolha para trabalho de deep learning não estruturado em que a tarefa central seja visão computacional, fala ou ajuste de arquiteturas neurais em larga escala, em vez de analytics tabular e desenho de experimentos.
Como melhorar a habilidade senior-data-scientist
Melhore as respostas de senior-data-scientist com prompts melhores
Forneça à habilidade as mesmas informações que um revisor sênior pediria: objetivo, granularidade dos dados, janela de tempo, definições de métricas, restrições, limiar de decisão e qual ação será tomada a partir do resultado. Peça “assumptions, risks, recommended method, code sketch, and validation checks” para evitar respostas superficiais.
Modos de falha comuns para observar
Fique atento a incompatibilidade de métricas, vazamento do target, experimentos sem poder estatístico suficiente, viés pós-tratamento, inflação por múltiplos testes, unidades de randomização inadequadas e alegações causais exageradas a partir de dados observacionais. Se a primeira resposta ignorar esses pontos, peça explicitamente à habilidade senior-data-scientist para auditar o desenho em busca de riscos estatísticos e operacionais.
Itere depois da primeira resposta
Não pare no primeiro plano. Faça perguntas de acompanhamento, como: “What would invalidate this conclusion?”, “What sensitivity checks should I run?”, “Which metric should be the primary decision metric?”, “How would this change with a 3% baseline rate?” ou “Show the SQL/Python validation queries I should run before modeling.”
Fortaleça o repositório localmente
Se você adotar a habilidade de forma intensa, melhore-a adicionando templates específicos do projeto: formulários de intake de experimentos, dicionários de métricas, checklists de vazamento, formatos de model card, convenções de logging no MLflow e scripts utilitários testados. O maior avanço é substituir código scaffold genérico por funções validadas para os fluxos reais da sua equipe em experimentos, features e avaliação.