Machine Learning

O optimize-for-gpu ajuda a transformar Python limitado pela CPU em código para GPU NVIDIA com a escolha certa de biblioteca. Use para arrays, dataframes, pipelines de ML, análise de grafos, processamento de imagens, trabalho geoespacial, busca vetorial e kernels personalizados. Ele orienta decisões entre CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA e Warp, com uso prático do optimize-for-gpu e dicas de migração.

hypogenic é uma skill para gerar e testar hipóteses em datasets tabulares ou derivados de texto, com suporte de LLM. Ela ajuda na análise de dados com hypogenic ao transformar perguntas empíricas em fluxos de trabalho estruturados e testáveis para interpretação de classificação, análise de conteúdo e detecção de enganos. Use quando você precisar de hipóteses com base em evidências, não apenas de brainstorming.

diffdock é uma skill de docking para prever poses de ligação entre proteína e ligante a partir de estruturas em PDB ou de sequências de proteína com ligantes em SMILES, SDF ou MOL2. Use a skill diffdock para design de fármacos baseado em estrutura, triagem virtual e análise de poses com pontuação de confiança. Ela não serve para prever afinidade de ligação.

pytdc é uma skill para o Therapeutics Data Commons, oferecendo datasets e benchmarks prontos para IA em descoberta de fármacos para ADME, toxicidade, DTI, DDI, geração, splits por scaffold e predição farmacológica.

Skill pytorch-lightning para organizar projetos PyTorch com LightningModules e Trainers. Use este guia de pytorch-lightning para instalação, treinamento, validação, logging, checkpointing e execução distribuída em fluxos de trabalho com multi-GPU ou TPU.

pymoo é uma skill em Python para otimização de um ou vários objetivos, frentes de Pareto, problemas com restrições e testes de benchmark. Use este guia do pymoo para escolher algoritmos como NSGA-II, NSGA-III e MOEA/D, seguir o fluxo de instalação e uso e aplicar o pymoo em análise de dados quando for preciso equilibrar várias métricas.

O pyhealth ajuda você a construir pipelines de deep learning para saúde e clínica com um fluxo Dataset → Task → Model → Trainer → Metrics. Use este skill de pyhealth para MIMIC-III/IV, eICU, OMOP, SleepEDF, ChestXray14, EHRShot, prediction, drug recommendation, sleep staging, ICD coding, eventos de EEG e mapeamento de códigos médicos.

pufferlib é uma skill de reinforcement learning de alto desempenho para simulação paralela rápida, rollouts vetorizados e treinamento multiagente. Use este guia do pufferlib para instalar, entender o uso do pufferlib e adaptar pipelines de RL com ambientes Gymnasium, PettingZoo, Atari, Procgen ou no estilo NetHack. Ideal para geração de código focada em throughput e workflows escaláveis de PPO.

molfeat é uma skill de featurização molecular para ML e análise de dados. Ela ajuda a converter moléculas em SMILES ou do RDKit em fingerprints, descritores e embeddings pré-treinados para QSAR, virtual screening, busca por similaridade e análise de espaço químico. Use este guia do molfeat para escolher representações práticas e montar pipelines reutilizáveis de featurização.

geniml é uma skill para aprendizado de máquina com intervalos genômicos em arquivos BED, saídas de scATAC-seq e dados de acessibilidade da cromatina. Use-a para Region2Vec, BEDspace, scEmbed, picos consenso e outros fluxos de ML em nível de região. É uma boa opção quando você precisa de embeddings, clusterização ou orientação de pré-processamento para regiões genômicas.

skill esm para modelos de linguagem de proteínas, incluindo geração com ESM3 e embeddings ESM C. Use este guia do esm para design de sequências de proteínas, inverse folding, previsão de função e workflows de code generation com inferência local ou pela Forge API.

Skill do cellxgene-census para consultar programaticamente o CELLxGENE Census. Use-o para explorar dados de expressão, metadados, embeddings e padrões entre conjuntos de dados em tecidos, doenças e tipos celulares. É mais indicado para análises de single-cell em escala populacional e comparações com atlas de referência; para seus próprios dados, use scanpy ou scvi-tools.

aeon é uma skill em Python compatível com scikit-learn para machine learning de séries temporais. Use-a para classificação, regressão, clustering, previsão, detecção de anomalias, segmentação, busca por similaridade e outros fluxos de trabalho com dados temporais. Ela se encaixa bem em análises univariadas e multivariadas quando você precisa de métodos especializados além do ML tabular genérico.

detecting-deepfake-audio-in-vishing-attacks ajuda equipes de segurança a analisar áudio em busca de fala gerada por IA em casos de vishing, fraude e impersonação. A skill extrai características espectrais e baseadas em MFCC, atribui pontuação a amostras suspeitas e gera um relatório no estilo forense para revisão. É ideal para fluxos de Security Audit e resposta a incidentes.

Detecte comprometimento de e-mail corporativo (BEC) com IA usando NLP, estilometria, sinais comportamentais e contexto de relacionamento. Esta skill de detecting-business-email-compromise-with-ai ajuda equipes de SOC, fraude e Auditoria de Segurança a pontuar e-mails suspeitos, explicar sinais de risco e decidir se devem colocar em quarentena, avisar ou escalar.