机器学习

torchdrug 是一套以 PyTorch 為核心的分子與蛋白質機器學習工具箱。你可以透過 torchdrug 技能來選擇任務、資料集與模組化模型，涵蓋圖神經網路、蛋白質建模、知識圖譜推理、分子生成與逆合成。它最適合客製化模型開發與可重現的設定，而不只是現成示範。

適用於 PyTorch Geometric 圖神經網路的 torch-geometric 技能指南。可用來取得 torch-geometric 安裝協助、torch-geometric 使用方式、圖分類、節點分類、連結預測、異質圖、自訂 MessagePassing 層，以及為 Machine Learning 工作流程擴展 GNN。

這個 transformers 技能可協助你使用 Hugging Face Transformers 進行模型載入、推論、tokenization 與 fine-tuning。它是一份實用的 transformers 指南，適用於 Machine Learning 工作，涵蓋文字、視覺、音訊與多模態流程，並提供從快速 baseline 到自訂訓練的清楚路徑。

這份 stable-baselines3 技能指南適用於機器學習工作流程：訓練 RL agent、串接 Gymnasium 環境，並在 PPO、SAC、DQN、TD3、DDPG 或 A2C 之間更有把握地做選擇。最適合標準的單一 agent 強化學習、快速原型開發，以及實際的 stable-baselines3 使用情境。

用於模型可解釋性與可解釋 AI 的 shap 技能。可用來理解預測結果、計算特徵歸因、選擇 SHAP 圖表，並針對樹模型、線性模型、深度學習模型與黑箱模型的資料分析情境，除錯模型行為。

scvi-tools 是一個用於機率式單細胞分析的 Python 框架。這個 scvi-tools 技能可用於批次校正、潛在嵌入、帶不確定性估計的差異表現分析、遷移學習，以及多模態整合。它特別適合單細胞 RNA-seq、ATAC、CITE-seq、multiome 與空間流程，尤其是進階 Machine Learning 使用情境。

scvelo 是一個用於單細胞 RNA-seq 資料中 RNA velocity 分析的 Python 技能。可用來根據未剪接與已剪接 mRNA 估計細胞狀態轉換、推斷軌跡方向、計算潛在時間，並找出驅動基因。當你需要超越一般分群或偽時間、進一步掌握方向性時，這個 skill 尤其適合用於 scvelo for Data Analysis。

scikit-survival 技能，適用於 Python 中的生存分析與事件時間建模。可用這份指南處理刪失資料、Cox 模型、隨機生存森林、梯度提升、Survival SVM，以及 concordance index 和 Brier score 等生存評估指標。

scikit-learn 幫助你在 Python 中建立經典機器學習流程。這個 scikit-learn 技能可用於分類、迴歸、分群、前處理、模型評估、超參數調校與管線。它是一份實用的 scikit-learn 指南，特別適合表格資料與可重複的模型開發。