Machine Learning

torchdrug là bộ công cụ native PyTorch dành cho machine learning trên phân tử và protein. Dùng skill torchdrug để chọn tác vụ, bộ dữ liệu và các mô hình mô-đun cho graph neural networks, mô hình protein, suy luận trên knowledge graph, tạo phân tử và retrosynthesis. Đây là lựa chọn phù hợp nhất cho phát triển mô hình tùy biến và cấu hình có thể tái lập, chứ không chỉ cho các demo có sẵn.

Hướng dẫn skill torch-geometric cho mạng nơ-ron đồ thị PyTorch Geometric. Dùng để được hỗ trợ cài đặt torch-geometric, cách sử dụng torch-geometric, phân loại đồ thị, phân loại nút, dự đoán liên kết, đồ thị dị thể, các lớp MessagePassing tùy chỉnh và mở rộng GNN cho quy trình Machine Learning.

Skill transformers giúp bạn dùng Hugging Face Transformers để tải mô hình, suy luận, tokenization và fine-tuning. Đây là hướng dẫn transformers thực tế cho các tác vụ Machine Learning trên text, vision, audio và quy trình đa phương thức, với lộ trình rõ ràng cho baseline nhanh cũng như huấn luyện tùy chỉnh.

Hướng dẫn skill stable-baselines3 cho quy trình Machine Learning: huấn luyện tác tử RL, kết nối môi trường Gymnasium, và chọn PPO, SAC, DQN, TD3, DDPG hoặc A2C với ít phải đoán mò hơn. Phù hợp nhất cho reinforcement learning một tác tử tiêu chuẩn, tạo mẫu nhanh và sử dụng stable-baselines3 thực tế.

Skill shap dành cho khả năng diễn giải mô hình và AI có thể giải thích. Dùng để hiểu dự đoán, tính đóng góp của đặc trưng, chọn biểu đồ SHAP và gỡ lỗi hành vi mô hình trong phân tích dữ liệu cho các mô hình cây, tuyến tính, deep learning và mô hình hộp đen.

scvi-tools là một framework Python cho phân tích đơn bào theo hướng xác suất. Hãy dùng skill scvi-tools này cho batch correction, latent embeddings, differential expression có kèm độ bất định, transfer learning và tích hợp đa mô thức. Đây là lựa chọn rất phù hợp cho các workflow single-cell RNA-seq, ATAC, CITE-seq, multiome và spatial, đặc biệt trong các bài toán Machine Learning nâng cao.

scvelo là một skill Python để phân tích RNA velocity trong dữ liệu RNA-seq đơn bào. Dùng nó để ước lượng chuyển trạng thái tế bào từ mRNA chưa spliced và đã spliced, suy ra hướng quỹ đạo, tính latent time và xác định các gen driver. Skill này đặc biệt hữu ích cho scvelo trong Data Analysis khi bạn cần tính định hướng vượt ra ngoài clustering tiêu chuẩn hoặc pseudotime.

Skill scikit-survival cho phân tích sống sót và mô hình hóa thời gian đến sự kiện bằng Python. Dùng hướng dẫn này cho dữ liệu kiểm duyệt, mô hình Cox, random survival forests, gradient boosting, Survival SVM và các thước đo như concordance index, Brier score.

scikit-learn giúp bạn xây dựng các quy trình machine learning cổ điển trong Python. Hãy dùng kỹ năng scikit-learn này cho phân loại, hồi quy, phân cụm, tiền xử lý, đánh giá mô hình, tinh chỉnh siêu tham số và pipelines. Đây là hướng dẫn scikit-learn thực tế cho dữ liệu bảng và phát triển mô hình có thể lặp lại.